近年来,随着用户数量和业务种类的极速膨胀,互联网规模呈现爆炸式的增长,由于缺乏有效管理与控制,导致互联网流量和资源分布不均衡,网络拥塞的发生不可避免,成为影响网络性能的主要因素。目前互联网的拥塞控制主要是依靠基于源端的TCP拥塞控制机制,而被广泛使用的大多数多媒体业务采用没有拥塞控制机制的UDP协议,这将导致新的拥塞现象产生。由于路由器直接掌握着互联网上各种传输信息,能够有效检测到拥塞并能够全面地审视各个数据流对拥塞造成的影响,并且路由器支持多路径技术,能有效解决流量与资源分布不均衡问题,因此多路径传输机制下的网络拥塞控制成为国内外学者研究的热点。本文系统的阐述了网络拥塞产生的原因及特征,详细介绍了网络拥塞控制的研究现状,通过对路由器中流量分布的定量分析,确定了影响和限制网络性能的关键因素,进而建立了预测网络流量特性趋势的组合预测模型,为网络性能分析和评价提供了有效工具,在此基础上研究了拥塞控制体系,为缓解和避免网络拥塞提供了有效的解决方案。针对互联网对链路失效或负载突增等突发事件缺乏预警机制的问题,提出了基于指数平滑法的多路径丢包率预测算法。算法以每条路径上特定业务流的丢包率为观察值,利用指数平滑法进行丢包率预测,预测结果具有较好的准确性,适用于突发性较低、性能相对稳定的业务流。为进一步提高预测值的准确度,提出基于支持向量机的丢包率预测算法,通过对丢包率训练样本的回归估计,求得线性回归函数,并利用该函数得到丢包率的预测值。与基于指数平滑法的预测算法相比,算法具有较好的估计精度。考虑到对多路径上的负载进行重新均衡是缓解和避免网络拥塞的一种有效手段,提出了基于丢包率预测的负载均衡算法。以对丢包率敏感的业务流为研究对象,采用指数平滑预测算法为预测手段,利用预测的丢包率作为流量负载均衡的依据,将流量引入丢包率低的路径,有效地改善了网络性能。由于负载均衡的目标是满足用户对特定应用的QOS需求,从而使业务流的丢包率最小,同时又满足网络资源限制条件,提出了基于粒子群优化的负载均衡算法,将负载均衡问题转化为最优化问题进行分析。该算法将预测的丢包率作为已知量,丢包率最小作为目标函数,引入网络资源限制的约束条件,利用具有快速收敛特性的粒子群算法求解多路径间业务流均衡的比例,进而控制新到来的流量的转发过程。算法不仅改善了网络性能,而且提高了服务质量。为解决突发背景流量下的负载均衡问题,提出了基于ARIMA预测及粒子群优化的负载均衡算法。算法采用模型建模并预测路径丢包率,将预测结果作为以丢包率与链路利用率之和为目标函数的已知条件,并利用粒子群算法进行求解获得均衡比例。该算法不仅提高了服务质量,而且由于考虑了链路利用率对均衡效果的影响,可有效解决只满足用户对特定应用的QoS需求时导致的网络震荡问题。针对互联网实际运行时需综合处理并存的多条业务流问题,提出同构流环境下的负载均衡算法。该算法用数学语言描述了多条流的特性进行,从而将兼顾多条流特性的问题转化为优化问题,并采用粒子群算法进行求解均衡的比例。算法改善了多条流的丢包、延时、吞吐量等性能。考虑到互联网实际运行时需综合处理并存的弹性流与非弹性流两种异构的流量,提出了异构流环境下的负载均衡算法。算法以弹性流网络效用最大、非弹性流可靠性高为目标建立目标函数,以预测的网络性能作为已知量,网络的资源限制为约束条件,利用混合粒子群算法进行求解均衡比例。算法有效的保证了两种流量的特性需求。