虚拟试验广泛应用于军工试验与测试领域,已成为现代靶场考评武器装备性能的重要手段。武器装备的虚拟试验系统由实物装备、虚拟模型和半实物三种形态的试验资源,按照试验任务需求综合集成后,依托虚拟试验网络而构建。虚拟试验网络一般由地理上分散的多靶场之间的专用试验网络构成,试验过程中大量的数据交互,容易造成网络局部拥塞,传输性能恶化,从而导致系统时空一致性被破坏,影响虚拟试验系统的整体性能。通过实时准确地获取网络内部参数信息,并根据网络参数的变化对系统进行动态优化、调整和重新部署,可以迅速地改善虚拟试验网络的传输性能,从而提高虚拟试验系统的整体性能。随着虚拟试验网络的非协作性特征越来越明显,通过传统的直接测量模式获取网络内部参数的方法,由于需要内部节点的协作,越来越无法满足虚拟试验的需求。近年来,国际上提出的网络层析成像技术,通过在网络边缘获取的端到端测量数据,估计网络内部参数信息。该方法不需要内部节点的协作,能有效解决虚拟试验网络非协作性带来的问题,但现有方法还存在算法复杂度较高,估计效率较低等问题。而在虚拟试验系统中,由于需要实时根据当前网络传输状态对系统进行动态优化,因此对网络参数获取方法的效率有较高要求。本文在层析成像技术框架下,对虚拟试验网络参数估计方法进行研究,旨在解决现有方法存在的问题,提高网络参数估计方法的性能,为虚拟试验系统性能优化提供依据,具体内容如下:虚拟试验网络负载随其承载的试验任务快速变化。而现有基于层析成像的拓扑估计方法,在估计节点对相似度时,一般将背景流视为零均值随机噪声,采用观测样本均值作为节点对相似度的估计值,未充分考虑背景流影响,导致估计精度受背景流影响较大。此外,虚拟试验网络拓扑动态变化,而现有针对节点集合动态变化的拓扑估计方法由于采用逐层搜索或穷举搜索方法对拓扑进行更新,导致算法效率较低。针对这两个问题,本文提出一种基于探测包重组和公共路径匹配的拓扑估计方法。该方法根据背景流影响对“三明治”包中两个小包进行排序重组,利用重组后的“三明治”包对节点对相似度进行估计,以降低背景流影响,从而提高拓扑估计准确性;利用TTL(Time-To-Live)跳数信息选择匹配路径,对新加入节点按照公共路径长度进行匹配,搜索其在网络中插入位置,减少测量过程中所需的探测次数,提高拓扑估计的效率。实验结果表明,该算法能够有效提高网络拓扑估计的准确性和效率。虚拟试验对网络参数估计方法的效率有较高要求,而现有单源网络链路丢包率估计方法效率较低,且在估计精度和计算速度方面相互制约,难以满足虚拟试验的需求。针对该问题,本文提出了一种基于EM算法的单源网络链路丢包率快速估计方法。该方法通过选择合理的链路丢包率初始值以减少迭代次数;根据端到端测量结果将网络拓扑划分为传输状态确定性区域和非确定性区域,避免确定性区域冗余分解造成的时间开销;通过对非确定性区域子树丢包模式按层分解,以子树丢包模式为基本计算单元,减少非确定性区域子树丢包模式的重复分解过程,提高链路丢包率计算速度。实验结果表明,该方法能在不损失测量精度的前提下,减少链路丢包率测量总时间,提高测量速度。为解决多源网络链路丢包率估计问题,通过对现有采用高阶方程组对探测结果相关性建模的方法进行分析,发现高阶方程组的阶数由网络内部节点的度数决定,而高阶方程组的阶数直接决定了算法复杂度。当网络节点度数较高时,算法复杂度较高。针对该问题,本文提出一种基于拓扑变换的多源网络链路丢包率估计方法。该方法根据高阶方程组的阶数与网络内部节点度数的关系,采用最小均方误差准则选择最优拓扑变换方案,通过减少变换后拓扑内部节点分支个数,降低高阶方程组的阶数,从而降低算法的计算复杂度。实验结果表明,该方法能在保持算法估计精度不变的条件下,有效地降低算法复杂度。