Avec la croissance exponentielle des performances technologiques, le monde moderne est devenu hautement connecté, numérisé et diversifié. Dans ce monde hyperconnecté, les réseaux informatiques ou Internet font partie de notre vie quotidienne et jouent de nombreux rôles importants. Cependant, la forte croissance des services et des applications Internet, ainsi que l'augmentation massive du trafic, complexifient les réseaux qui atteignent un point où les fonctions de gestion traditionnelles, principalement régies par des opérations humaines, ne parviennent pas à maintenir le réseau opérationnel. Dans ce contexte, le Software Defined-Networking (SDN) émerge comme une nouvelle architecture pour la gestion des réseaux. Il rend les réseaux programmables en apportant de la flexibilité dans leur contrôle et leur gestion. Même si la gestion des réseaux est en partie simplifiée, elle reste délicate à cause de la croissance continue de la complexité des réseaux. Les tâches de gestion restent alors complexes. Face à ce constat, le concept de self-driving networking a vu jour. Il consiste à tirer parti des récentes avancées technologiques et l'innovation scientifique dans le domaine de l'intelligence artificielle (IA) et du machine learning (ML) en complément au SDN. Par rapport aux approches de gestion traditionnelles utilisant uniquement des modèles mathématiques analytiques et l'optimisation, ce nouveau paradigme est une approche axée sur les données. Les opérations de gestion s'appuieront sur la capacité de l'intelligence artificielle à exploiter les relations complexes et cachées dans les données pour créer des connaissances. Cette association SDN-AI/ML, avec la promesse de simplifier la gestion du réseau, nécessite de relever de nombreux défis. Le self-driving networking ou l'automatisation complète du réseau est le "Saint Graal" de cette association. Dans cette thèse, deux des défis concernés retiennent notre attention. Dans un premier temps, la collecte efficace de données avec SDN, en particulier la télémétrie en temps réel. Pour ce défi, nous proposons COCO pour COnfidence-based COllection, une solution de collecte de données en temps quasi-réel à faible coût (overhead) pour les réseaux SDN. Les données d'intérêt sont collectées efficacement du plan de données au plan de contrôle, où elles sont utilisées par les applications de gestion traditionnelles ou par des algorithmes de machine learning. Dans un second temps, nous explorons les possibilités de l'utilisation du machine learning pour traiter des tâches de gestion complexes. Nous considérons l'optimisation de la performance des trafics dans les data centers. Nous proposons un modèle de performance du trafic incast en utilisant le machine learning, là où les modèles analytiques peinent à fournir des modèles de performance facilement généralisables et sans des connaissances "domain-specific". Avec ce modèle de performance ML, des fonctions de management dont la gestion intelligente des switchs ou d'autres algorithmes d'optimisation de la qualité de service peuvent optimiser dynamiquement les performances des trafics. Ces opérations de gestion basées sur le ML sont construites sur une architecture SDN, en tirant parti de sa vision globale centralisée, de ses capacités de monitoring et de sa flexibilité. L'efficacité de notre proposition de collecte de données et l'optimisation des performances basée sur le machine learning donnent des résultats prometteurs. Nous pensons que des systèmes de monitoring SDN efficaces couplés avec les opportunités offertes par l'IA/ML peuvent considérablement améliorer la gestion du réseau et faire un grand pas vers le concept du self-driving network et donc des réseaux autonomes.