With the rapid technological growth in the last decades, the number of devices and users has drastically increased. Software-defined networking (SDN) with machine learning (ML) has become an emerging solution for network scheduling, quality of service (QoS), resource allocations, and security. This paper focuses on the implementation of a network traffic classifier using a novel Docker-based SDN network. ML offers good performance to real-time traffic solutions without depending on well-known TCP or UDP port numbers, IP addresses, or encrypted payloads. In this paper, using three ML techniques, we first classify network flows with 3, 5, and 7 parameters giving up to 97.14% accuracy. Additionally, we present a new performance accelerator algorithm (PAA), which incorporates these three ML classifiers and accelerates the overall performance significantly. We then propose a dynamic network classifier (DNC) generated from PAA over a novel Docker-based SDN network. Finally, we propose a new controller algorithm for Ryu platforms, which integrates the DNC and classifies both TCP and UDP flows in real-time. Based on the evaluations, an improvement in latency performance has been demonstrated, where analysing a packet, controller processing time takes on an average of 10 µs. This study will certainly serve to further research on optimising SDN and QoS.

随着过去几十年技术的快速发展，设备和用户的数量急剧增加。具有机器学习 (ML) 的软件定义网络 (SDN) 已成为网络调度、服务质量 (QoS)、资源分配和安全性的新兴解决方案。本文重点介绍使用基于 Docker 的新型 SDN 网络实现网络流量分类器。ML 为实时流量解决方案提供了良好的性能，而不依赖于众所周知的 TCP 或 UDP 端口号、IP 地址或加密的有效负载。在本文中，我们使用三种 ML 技术，首先用 3、5 和 7 个参数对网络流进行分类，准确率高达 97.14%。此外，我们提出了一种新的性能加速器算法 (PAA)，它结合了这三个 ML 分类器并显着提高了整体性能。然后，我们提出了一个动态网络分类器 (DNC)，该分类器由 PAA 在一个基于 Docker 的新型 SDN 网络上生成。最后，我们为 Ryu 平台提出了一种新的控制器算法，它集成了 DNC 并实时对 TCP 和 UDP 流进行分类。根据评估，延迟性能的改进已被证明，在分析数据包时，控制器处理时间平均需要 10 微秒。这项研究必将有助于进一步研究优化 SDN 和 QoS。根据评估，延迟性能的改进已被证明，在分析数据包的情况下，控制器处理时间平均需要 10 微秒。这项研究必将有助于进一步研究优化 SDN 和 QoS。根据评估，延迟性能的改进已被证明，在分析数据包时，控制器处理时间平均需要 10 微秒。这项研究必将有助于进一步研究优化 SDN 和 QoS。