"近年来，数据中心网络迅猛发展，为云计算服务提供了重要支撑。随着网络应用对传输性能要求的提高，数据中心需要更好的算法、协议和系统来提升网络性能，而这依赖于对新设计准确高效的性能评估。本书针对数据驱动方法为数据中心网络性能建模和优化带来的机遇和挑战，以高效的网络性能建模为目标，分别从全局网络拓扑、单点网络设备和时序网络流量三个角度对影响网络性能的关键因素开展研究。本书提出了基于深度学习的数据中心网络拓扑建模和优化方案xWeaver，建立了基于分离卷积神经网络的性能模型和支持领域知识嵌入的拓扑映射，能够有效提升网络性能。 提出了基于深度强化学习的交换机共享缓存管理方案NDT，建立了基于排等变性的可扩展强化学习模型，设计了高效的两级控制方案，有效提升了交换机转发性能。 提出了基于图神经网络的网络性能建模框架xNet，设计了基于异构关系图的网络系统抽象方法和序列建模的可配置图神经网络，支持对流级别性能指标进行准确、高效的时序预测。

本书可为数据驱动网络、数据中心网络和网络性能建模相关领域的研究者提供参考。"