突发流量在网络中非常普遍，会严重损害用户体验。突发流量往往能在短时间（如毫秒级别）内充满链路，导致网络拥塞和频繁分组丢失，端到端时延增加。传统路由算法要么是流量无关（如 OSPF（open shortest path first，开放式最短路径优先））的，无法对实时流量的变化做出调整；要么是集中式控制的（如线性规划），面临求解时延过大而无法有效应对突发流量的问题。提出了一种新的智能路由算法解决突发流量的问题。一方面，提出的算法能利用机器学习强大的建模能力，通过对网络历史数据的挖掘来学习“隐式”的路由决策依据。另一方面，提出的算法能借助机器学习的快速推理能力降低决策时延，提高系统对突发流量的响应速度。实验结果表明，在真实流量数据集下，相比较其他路由算法，提出的智能路由算法能降低13%～70%的瓶颈链路利用率。
