近年来,随着边缘计算、软件定义网络等网络新技术的出现,网络规模日益扩大,异构性和复杂性不断提高,网络运维数据呈现出大规模数据关联、交叉和融合的局面。在网络运行过程中,节点运行时的多维运行指标(如CPU占用率、内存占用率、硬盘读写速度等)作为体现网络运行状态的重要数据之一,其多维属性之间并不是独立变化的。因此,需要利用数据融合技术对节点的多维关联运行指标进行综合分析,从而得到对网络状态更精确的描述,这对于评估网络当前的运行状态、检测网络攻击或异常、协助故障预警等都具有重要的意义。目前基于相关性的数据融合技术已经有了较大的发展。但是,这些研究还存在着一些局限性。例如,大多数数据融合技术主要针对多来源的单一属性数据进行分析融合,但忽略了多维数据相关性问题;在数据源可能存在异常甚至遭受攻击的情况下,大多数数据融合技术无法达到合理度量冲突大小、修正异常数据从而解决数据冲突问题的效果。为了更好地衡量网络节点多维数据的相关性并提高多维数据融合方法的准确性,本文提出了一种基于相关性分析的多维数据融合方法。首先提出一种基于网络节点社团划分的相关性分析方法,引入社团划分理论将相似度较高的节点划分至同一社团,随后提出基于社团相关性的多维数据融合方法,利用社团相关性区分正常证据和异常证据,并对同一社团内(即相关性较高)网络节点的多维属性数据进行融合,从而为有效评估相似节点的运行状态提供支撑。首先,针对目前相关性分析存在时间复杂度较高、无法有效度量多维数据相关性的问题,本文提出一种基于网络节点社团划分的相关性分析算法。该方法首先引入局部保持投影对节点属性进行降维,并改进最大信息系数用于计算节点的总体相关性,构建一个节点相似度网络。然后,利用改进随机块模型探测节点相似度网络的拓扑属性,并将节点自身多维属性数据建模为高斯混合模型,建立似然概率模型,利用EM算法进行求解,从而将网络中相似度较高的节点划分至同一社团。我们对本文算法进行仿真实验,与现有GN、LPA、SBM等节点相关性划分算法对比,本文算法在NMI、ARI、Q等各项指标上均有较大幅度提升。然后,针对D-S证据理论中存在异常证据导致的证据冲突、无法有效融合多维数据的问题,本文提出一种基于社团相关性的多维数据融合方法。该方法根据改进最大信息系数构建节点间的相关性矩阵,利用社团相关性区分正常证据与可能的异常证据,并引入冲突系数对可能存在异常的证据的BPA进行修正,从而将节点数据转化为D-S证据理论中的证据。然后,通过社团内各个证据的BPA构造识别框架上各命题的区间数,引入有序加权平均算子对融合规则进行改进,使得冲突证据的负面影响进一步降低,得到最终的融合结果。仿真实验结果表明,本文算法可以合理有效地处理冲突证据,并提高多维数据融合方法的准确率。