随着网络技术的迅速发展,网络规模的日趋庞大和复杂以及网络应用类型的多样化,传统的网络管理已不能满足用户对QoS的更高要求。由于网络流量特征是网络性能分析、网络拓扑结构优化以及网络负载均衡等实现的基础,也是网络服务异常和故障发现的重要手段。因此网络流量的建模与预测对于大规模网络的规划设计、网络资源管理、用户行为调节以及网络异常和故障检测等方面都具有积极意义。目前,对网络流量特征的深入研究发现,网络流量的自相似性被认为是最重要的统计特征,如长相关性、突发连续性以及多重分形性等,这种特性不仅仅存在于Internet网络中,同时存在于无线网络、AdHoc网络以及卫星网络中。网络流量这种复杂的行为特性通常表现在大多数时间尺度和统计阶上的突发性,这使得传统的Poisson模型已不适应于目前网络流量的描述和预测。因此,自相似网络流量的建模与预测对于网络容量规划、异构网络的性能保证有很重要的作用。本文在分析了小波理论和马尔可夫链特性的基础上提出了一种基于小波变换和马尔可夫链的网络流量预测模型。该模型采用小波多尺度分解算法将网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将不同频率成分的系数单支重构为高频流量分量和低频流量分量,再通过马尔可夫链得到不同频率流量分量的预测值,最后将它们的合并值作为对原始网络流量的预测结果。本文采用校园网络出口流量数据作为测量分析对象,对该预测模型进行了单步和多步流量预测实验,并与几种现有的网络流量模型进行性能比较及分析。这些实验的结果证明了本文提出的流量预测模型的有效性和优越性。最后对本文的主要工作进行了总结,并针对本文提出的模型有待改进的地方和下一步的工作提出了几点看法。