网络流量测量是指对网络中的流量信息进行统计,进而为流量规划、入侵检测以及网络异常检测等网络管理应用提供输入信息。传统网络架构存在许多缺陷,例如缺乏灵活的控制能力和基本的网络测量功能,从而导致测量任务实施复杂,支持的测量粒度粗,测量准确性低等问题。而在可编程网络中,由于交换机具有可编程性,因此可以在交换机上灵活地部署定制的网络流量测量功能,为细粒度的网络流量测量奠定了基础。本文主要对可编程网络中的流量测量进行研究。在可编程网络中,测量节点上的计算和高速存储资源受限,单个测量节点上流量测量的准确度会随着测量流的数量增加而下降。如果能充分利用网络中各个测量节点的能力,在测量节点之间建立协作式流量测量机制,使各个测量节点分别测量不同的流,那么就可以有效地减少单个测量节点上所需要测量的流的数量,这不仅能提高测量资源的利用效率,还能增加流量测量准确度。因此,本文首先对协作式流量测量机制进行了研究,提出了一种高效的测量节点分配算法。实验结果表明,该方法可以有效地增强测量节点之间的协作性;在降低各个节点测量负载的同时,提高了流量测量的准确度与大流识别准确率。已有研究表明网络流量特征一般满足二八定律,即20%的流产生了80%的网络流量,这20%的流也因此被称作大象流,而其他80%的流被称作蚂蚁流。大象流对网络链路负载与时延的影响要远大于蚂蚁流,因此对大象流进行识别是网络流量测量的主要任务之一。现有的大流识别方法一般基于流大小测量方法,其需要较长的统计周期,从而实时性差。为了解决这一问题,本文提出了一种基于窗口统计+机器学习的大流快速识别方法,该方法首先统计落入一个较小窗口中的数据包信息,然后根据数据包统计信息,使用机器学习分类算法来区分大小流。实验结果表明,该方法具有统计周期短和复杂度低的优点。当前的网络流量负载均衡方法需要获取准确的流量大小信息作为输入,而这些信息只有在单个测量周期结束后才进行流量统计,不能及时输入到负载均衡应用中,进而拖慢了网络负载均衡的反应速度。为了提高负载均衡对网络流量变化的响应速度,本文提出了一个基于大流快速识别的负载均衡方法,该方法使用大流快速识别方法在单个节点上将流量分类为大流与小流,根据分类结果直接确定流量的转发策略,从而实现了网络负载均衡对流量变化的实时响应。实验表明该方法反应迅速、切分流量少、实时性强、负载均衡效果好。