卫星网络因其广覆盖、低延时、宽带化的特点成为现在通信网络的主力军,而路由问题是卫星网络中的重要一环。因卫星网络自身存在的拓扑动态变化、星上载荷资源受限的特点,现有分布式路由解决方案存在不能实时感知网络状态变化,继而造成网络负载不均衡、易拥塞等问题。软件定义网络技术的发展为路由优化问题提供了新的解决思路。数控分离的架构使得网络具备更高的灵活性。在路由优化问题中,网络测量和路由优化策略是两个关键组成部分。有效的实时网络测量为路由优化策略的生成提供了基础,这使网络可以感知拥塞。现有的带外网络遥测技术会传输额外的探针以测量网络状态,这种测量方式不可避免的会引发“观察者”效应,从而带来测量信息不准确的问题。此外,复杂的网络状态和路由优化策略之间的关系很难用精确的数学模型来描述。因此,本文结合软件定义网络的设计思想,提出了一种新型的卫星网络路由优化方法。该方法中数据平面由低轨卫星群组成,通过数据平面编程语言自定义每个卫星节点上的数据包处理过程的方式实现报文快速转发和低成本、高精度的网络测量。控制平面集中部署在计算和存储资源充足的地面控制中心,利用具备自学习、自优化的机器学习技术解决复杂的网络测量信息与路由优化策略之间难以建模的问题,实现智能化路由决策,从而达到最大程度地减少网络最大链路利用率的优化目标。论文的主要研究内容及创新工作总结如下:·设计了一种基于数据平面变成语言P4的数据包处理逻辑,并将带内网络测量与数据包转发机制相融合,实现低开销、高精度的网络实时测量。·提出一种将机器学习算法整合进控制平面的路由策略生成方案,利用机器学习的自学习、自收敛特性实现卫星网络的自优化。·设计并搭建了基于机器学习的卫星网络路由优化系统原型,并从网络最大链路利用率、流完成时间、数据包延时三个方面将本文方案与现有几种常见的卫星网络路由方案作了性能对比分析。