随着通信网络技术及业务的迅猛发展,通信网络的用户数量以及用户对业务的流量需求急剧增加,但网络部署复杂、网络架构垂直且封闭以及电信业务总量与收入不匹配等诸多问题使得当今的网络面临着巨大挑战。软件定义网络(Software Defined Network,SDN)架构的出现和发展极大地推进了通信网络架构的演进。在基于SDN的网络中,控制面和数据面分离,不再是紧耦合模型,使得网络更为灵活且可扩展性更好。分布式SDN架构是物理上分布、逻辑上集中的SDN架构的实现,作为SDN范式的一个重要架构模型,能够适用于大规模网络,且在控制功能上更为稳定可靠具有弹性,因此引起了国内外研究界和工业界的极大关注。然而分布式SDN极易带来负载均衡问题,多个控制器间容易形成负载差异,致使个别高负载控制器性能急剧下降;同时,单个SDN控制域内也容易出现链路间负载不均衡问题,链路间的负载均衡问题将影响整个网络的性能。特别地,现在端设备对网络需求具有很强的时变性,真实网络流量无论是在空间上还是时间上均隐藏着巨大的波动。本文的关注点就是基于机器学习的分布式SDN网络架构中流量预测与负载均衡。为了避免网络震荡,增强网络决策对未来的预见性,本文首先提出基于支持向量回归(Support Vector Regression,SVR)的通信网络流量预测模型,然后在分布式SDN网络中,本文利用预测模型得到的预测量,在此基础上研究控制面的负载均衡和数据面的负载均衡问题。移动通信网络中,流量是一个时变量,为了适应突发流以及避免拥塞,现有网络中链路保留了大量的冗余容量。随着未来网络视频流业务的增加,流量时序函数的极差将逐步增大,这种链路容量冗余的方法将导致网络资源利用率低下。针对此问题,本文提出预测模型分析网络特性,提前对网络进行合理配置,减少网络不必要的震荡和资源浪费。本文利用在核心网交换机上采集一个月的实时数据,用熵分析法对收集到的原始数据进行数据预处理,将与流量预测相关的有效数据从复杂冗余的数据中提取出来。工作中,本文的数据集是非线性的小样本数据,所以选取SVR算法作为算法核心,利用改进的在线多核SVR(Online-multiKernel SVR,OKSVR)分析方法预测网络中的链路流量。接下来,本文讨论了在分布式SDN架构下,基于流量预测的数据面负载均衡问题。在SDN核心网中,流量一般从网络中的某个边界路由器进入核心网,并且从网络中的另一个边界路由器流出核心网,本文将这样的流称之为汇聚流。这种网络模式容易造成网络中链路负载不均衡的现象,因此影响网络传输的性能。针对上述问题,本文以最小化网络中最大链路利用率为目标,在满足服务QoS的前提下,依托于多路径路由技术,建立数学模型,提出一种基于拍卖的面向链路负载均衡的多路径路由策略——多路径负载均衡策略(Multi-Path Load balance Policy,MPLP),并对该模型进行了仿真验证。结果表明,该负载均衡策略能最小化网络中最大链路利用率,在充分利用网络链路资源的同时也能保证域内时延。最后,本文研究了分布式SDN控制面的负载均衡问题。为了实现网络中控制资源的有效利用和网络灵活性,研究SDN交换机迁移工作是十分必要的。本文针对SDN交换机的迁移重配置问题,将网络的时变性、迁移开销和负载均衡综合考虑,建立数学模型,提出了一种面向负载均衡的交换机动态迁移策略(Dynamic Switch Migration Policy,DSMP)。仿真结果表明,与基于贪心的迁移方案以及随机迁移方案对比,DSMP可以在提升网络均衡性的同时兼顾网络的稳定性。本文对分布式SDN技术进行了总结分析,设计分布式SDN网络中数据面和控制面的负载均衡模型,为分布式SDN网络中的负载均衡问题提供了新的思路。