随着互联网不断发展、用户数量不断攀升和网络应用不断演化,网络研究机构需要开发新算法、新协议、新系统等,在开发过程综合评估是关键步骤。因此能够生成规模可变的、可调的和有代表性网络流量的流量生成系统是至关重要的。　　大量研究结果说明,当前网络流量与传统网络流量最大的差别就是具有自相似性,同时它还具有分形特性。以往的网络流量建模是基于packet、基于flow或者基于特定业务行为的重建,本文提出了基于网络用户的研究方向。　　本文的聚合网络流量建模方法命名为Two-tier,这两层分别是用户层和数据包层。聚合网络流量是由多个网络用户数据源依次到达组成的,而每个网络用户数据源是由多个数据包依次到达组成的。用户数据源的到达、用户数据源的持续时间、数据包的到达和数据包的大小等深刻影响着网络流量的突发性和自相似性。本文主要研究和实现了这四个维度信息的特性提取、分析、生成和验证。　　本文聚合网络流量建模算法的实现,包括统计方法、Markov Chain模型方法和Multi-fractal Wavelet Model(MWM)方法。这三种方法的实现原理各不相同,统计方法着重考虑流量数据的一阶统计特性,对原始数据进行八种统计分布的拟合,选出符合条件的统计分布后,进行参数估计,根据获取的参数进行流量生成。Markov Chain模型方法能够生成可量化的流量数据,同时能够很好地刻画流量数据的一阶特性。Multi-fractal Wavelet Model(MWM)方法主要实现流量数据的二阶自相似性,虽然能够体现流量数据的一阶特性,但是没有Markov Chain模型方法理想。本文根据四个维度数据的特性,分别选取不同的实现方法并进行实验评估。