随着网络业务需求的不断增长和网络规模不断增大和复杂化,网络运行商需要实时地掌控网络的性能参数,包括流量矩阵、网络链路的时延、网络流量的丢包率等。传统网络中的分布式控制使得运营商对网络的控制能力较弱,无法实现精确的网络流量测量。软件定义网络(Software Defined Network,SDN)作为一种新的网络体系架构应运而生,它最重要的思想就是将网络的控制平面和传输平面相互剥离,SDN网络相比传统网络拥有更强和更灵活的集中控制能力,它可以实时下发流表对流进行细粒度控制,流表能实时获得流的统计信息。SDN的灵活网络控制能力为每一条流的精确测量提供了可能,但同时也有资源不足的问题,在SDN网络中进行资源受限的网络流量测量是本文研究的重点。SDN背景下的网络流量测量一直是一个重要的研究方向。在数据中心里面,全网的网络资源(内存、带宽和计算能力)可以被协调使用。如何分配网络资源进行全网协作式测量以解决资源不足,是我们要解决的第一个难题。我们首先证明了该问题是一个NP-Hard问题,然后我们将问题建模成ILP(Integer Linear Programming)模型,并设计了LPSAM(Lagrange Place Selectors And Monitors)算法。LPSAM算法使用拉格朗日乘子法对问题进行了对偶等价,将原始问题拆分成很多子问题。我们使用剪枝优化的深度优先搜索来求解子问题,LPSAM算法给出了原始问题最优解的上界和下界,我们对LPSAM算法进行了改进得到了ILPSAM(Improve Lagrange Place Selectors And Monitors)算法。实验仿真表明,ILPSAM算法能快速给出近似解,适用于快速部署测量任务。SDN全网协作式网络测量关注于异常发生时的网络测量,而网络管理者往往需要了解当前网络的流量矩阵。在SDN背景下,一条流的精确测量需要消耗一条三态内容寻址存储(TCAM)资源,而SDN交换机的TCAM资源是有限的,在TCAM资源受限情况下测量流量矩阵是我们的第二个工作。我们首先设计了一个TCAM资源分配算法,该算法可以保证在最少测量周期内测量完所有的流量。另外,为了能在一个测量周期内测量流量矩阵,我们设计了一个基于强化学习的大流检测算法。NetworkRL算法检测出哪些流是大流,进而只测量大流。实验显示NetworkRL的性能比现有的算法MUCB的性能好20%。当前交换机的缓存调度策略是同等的对待网络中的每条流,然而少量的大流会占完交换机的缓存,使得大多数的小流无法被调度,流量的大流检测能帮助交换机进行细粒度的网络流量管理。在现有的网络流量测量基础之上,我们使用卷积神经网络和流量的前100ms特征对流进行大流和小流快速检测,实验仿真获得了90%的准确性,为交换机优化缓冲调度策略提供了可能。为了让网络管理者清楚当前网络的网络流量类型,我们使用聚类和分类算法进行了流量识别。仿真实验获得了约90%的准确性,这表明使用现有的网络流量测量数据进行流量识别是可行的。