随着互联网技术的发展和服务的完善,网络流量呈现爆炸式增长,摩尔定律下互联网的建设速度已经远远赶不上业务需求增长速度,这其中尤其以多媒体流量最为突出。根据思科调查显示,截止2020年,媒体流量将占据互联网流量的80%。盲目的网络扩建已经无法满足日益增长的用户需求,而赋予网络智能,感知用户和网络信息,可以高效利用有限网络资源从而带来用户服务质量的提高。然而当前IP网络的数据转发对上层应用透明,网络控制和数据转发耦合在一起,使得无法根据网络状态对不同用户的不同目标进行智能优化。软件定义网络(Software-Defined Networking,SDN)作为日益成熟的下一代互联网技术,将控制层与转发层分离,使得网络全局视图可以被利用,做到应用层与网络层协同,提高网络各层协作效率,同时其集中式的控制平面能够为部署各类决策算法提供一个开放式的平台。本文以SDN为网络支撑,以Markov决策过程和近似动态规划为理论方法,研究多媒体服务建模与优化问题,并采用神经元动态规划和深度学习方法求解所提问题,具体研究内容如下所示:1)研究基于近似动态规划的视频接入控制和路由联合优化。在带宽受限的媒体服务专用网络中,视频服务商为多用户提供有偿视频传输服务,如何合理地接入用户,高效地规划路由是视频服务商获取最大长期收益的关键。本文采用网络切片技术,利用FlowVisor网络虚拟化工具虚拟出视频服务专用SDN网络以便灵活地部署优化算法,并将影响视频服务商收益的用户接入控制和路由问题建模为Markov决策过程。考虑状态空间的复杂性,传统的迭代求解方法会造成维数灾,难以求得最优解,本文采用近似动态规划(Approximate Dynamic Programming,ADP)方法,利用 kernel 核函数方法构造近似值函数,并据此求出近似最优解。基于FlowVisor虚拟化工具,Mininet网络仿真器和POX控制器搭建的半实物网络仿真结果表明,本文所提算法在性能和收敛性等表现上明显优于OSPF(Open Shortest Path First)算法和Q学习算法。2)研究基于神经元动态规划的DASH视频路由与码率调整。与传统视频不同,DASH(Dynamic Adaptive Streaming over HTTP)视频流具有多段、多码率副本等特点,相比普通视频服务有更大的优化空间。传统的DASH视频传输优化方法多集中在两端,即用户端的反馈和服务商源端的码率调整,该方法可以充分感知用户行为,但相应地,网络状态本身相对算法仍然透明,反馈信息也可能由于延迟降低优化表现。SDN网络以其灵活的可控性为DASH视频传输网络层优化带来可行性,本文综合考虑DASH视频传输路由与码率调整优化问题,将其建模为Markov决策过程,并利用神经元动态规划方法(Neuro-Dynamic Programming,NDP)求解所提优化问题的近似最优解,以应对传统解法面临的维数灾问题。通过Mininet网络仿真器和POX控制器搭建的半实物网络仿真平台的验证,本文所提算法的表现明显优于基于最短路径优先(OSPF)算法。3)研究基于深度学习的SVC视频层数自适应与路由规划。作为一种新兴的视频编码标准,可伸缩视频(Scalable Video Coding,SVC)的传输优化具有很突出的研究意义。通过将视频流划分为一个基本层和多个增强层的形式,SVC视频流可以根据用户需求,动态调整传输层数。受限于传统网络架构,现有的SVC传输优化多为跨层协作,而在SDN架构下,也多为单用户优化或组播服务。本文以SDN为网络基本架构,研究有限带宽下多用户的SVC视频传输服务。利用SDN网络特性,获取并分析网络状态,为每个请求SVC传输服务的用户合理选择传输层数,并为每层SVC视频流数据独立路由,以最大化利用有限的网络带宽资源。该优化问题被建模为Markov决策过程,考虑到求解过程中面临的维数灾以及NDP方法中手动特征提取的不稳定性,在NDP方法中加入深度学习方法提取网络状态特征,并据此构造近似状态值函数,获取近似最优解。半实物的实验结果表明,本文所提算法在性能明显上好于基本NDP算法。上述三个优化问题分别针对不同编码格式视频,均利用SDN架构搭建媒体服务网络平台完成系统建模,利用MDP建立媒体传输优化问题理论模型,并基于不同的求解算法对接入控制、路由和码率自适应进行联合优化,在优化目标和算法上层层递进。优化对象和优化方法的多样性使得本文研究的网络媒体建模不失一般性,体现了基于SDN架构和MDP模型的媒体服务平台的有效性和开放性。