如今,网络已进入千万寻常百姓家,这给人们的生活增添了色彩和便利,另一方面伴着网络模型越来越庞大,多种形式组网如:传感器网、ADHoc网络、天基网络等新出网络的增添,使得拓扑规模变得越来越大、很难去精准获得;网络设备数量很大,组网方式多种多类,接收信息次数变得越来越多等,这些多种状况的凸显,这提升了网络管理者在维护网络正常运行状态的难度。在这种情况下,网络运行态势感知技术应时而生。本文是基于网络运行态势感知技术,从网络业务的视角出发,采用基于时间序列和预期业务损失的方法,构建综合的网络运行态势预警机制,根据网络运行事件及反映出的状态变化,利用时间序列模型进行大数据分析预测。本文重点在于怎样去构建合理有效的预警机制,怎样准确完美地完成层次之间的指标转换,以及怎样构建实时并且准确预警的数学模型的问题。本文的研究内容和创新如下:1.建立了基于视频业务的网络运行态势预警模型。本文根据网络层次化管理的思想,网络的层次化管理是一个自下而上的数据处理过程,最下层负责数据采集和处理的工作,而最上层则是需求管理和分析。该模型很好的结合了基于熵权-层次分析法的模糊综合评定方法,改进的RBF神经网络等技术手段,建立一个实时精确的网络运行态势预警模型结构。2.提出了使用熵权方法去修正层次分析方法的模糊综合网络运行态势评定的方案。在原来的层次分析法中,权重比较容易被专业人士知识的拘束,欠缺对真实采集数据的反馈,拥有极大的主观能动性质。采用熵权法对层次分析法进行了修正,使用将主观方案和客观方案融合的方法,使得权重计算方法变得更加合理。通过将模糊理论融合进模型,将定量的属性转化为定性的分析,提高评估模型的准确度,是一种具有优越性的模型。3.提出了自适应k值聚类以及自适应学习率的RBF神经网络。在以往的神经网络中,聚类方法中,k值即隐含层节点数量以及迭代学习时学习率的如何选择是一个比较大问题。本文从k值聚类和网络学习率的角度出发,使用轮廓系数确认k值,RBF网络的最佳学习速率通过公式推导得到,并在每一次的迭代中进行替换和计算。改进的RBF神经网络在避免了人为选取学习率的不便时,同时可以让网络正常进行迭代学习,也可以提升网络的迭代速度。