在大规模网络数据流量中,为了保证传输的质量网络监控是必不可少的。然而,对于所有传输对之间的网络性能进行全网测量是不可行的。矩阵填充作为一种新兴的稀疏表征技术,其允许仅使用少量的随机采样数据去恢复一个低秩矩阵。尽管矩阵的数据特征(矩阵的秩)随着时间改变,而现有的采样方案常常假设矩阵的秩已知,故采样的数目固定,并未考虑矩阵秩变化的问题。本文在考虑矩阵秩变化的情况下,主要对大型网络中矩阵采样位置的有效性和如何加速采样两个方面进行深入研究,主要的工作及创新点如下:1.针对大型网络中如何确定有效的采样位置问题,基于随机采样和采样停止条件设计了一种两阶段的Coherence采样方案。该方案在采样过程中,利用随机均匀采样获取的观测数据计算出剩余未采样位置的Coherence值,判断下一阶段可能的采样位置。使用该方案可以精确获取下一阶段所有可能采样位置元素所包含的信息量,提高了采样的精准性。通过最后的仿真和参数性能分析,该方案有效地减少了采样数量大大节约了采样花销,具有一定的可行性。2.针对大型网络中如何加快采样速度的问题,本文提出了一种基于加速奇异值分解(FSVD)的方法来降低矩阵维度。由于在Coherence方案采样过程中,利用Coherence值确定采样位置,需要经过反复迭代,直至满足采样停止条件结束采集。而在此过程中,数据规模庞大,迭代过程等待时间较长,大大降低了矩阵恢复的效率。为了加速矩阵填充,矩阵降维至关重要。本文利用真实数据集自身仿真实验,表明该方案能够在降维的情况下加速采样,极大的降低了计算代价。综上所述,本文针对在大型网络中面临的数据结构复杂、采样数据多和处理速度慢等问题,就如何采样更少的数据以及如何更快的速度采集数据进行了深入研究,研究方案适用于不同领域的网络需求。