在当今时代,智能终端设备已经普及,各种智能终端层出不穷,人们对于智能手机的使用方式已经发生很大改变,从传统的通话和短信业务转移到了基于智能手机应用的使用方式,而这一改变也导致了在一些典型场景下(如演唱会,体育比赛等)容易发生很多特殊情况,如基站端过载等。在3G和LTE网络环境下,基站端过载的发生更加的普遍。传统的过载场景发生通常都是由一定的条件触发,如发生灾难等,而现如今过载发生变得更加平常化。传统的基于话统信息的建模,已经无法很好的反应3G和LTE网络下由智能手机应用流量引发的过载场景。因此如何基于智能手机应用流量和基站的话统信息还原出一些典型场景下用户使用应用的情况就变得更加重要。本文主要研究了如何基于智能手机应用流量和基站的话统信息对一些典型场景进行还原,分析当前场景下用户使用应用的行为,以便使得在某些典型场景下,能够提前暴露风险。本文首先给出了典型智能手机应用流量提取工具的设计与实现,能够在安卓(Android)平台上对典型应用的流量进行抓取,并利用具有地区自适应指纹特点的朴素贝叶斯算法对抓取到的流量进行分类,以获得纯净的手机应用流量。在获得应用的样本流量之后,使用基于马尔可夫模型优化的流量建模算法对应用流量进行建模,利用建立的模型来生成典型应用的流量用于仿真。基于移动应用的流量模型和基站的话统参数,来对当前场景进行还原,还原出当前场景下用户使用应用的情况。利用根据应用流量模型生成的应用流量预测话统参数,然后最小化其和真实话统参数之间的差值,将场景还原问题转化为优化问题进行求解,最终得到当前场景下不同应用的使用人数。最后本文通过仿真实验,对流量建模方案和场景类仿真方案进行验证。验证结果表明流量建模方案能够很好的反应应用流量的特点,还原应用使用过程中的上行流量和下行流量之间的关系以及流量的突发性。场景类仿真的结果证明了场景类仿真方案的有效性,能够很好的还原出场景中用户使用应用的情况,结果误差在可接受范围内。