网络测量自从网络技术诞生之初就开始存在,并且随着网络技术的发展而不断演进。而如今云计算与网络虚拟化技术的出现与蓬勃发展,使得云网络（Cloud Network）对网络架构、规模以及监控目标、手段都产生了如下的新的挑战:1)网络规模不断扩大;2)网络监控数据粒度多样化;3)网络虚拟化隐藏用户信息;4)云网络资源竞争加剧。在此背景下,新的网络架构和技术的出现,对于云计算环境的网络测量也提供了技术上的便利和机遇,其中影响力最大的当属软件定义网络（Software-defined Networking,SDN）架构的普及。软件定义网络架构实现了网络控制和转发的分离,赋予了交换节点灵活配置流表匹配规则的开放协议,目前已经成为业界广泛支持的架构。SDN的出现使得网络的全网拓扑、链路等信息可以方便的由控制器（Controller）集中获取,并且由于其允许对于网络交换行为的精细控制,使得网络的测量方式和控制方式都得到了创新的空间。另一方面,在网络测量的结果的分析和处理方面,针对传统因特网和传输网的流量分类和识别,已有很多工作。其中主要方法多为利用流量测量结果中的报文大小、到达时间等特征进行分类,而在云计算环境中,测量的粒度和维度可以多样化,网络流量也由于租户的存在出现了集团化,因此结合更多维度的数据（如云计算环境计算、存储等资源的监控）可以针对网络进行区块化分类和统计。另一方面,网络流量的预测也是网络测量和监控的重要一环。传统网络流量预测大多针对单一流或汇聚链路进行基于时间序列的预测,其准确度主要依赖于网络流量的规律性及所应用预测模型的优化,但这类预测方式缺少对于时间粒度的缩放能力。另外一种预测是基于网络流量时间平均值得预测方法,更着眼于长时间预测模型,但在云计算环境中,这种平均算法往往会抹平网络流量本身的突发特性,而这种突发行为对于多租户共享的网络环境是具有重要影响的。综上所述,网络的监控需要多维度、多粒度的数据采集和关联分析,才能够实现有效的网络性能感知。由于资源池中多种资源的关联,网络流量的分析可以受益于其他资源的监控数据。针对不同的时间粒度,网络流量的分析和预测需要采用采用相对应的统计方法。本文以软件定义网络为背景,针对云网络的上述测量挑战展开具体研究,并在新的测量方法基础上对网络流量、性能展开深度的分析、预测和控制。主要包含内容如下四个部分:1.面向租户的SDN的云网络测量针对目前云计算环境对网络测量所带来的新的挑战及问题,结合SDN的特性设计SDN云环境中的网络边界、网络路径多层次测量方法。其中,边界测量是通过部署在网络边界（即网络虚拟化技术作用点,如虚拟机到物理交换机之间的部分）的软件交换机进行虚拟网络流量的测量与统计,而路径测量则是通过网络中的物理硬件交换机对于SDN的支持特性进行在报文传输路径上的抽取和测量。在此基础上,基于多层次测量数据抽象出面向租户的虚拟网络拓扑及网络状态测量结果,并提出动态网络流量环境下的部分链路监控算法,在保证虚拟网络测量准确度的同时减少SDN路径测量开销。2.基于SDN测量的云网络性能推断针对目前云网络难以获取虚拟网络性能测量结果,网络流量抽取测量开销过大无法覆盖全网的问题,本文研究利用SDN的特性对网络流量进行部分获取和分析,并利用其结果补充端到端的网络推断,从而实现云计算SDN网络中的应用级别的流量性能测量。通过利用SDN部分流量抽取的信息,本文对传统的端到端网络推断问题进行了测量增强的模型补充,从而将原有的不满秩多元线性方程组变化为可以求解的问题,并且从理论上证明了问题的普适性与可解性,证明了在大多数网络拓扑场景下,只需要通过一小部分流量的镜像测量即可完成网络推断模型的补充。进一步的,本文提出了镜像流选择算法,综合考虑了流量的大小、时间和路由情况,尽可能在算法稳定有效的前提下减小SDN镜像测量的开销。实验证明,SDN镜像增强的网络断层扫描方法在各类拓扑和网络流量的情形下均表现了良好的扩展性,同时本文在实际云网络环境中部署并测试的结果表明其具有良好的测量准确度与测量效率,并且结合实际业务流的压力测试,本文证明该方案可以进一步适用于大规模的云网络中。3.基于SDN测量的云网络干扰流量预测针对云网络中干扰流量（即网络需求高的用户影响相邻用户性能）的问题,本文对于SDN云计算环境中网络边界的业务流带宽数据进行分析和研究,给出基于统计特征的业务流时序数据分段算法,并在此基础上提出长周期的业务流数据统计特性预测方法。对于测量所得的时间序列频次高、数据量大、增长快、难预测的问题,本文提出了基于统计特征的时间序列分段算法,将实时增长的时间序列划分为具有不同统计特性的分段,进一步通过各分段的特征提取和标记,从而对下一时刻的网络流量统计特性进行预测,给出后面较长时间该网络流成为干扰流量的可能性估计。实验表明,本文提出的统计分段算法能够有效的识别用户的业务模式并区分不同的应用阶段,因此使得后续的特征提取及预测具有良好的可解释性。另一方面,时间序列的分段压缩在明显减少预测计算开销的同时完整的保留了网络流量的突发、抖动、带宽变化等特性,从而保证了良好的干扰流量预测准确率。4.基于实时测量的SDN网络边界流量控制针对多租户的云计算环境中网络资源分配的公平性及带宽性能难以得到保证的问题,提出了针对云网络虚拟化环境的网络公平性原则以及相应的网络带宽保证模型,并在此基础上设计了基于网络边界分布式测量与控制的云计算环境网络带宽保证实现方案,针对不同的网络带宽保证模型设计了相应的边界流量控制算法。进一步的,针对网路中多对一通信可能造成的拥塞问题,设计了接收端的流量统计与拥塞反馈算法,以及时对网络中的发送端流量进行相应比例的带宽压制,保证特定流量的传输资源。实验表明,本章的方案可以较好的解决云计算环境下多用户网络带宽竞争的公平性及保证性问题,同时在网络出现拥塞的情况下可以有效的通过反馈控制避免拥塞的进一步加剧,利于保证带宽的实现。