流量矩阵表示的是网络中任意两个节点对间的流量大小。流量矩阵是很多网络管理任务的关键输入信息,比如流量工程、网络规划、网络性能诊断分析和流量计费等。由于流量矩阵的重要性,近年来,流量矩阵的测量受到了许多研究者的广泛关注。在实际网络中,由于网络测量资源和能力的限制,流量矩阵很难直接测量出来。因此,目前研究界普遍采用的流量矩阵测量方法是根据少部分容易直接测量到的(如链路负载)或直接获得的(如业务路由)信息来估计网络流量矩阵。然而,由于在传统网络中能够直接测量和直接获取的信息很少,并且待估计的流量信息数目巨大,因此估计出的流量矩阵往往具有很大的误差。另一方面,近年来软件定义网络(Software Defined Network,SDN)引起了学术界和工业界的广泛关注。SDN将网络的控制面和数据面彻底分开,控制面集中式的运行于网络控制器之上,而数据面则分散的存在于各个设备上。SDN的这种分离式设计为网络流量矩阵的测量也带来了好处。首先,集中式的控制平面具有全局的网络视图,可以统一地调配网络资源。其次,分布于网络设备上的数据面提供了若干用于流统计的计数器,利用这些计数器可以为流量矩阵的估计提供更多的输入。本文将主要研究如何利用SDN提供的功能来更好地测量流量矩阵。对于广义流量矩阵,它的每一行表示一对节点间的流在不同时段下的大小,每一列表示在一个时段下每个流的大小。广义流量矩阵具有时间和空间相关性,可以通过直接测量少部分流的大小,然后利用矩阵完成技术来估计其它流的大小。但是,直接测量哪些流对于最后流量矩阵的估计正确率有很大的影响。为了降低设计最优观测矩阵(观测矩阵表示需要直接测量的流集合)中固有的复杂性,本文提出采用随机搜索方法来设计最优观测矩阵。随机搜索方法采用遗传算法和粒子群算法,以流量矩阵的估计误差作为优化目标来设计最优观测矩阵。另一方面,流量矩阵可以利用SDN交换机流表项的计数器值来进行估计。SDN交换机流表项的计数器值表示匹配此流表项的所有流的大小之和。由于TCAM表项数目有限,SDN交换机流表项聚合哪些流对流量矩阵的估计正确率有很大的影响,因此必须仔细设计SDN交换机流表项。将一个TCAM表项匹配哪些流的规则定义为流量测量规则,即一个TCAM表项对应一条规则。本文提出两种方法(MLRF和LFF)来设计流量测量规则,这两种方法都满足流聚合可行性约束(由相关的路由策略决定),并且不会改变流的路由,有比较低的复杂度。