近年来研究流簇（Coflow）为单位的调度策略成为改进数据中心网络的新热点。然而现有的信息未知 流簇调度器难以快速地推理任务级信息，导致小任务不能被及时调度，以及平均任务完成时间无法最小化。 因此数据中心网络需要更加高效的推理模型提升流簇大小判断的准确性和敏感性。提出了一种基于机器学 习的流簇大小推理模型（MLcoflow），利用极限学习机（ELM）以最小训练误差为求解目标建立推理模型，并且 使用不完全信息建模以提升敏感度。实验证明与其他算法相比，ELM方法的准确性评分平均高出19.8%，敏感度 平均高出10.2%。通过仿真模拟对比了几种调度器，基于MLcoflow的调度器将平均任务完成时间降低了20.1%。 关键词：数据中心；流簇大小；流簇调度；推理模型；极限学习机（ELM）
