随着5G时代的来临,云计算与大数据等新兴产业加速发展,作为资源管理平台以及传输枢纽,数据中心所承载的业务数据量急剧增加,需要高效灵活的网络来应对多类型大规模的流量传输。传统网络架构采用分布式的控制方式以及固定的传输机制,难以满足当代数据中心对网络传输的要求。而软件定义网络架构具有数控分离、集中控制以及开放可编程的优点,将软件定义网络与数据中心相结合,不仅提高了数据中心的网络性能,也赋予了其高度的灵活性。除此以外,以Fat-Tree为代表的新型拓扑结构的应用在增强数据中心网络可扩展性的同时,也提升了其容错性能,使得数据中心在应对不同业务需求时可以进行动态调整。目前,数据中心网络所采用的动态负载均衡算法,仅仅考虑了网络节点间的局部连接,而忽略了整体链路性能。本文以Open Flow协议为基础,选用Ryu控制器为平台,根据Fat-Tree拓扑的结构特点,在动态负载均衡算法的基础上提出改进算法。该算法通过对网络拓扑进行整体感知的方式,能够有效避免局部最优缺陷,与此同时,依据网络连接状态以及链路信息可以动态获取当前状态下源节点至目的节点间的最优路由,达到网络自适应的同时实现了对数据流量的灵活传输。仿真结果表明,该路由算法能够有效提升网络吞吐量,增强网络在高负载下的传输性能。其次,为了能够有效避免网络拥塞,本文在上述路由算法的基础上引入强化学习的思想,并根据网络传输的特性对Q-learning算法进行改进。通过利用网络链路信息对Q值表进行初始化,限制其可选的动作集,使得Q-learning算法能够更好的与当前网络状态相结合,避免了不必要探索的同时加快了算法收敛速度。仿真结果表明,基于强化学习的路由算法相比于传统路由算法而言,能够进一步提升网络平均带宽利用率,并且具有更为优越的网络自适应能力。最后,本文详细描述了Open Flow实体交换机与Ryu控制器之间的连接配置过程,并利用Django框架构建了软件定义网络平台,该平台的开发主要分为控制器开发,后台开发以及前端开发,控制器主要负责将相关数据存入数据库中,而后台负责对数据库中的数据进行处理,并通过前端进行实时展示。本文以Fat-Tree拓扑作为测试用例对该平台进行测试,测试结果表明该平台具有实时显示网络拓扑连接以及链路信息等相关功能,增强了软件定义网络的可视性,为软件定义网络的运维管理提供了极大的便利。