随着网络通信技术的迅猛发展、网络应用的日益丰富，网络已经成为人类社会重要的基础设施，网络的性能及其运行稳定性成为了事关国家和社会发展的重要问题。作为认知网络的重要手段，网络测量技术是网络管理和网络行为研究的基础，也是进行网络优化、确保网络安全的重要前提。按照测量地域分类，网络测量包括局域网测量、接入网测量和光纤骨干网测量等方式。其中，光纤骨干网测量可以实现大范围、多用户的广域测量，是网络测量领域的研究热点。传统的网络测量研究主要集中在报文（数据包）层次，这导致后端管理系统需要处理和分析的信息量巨大，并且其测量相对平等地对待每个报文，不能获得报文间的内在联系及更高层次的信息，很难满足日益复杂的网络行为的观测及相关网络管理和优化的需求。为弥补报文层次网络测量的不足，基于流粒度的网络测量引起了国内外研究机构的广泛关注。如何利用有限的硬件计算、存储资源实现光纤骨干网的实时流测量，是一项极具挑战性和实用性的研究课题。为此，本文在总结和分析国内外已有研究工作的基础上，对光纤骨干网实时流测量中的IP包实时提取、IP包实时流匹配、流超时判定机制、大象流测量等关键技术进行了深入研究。论文的主要研究内容与创新点归纳如下：1．从最优化利用硬件资源的角度出发，对光纤骨干网IP包提取流程中的并行解扰算法进行了深入研究，提出了一种基于资源最优化的并行解扰算法ROPDA。相对于基于逻辑设计的并行解扰算法，ROPDA算法节省了系统的逻辑资源，降低了系统的复杂度，提高了系统的性能；相对于基于查找表结构的并行解扰算法，ROPDA算法可以运行在较少的片内存储资源的场合；此外，ROPDA算法的相关参数能够根据系统实际逻辑资源与片内存储资源的剩余情况进行灵活调整。依据光纤骨干网IP包实时提取的流程，设计并实现了光纤骨干网IP包实时提取平台。测试结果表明：该平台能够满足光纤骨干网IP包实时提取任务需求。2．为确保IP包流匹配的实时性，匹配算法的时间复杂度必须为O（1）。针对TCAM（Ternary Content Addressable Memory）器件虽然可以实现时间复杂度为O（1）的匹配查询，但其能容纳的匹配条目无法满足光纤骨干网百万数量级并发流的问题，设计了一种基于两层异或Hash和TCAM的IP包实时流匹配算法RFMA-HT。利用异或Hash算法对IP包五元组进行转换以降低对存储空间的需求，同时通过开辟三级存储空间解决了匹配冲突问题。从时间复杂度、空间复杂度以及处理速度与实现三个方面分析了RFMA-HT算法的可行性，并利用实际的光纤骨干网数据对RFMA-HT算法进行了验证。测试结果表明：RFMA-HT算法具有较低的运算复杂度和冲突率，能够满足光纤骨干网IP包实时流匹配的需求。3．针对光纤骨干网中存在的单包流占据系统大量资源的现象，研究了光纤骨干网单包流的特性，提出了一种基于单包流优化的流超时判定算法SFOTS。SFOTS算法利用单包流的特性及早发现单包流并通过设置较小的超时值将其尽早从测量系统中剔除，以提高系统资源利用性能。论文对SFOTS算法相关参数的选择进行了详细的理论分析，并利用实际的光纤骨干网数据对SFOTS算法的性能进行了评估。测试结果表明：SFOTS算法在保证判定准确性的同时对系统存储资源要求较低，特别是在网络攻击或蠕虫爆发等异常情况发生时，SFOTS算法具有更佳的性能优势，确保了测量系统的可靠运行。4．针对现有大象流测量算法存在的判断机制单一、测量粒度偏大、测量结果不稳定等缺点，提出了一种基于三级LRU和状态保持的大象流测量算法3LRU+Hold。3LRU+Hold算法以测量时间片为周期，在每个测量时间片内根据流所包含的IP包个数对流进行分类，将长流、中流、短流分开处理，对准大象流进行保护；在每个测量时间片结束时，对准大象流及大象流的相关状态信息进行保持、更新。论文对3LRU+Hold算法相关参数的选择以及算法的可行性进行了详细的理论分析，并利用实际的光纤骨干网数据和Opnet网络仿真软件，从算法的准确性和测量结果的稳定性两个方面将3LRU+Hold算法与其它算法进行了实验对比。测试结果表明：3LRU+Hold算法对大象流的测量准确性优于LRU算法，且与Sample and Hold、Multistage Filters和LRU等算法相比，3LRU+Hold算法增强了大象流测量结果的稳定性。综上所述，针对光纤骨干网实时流测量中的若干关键问题，本文的研究工作提出了有效的解决方案，为下一步构建光纤骨干网实时流测量系统、推进网络综合管理和网络行为分析等应用提供了基本的理论和技术支持。