当今计算机网络已经与人们工作和生活密不可分,网络的运行质量时刻影响着人们的日常工作与日常生活。网络运行态势感知,即通过采集到的网络运行数据解析出当前网络的运行状态并预测出网络未来的变化趋势,以便网络出现恶化时网络管理员能提前做出相应的对策。本文重点研究网络运行态势感知模型以及态势评估方法。提出了网络运行态势感知模型,结合本文改进的评估方法对网络运行数据进行态势分析,融合链路权重进而得到网络运行态势值。本文的研究内容及创新点如下:1.建立了网络运行态势感知模型。模型主要分为四层:网络管理层、规则层、态势决策层和态势预测层。2.本文采用模糊聚类作为网络运行态势感知的评估方法,针对模糊聚类方法的对初始聚类中心敏感、需要预先设定聚类数目这两个问题,本文提出了相应的解决办法。最后给出了一种改进的基于属性权重加权的模糊聚类算法。1)本文给出用样本密度来设定初始聚类中心,因为聚类中心是大部分样本较集中的样本点。2)本文给出了一个NL指标,即一个改进的模糊聚类有效性指标。通过自适应模糊聚类算法(AFCM)仿真结果显示,本指标优于L指标,即大概率在最优聚类数目处取得最大值。3)提出了改进的基于属性加权的模糊聚类算法,本文的属性权重的计算不同点在于本文采用主成分分析法(PCA)对样本的属性进行特征值分析,进而映射得到属性权重。3.网络运行态势仿真实验。使用美国科研教育网络作为仿真环境,使用PCA-FCM算法得到该网络的一个运行状态划分,并画出该网络运行一周的运行状态变化曲线图。