随着信息技术的发展和众多互联网新型业务的兴起,云计算和大数据背景下的网络流量爆发式增长,网络带宽和网络传输速率不断提高。另一方面,当前正面临着严峻的网络安全形势,网络攻击事件频发,诸如DDo S攻击、端口扫描、蠕虫病毒等,影响正常的网络功能,造成网络拥塞和服务瘫痪。在此背景下,高速网络环境下的网络测量具有重大的研究价值,既可以帮助检测网络故障、实现网络自动化运维,也可以检测网络攻击、实现网络安全监测。网络流量具有明显的重尾分布特性,通过对大流的测量就能准确获取网络信息状态。大流检测是网络流量测量的重要组成部分,研究适用于高速网络的、准确高效的大流检测算法具有非常重要的意义。为此,本文对流量矩阵预测算法和基于流的Sketch算法进行研究,并将两者结合,设计了基于流量预测的高效分布式大流检测算法。具体内容包括:（1）设计了基于非负矩阵分解的网络链接预测算法。对于动态变化的网络图,节点作为实体,边为实体之间的关联,用邻接矩阵表征网络结构。首先通过基于非负矩阵分解的网络表示方法,将各个时间片的邻接矩阵分解为两个非负的系数矩阵和网络表示矩阵。然后将时间序列的多个分解过程进行结合,探索不同时段网络表示矩阵之间的相关性,求解统一的网络表示矩阵。最后基于统一的网络表示矩阵,实现对下个时间片网络快照的精准预测。（2）设计了流量矩阵预测算法。针对网络流量矩阵存在的高维、稀疏性问题,本文采用图概要技术进行压缩,将TCM图概要算法与基于非负矩阵分解的网络链接预测算法相结合,设计了一种流量矩阵预测算法。TCM算法处理高速报文流,得到多个压缩后的流量矩阵。然后对每个流量矩阵时间序列,应用基于非负矩阵分解的网络链接预测算法,最终得到预测的流量矩阵概要。（3）设计了基于流量矩阵预测的分布式大流检测算法。对于局部测量点,通过流量矩阵预测算法对下一时间片的大流进行精确预测。然后将预测大流部署到自适应过滤器中,实现大流的细粒度测量,其他流则插入TCM概要。本文在局部大流检测的基础上,设计了中央控制器和分布式交换机相互协同的分布式大流检测算法。在数据平面采用全局流长估计策略,极大地降低网络通信开销。基于流量矩阵预测还实现了大变化流检测功能,通过预测概要与观测概要之间的差值运算,获取流长变化,进而识别大变化流。（4）搭建了基于P4语言开发的数据平面可编程网络仿真系统。整个网络环境包含支持P4编程的BMv2软件交换机,网络模拟工具mininet,p4c编译器,以及定义控制平面和数据平面进行通信的接口P4Runtime。由P4实现数据平面的数据包转发和在线测量,控制器完成分布式大流检测任务,通过仿真系统设计,验证了本文算法在实际网络环境中应用的可行性。