随着5G网络的发展,未来5G网络将为多样化业务场景提供网络服务支持,这些业务场景具有差异化的服务特性与服务质量需求。同时,随着新兴的垂直行业业务的快速发展,服务对通信、计算、缓存等多维资源的需求爆炸式增长。因此,为差异化服务分配多维资源,保证多样化服务质量需求的同时提升资源利用效率成为一大重要问题。网络切片技术可以将一个物理网络划分为几个虚拟网络,针对特定类型的应用程序,为每个虚拟网络分配差异化的资源。软件定义网络（SoftwareDefined Network,SDN）技术则因其控制与数据平面分离等特性能够对网络全局的资源情况进行监控和分配。因此SDN技术和网络切片技术成为5G网络中的关键技术,被用来为不同需求的业务场景提供差异化资源分配。网络切片的一个重要任务就是提供最优的资源（如带宽、硬件、内存、程序等）的分配方案,合理的资源分配可以提高网络资源的利用率,降低整个网络的成本,提升服务质量,满足用户需求。本文联合网络切片架构和SDN技术进行业务类型识别与面向多种业务场景和应用的通信-计算多维资源分配。基于网络切片架构和SDN技术,提出了一种面向智能业务识别的资源分配方案。首先,提出了一种基于神经网络的业务类型识别方法,运用神经网络的方法根据数据包的统计特性对流量数据进行业务类型识别,实现业务类型与流量数据的准确识别,然后为不同业务类型的网络切片分配差异化通信-计算多维资源。同时,基于SDN技术搭建实验平台,采集流量数据制作数据集用于神经网络的训练和测试,验证上述资源分配方案的可行性,讨论运用不同方法进行业务类型识别对业务识别结果的影响,并分析面向智能业务识别的资源分配方案对吞吐量、用户满意度等性能的影响。进一步地,在上述资源分配方案的基础上,提出了一种基于强化学习的多维资源分配方法,对通信-计算资源的分配进行进一步优化。运用强化学习方法,根据网络状态和资源情况为不同业务类型的网络切片分配差异化通信和计算资源,在保证用户服务体验（Quality of Experience,QoE）的同时,提升频谱效率,以最大化系统效用。基于TensorFlow平台进行了仿真验证。结果证明,提出的多维资源分配方法在满足差异化服务质量需求的同时,提升了频谱效率。