随着Internent的快速发展,人们的生活方式和传统的信息交换方式也受到巨大的影响。伴随着各种各样的应用需求和网络规模越来越大,网络管理工作也越来越繁重和困难。网络拥塞、网络安全、网络故障等一系列问题时刻影响着信息社会的正常发展。网络流量的测量和预测对大规模网络管理、规划和设计具有非常重要的意义。本论文主要研究内容和特色如下:(1)通过查阅国内外相关文献资料,对网络流量测量方法进行研究。常用的3种测量技术是:SNMP测量、Packet Sniffing测量和Netflow测量。SNMP是通过提取网络设备(代理)提供的MIB(管理对象信息库)中收集的一些具体设备以及流量信息有关的变量进行测量的。Packet Sniffing是一种用网卡在链路层来获取网络流量的方法,使用时将它串接在需要捕捉流量的链路中,通过分流链路上的数字信号来获取流量信息。Netflow是一种数据交换方式,流量采集是基于网络设备提供的Netflow机制实现的。(2)介绍常用预测方法。如最小均方误差、神经网络、ARMA模型以及基于统计学习理论的支持向量机等。(3)通过NS2仿真器,结合支持向量机回归理论对模拟的网络流量进行预测实验。首先分析了NS2软件包的结构、仿真原理和流程,然后利用NS2模拟简单网络拓扑结构并产生流量数据,为了提高预测精度将原始数据进行差分处理,然后组织训练数据和检验数据,最后基于SVM建立预测模型,用训练数据训练模型参数,然后用检验数据进行流量预测,并分析结果,结果表明实验预测效果比较理想。(4)在仿真实验可行的基础上,采用Netflow技术对真实环境下的网络流量进行测量,并进行预测分析。在某网管中心的核心路由器上进行Netflow配置,并在一台PC机上通过Netflow相关工具进行Netflow包收集和流量计算。最后对真实数据进行预测分析,结果表明SVM预测方法对高非线性、抖动剧烈的流量数据预测效果较好。