Muchos esfuerzos de investigación se han dedicado a mejorar las infraestructuras de redes de comunicación obsoletas con mejores para apoyar servicios y aplicaciones contemporáneas. Las redes inteligentes pueden adaptarse a nuevas tecnologías y tendencias de tráfico por sí mismas. La red definida por software (SDN) separa el plano de control del plano de datos y ejecuta programas en un solo lugar, cambiando la gestión de la red. Nuevas tecnologías como SDN y aprendizaje automático (ML) podrían mejorar el rendimiento de la red y la calidad de servicio (QoS). Este documento presenta un estudio de investigación completo sobre la integración de SDN con ML para mejorar el rendimiento de la red y la calidad de servicio (QoS). El estudio investiga principalmente métodos de clasificación de ML, destacando su importancia en el contexto de la clasificación de tráfico (TC). Además, se discuten métodos tradicionales para aclarar el mejor rendimiento de ML observado a lo largo de nuestra investigación, subrayando la superioridad de los algoritmos de ML en TC SDN. El estudio describe cómo los datos de tráfico etiquetados pueden usarse para entrenar modelos de ML para clasificar adecuadamente flujos de TC SDN. Examina los pros y contras de la clasificación de TC dinámica y adaptativa utilizando algoritmos de ML. La investigación también examina cómo ML puede mejorar la seguridad de SDN. Se explora el uso de ML para la detección de anomalías, la detección de intrusiones y la mitigación de ataques en redes SDN, destacando los beneficios de detección y respuesta proactiva a amenazas. Finalmente, se discuten los problemas de integración de QoS SDN-ML y las lagunas de investigación. Además, se identifican problemas de escalabilidad y rendimiento en implementaciones de SDN a gran escala como posibles problemas y áreas para investigaciones adicionales.