互联网已经由简单可控的小型网络,发展成为多种业务、多种平台、多种终端的大规模复杂网络。然而互联网缺乏统一的管理和控制,且高度异构,从而无法及时而准确地描述网络内部的各种状态参数及其变化情况,如链路丢包率、链路延迟、链路带宽、网络拓扑结构等。为了提高互联网的管理和控制水平,进而优化配置网络资源,一种新的估计网络内部参数的方法——“网络层析成像”,成为了学术界和工业界共同关注的前沿课题。网络层析成像主要是基于端到端的路径级网络测量数据,利用统计学方法,估计网络内部的链路级参数。传统的网络层析成像方法假设链路参数的概率密度函数在探测周期内是不随时间变化而变化的,即平稳网络层析成像,但是这种方法不能反映真实网络的时变特性,从而难以实时追踪网络内部状态参数的变化情况。针对传统网络层析成像方法在测量非平稳网络参数方面的不足,本文提出了非平稳网络环境下的丢包率估计问题,将链路丢包率看作非平稳的随机信号实时地进行追踪,解决了现有平稳网络层析成像丢包模型难以追踪链路丢包率随时间变化而发生波动的问题,能以较小的代价获得网络链路丢包率的变化情况。为了求解非平稳网络丢包率估计问题,本文借鉴解决反演适定性问题的理论基础,提出了递归神经网络和最优化反演两种不同的估计方法。其中递归神经网络主要是利用先验信息或部分网络协作信息对RMLP网络进行训练,建立路径传输率向量和链路传输率向量的映射关系,从而估计非平稳网络的丢包率。最优化反演估计方法主要利用背靠背探测包对中两个分组经过共享链路时表现出来的相关性,收集更多的统计信息,从而将欠定问题转换成为超定问题,以实现在网络各个节点完全不协作的情况下求解非平稳网络的丢包率。我们采用NS2仿真工具进行了实验,建立了统一的仿真模型,分别验证了两种估计方法能够自适应非平稳网络丢包率随时间变化而产生的波动,以实时追踪网络内部链路的丢包率。并根据实验结果,对这两种估计方法做了进一步的比较。