无线多跳网由于节点移动性强、节点无规律地加入或退出网络、网络遭受攻击或随机故障、通信场景复杂多变等多种因素导致拓扑结构复杂多变。传统的拓扑指标方案侧重于描述拓扑的静态特征,对无线多跳网拓扑的动态特征掌握不足,且缺乏高效的特征融合机制,可能因为片面的信息得出错误的结论。本文提出一种无线多跳网拓扑态势感知和分析方法,主要包括无线多跳网拓扑态势因子构建、拓扑态势分析、拓扑态势预测等关键技术。该方法有效融合了无线多跳网拓扑态势相关数据,展现了更为准确的网络拓扑状态信息,为无线多跳网路由协议参数的调优、网络性能的改善提供决策支持。本文的工作分为三部分。本文的第一部分工作是构建拓扑态势因子。首先,在全面分析无线多跳网中拓扑态势影响因素的基础上,构建无线多跳网拓扑态势初始指标集。然后,基于Pearson积矩系数对初始指标集进行相关性分析,并通过简化规则对初始指标集进行精简,构建拓扑态势因子。最后,利用k-Medoids算法分别对初始指标集和态势因子聚类,通过对两者聚类结果计算Rand Index,验证态势因子相较于初始指标集,仍然具有较高的完整性和低冗余性。第二部分工作,提出一种拓扑态势分析方法。态势因子只是数据集合,不便于对拓扑的状态做出直观的解释。首先针对态势因子样本,利用k-Medoids聚类分析和专家确认获得态势标签。然后,利用SVM分类器对拓扑态势进行连通性和动态性分析,并基于k-折交叉验证法评估分类器模型的准确率。最后,在动态性态势分析有效性验证实验中,比较拓扑动态性态势分析和平均相对移动速度指标的差异,实验结果表明:动态性态势分析不仅有效融合了多个用于描述拓扑动态性的指标信息,而且能实时、准确地描述网络拓扑的动态特性的变化趋势。第三部分工作,进行拓扑态势预测研究。态势预测是指对拓扑态势的未来趋势做出预测,能提高网管人员对拓扑状态的认知。本文首先给出了基于SVM算法的拓扑态势预测基本流程,接着设计三组实验,探究拓扑态势因子的可预测性。前两组实验结果表明在特定的网络场景下,对拓扑连通性态势因子的预测能取得较好的预测效果。第二组实验中,表征拓扑动态特性的平均邻居变化数指标表现出急剧变化、无规律的特征,预测效果欠佳。第三组实验在网络动态性周期变化的条件下,探究平均邻居变化数均值的可预测性。实验结果表明,大多数预测值与真实值之间偏差较小,预测方案总体上是可行的。