随着网络技术的快速发展，网络业务流量急剧增加，导致互联网复杂性变高，并带来诸如网络拥塞等一系列威胁网络安全的问题。研究表明网络流量数据的自相似性、长相关性、多分行性和周期性等重要特性已经在很多方面有了广泛应用，自相似理论和流量预测更是在网络流量研究领域占据着重要地位。网络流量数据在很大程度上依赖于它的自相似性和高度非线性，导致这些特点很难完全被预测模型全部捕获。通过对过去时刻网络流量状况的观察分析并预测将来时刻网络流量的特征，给网络的监控、资源管理、威胁检测、异常活动等提供了可靠的依据。同时也可以让管理人员对网络流量实时的特征加以掌握，利用这些信息合理规划配置校园网，保障校园网络的正常运行。因此，为了提高对网络流量的分析和预测能力，本文通过对校园网进行深入的研究并对其规律特征加以分析，利用实际的网络环境和流量数据，建立更加精准的校园网流量预测模型。
　　本文首先对校园网络流量的自相似性特性进行了研究，结合校园网整体网络拓扑架构，通过对校园网流量数据的长期性、突发性和周期性进行分析，将一种基于EMD经验模态变换和R/S分析结合计算Hurst值的方法应用到校园网流量自相似性过程中，通过不同时间尺度上的校园网流量，对该方法和普通R/S分析方法计算的结果进行了比较。其次，在验证了校园网流量自相似性和EMD处理网络流量数据的适应性后，提出一种基于EMD和Adam优化的循环神经网络流量混合预测模型，对校园网6个月的真实流量数据进行预测研究，并对模型的性能进行评估和比较。
　　从实验结果看出，校园网流量是存在自相似性的特性的，并且日间自相似性Hurst值要普遍比夜间Hurst值大一些。对校园网这种具有周期性和规律性的局域网来说，直接对其进行流量自相似性Hurst值的计算无法对异常流量进行更好的监测。通过对采集的初始网络流量时间序列信息进行EMD变换的预处理，这种变换过程可以消除影响网络流量自相似性中的趋势项。通过这种方法，对提高自相似性Hurst值的计算有一定的效果，进行EMD变换后的网络流量时间序列信息并不会改变它原本存在的自相似性特性。由于网络流量数据本身有它自相似性、长相关性等众多独有的特性，在考虑自相关特性时结合有关校校园网自相似性的研究，将LSTM与EMD分离趋势项祛噪的优点结合起来。并利用Adam优化器对网络模型进行优化，最终的实验研究发现与EMD经验模态结合的方法确实能够在一定程度上提高模型预测精度。