为了有效地监管网络行为以及设计网络应用,准确地获知网络拓扑结构具有非常重要的意义。传统的网络拓扑识别方法通常利用网络内部节点的协作获得网络拓扑结构,但是出于安全等因素的考虑,网络中存在大量不协作节点,使得传统方法在实际应用中会失效。基于层析成像的网络拓扑估计方法可以在不需要网络内部节点协作的条件下,通过在网络边缘节点之间主动探测或被动监测的方式收集端到端性能参数,然后利用端到端性能参数的统计特征估计网络拓扑结构。目前绝大多数基于层析成像的网络拓扑估计方法都假设网络状态平稳,即假设在整个测量周期内网络链路状态是平稳的。但在实际网络中,网络流量的高突发性导致网络链路状态频繁发生改变,基于网络状态平稳的层析成像方法获得的拓扑存在较大误差。针对上述问题,本文提出一种新的非平稳网络拓扑估计方法,该方法利用小波包分解提取端到端路径时延的变化特征,并利用分层聚类的思想进行拓扑估计,主要工作可概括为以下三个方面:(1)基于包群探测模型的端到端时延测量:网络中不同目的节点对共享路径上时延的变化具有一致性,为了捕获非平稳网络的时延变化特征,同时体现这种一致性,本文首次将包群探测模型引入到非平稳网络拓扑估计,利用探测包之间的相关性捕获非平稳网络中不同路径时延的相同变化特征。(2)基于小波包分解的时延变化特征提取:传统的层析成像方法都是用网络内部性能参数的单一统计特征(如时延差、方差等)作为共享路径长度的度量,但是性能参数的单一统计特征并不能体现其时变性。本文针对上述问题将网络的端到端时延变化曲线看作一个非平稳信号,利用小波包分解来提取端到端时延的变化特征。(3)基于时延变化的网络拓扑估计方法:利用小波包分解系数构成时延变化的特征向量,可作为网络拓扑估计的输入。本文将网络拓扑估计的问题看成分层聚类的问题,根据输入特征向量的近似程度递归地聚类目的节点,近似度高的目的节点被聚为一类,直到无法继续聚类,最终构建出树状拓扑结构。本文利用NS2仿真软件对提出的方法进行仿真,仿真结果证明了基于小波变换的非平稳网络拓扑估计方法在非平稳网络环境下能准确地推断出网络拓扑结构。而且通过仿真验证了本文提出方法的准确率优于基于时延协方差的网络拓扑估计方法,说明该方法能更加准确地估计出非平稳网络环境下的拓扑结构。