近年来,随着ICT产业的爆炸式发展,网络设备的数量以及随之产生的网络负荷不断增长,随着认知无线电、协作中继以及D2D等新型网络技术的出现,网络的种类与复杂程度不断提高,这使得网络的适用性与利用率面临新的挑战。同时由于能源和环境问题突显,工业界和学术界对通信网络的能量利用率提出了新的要求。本文针对当前拓扑管理效率较低以及能源利用率低的两大现状,通过引入网络态势感知技术,建立模型并提出拓扑管理策略。网络态势感知(cyberspace situational awareness,简称 CSA)自提出就广受关注,并已经应用在网络安全领域。论文通过调研CSA的系统模型,通过分层的方法全面的学习CSA系统模型,并针对模型第二层数据处理层,将其与更加适合进行数据处理的数据挖掘技术相结合,进行了信息分类与预测的研究工作。论文在原有K-means聚类算法的基础上提出了基于真实网络反馈的K-means聚类算法,该算法通过在聚类过程中引入真实反馈,使聚类过程加入了人为的训练,使最后产生的聚类结果能够更加贴合实际更加容易被人理解;同时采用两种经典预测算法——BP神经网络预测算法以及马尔可夫预测模型作为基础算法,提出了新的改进算法,该算法通过联合两者的预测结果,不断抑制预测误差的积累,从而达到减少预测结果的误差及预测结果的波动的目的。论文还研究了具有绿色能源供电的通信网络面临的拓扑管理问题。考虑绿色能源的不稳定性,提出了结合绿色能源的拓扑管理算法,能够提高绿色能源的利用率。论文分别对改进的信息分类、信息预测算法、结合绿色能源的拓扑管理算法进行了仿真分析。