随着网络技术的不断发展,现有网络体系越来越庞大且复杂,这使得理解各种网络行为变得困难,从而导致网络管理的难度增加,网络安全所面临的挑战也愈发凸显。正是由于这些原因,网络领域的研究者希望通过网络测量技术更好地理解网络行为,预测网络发展趋势。网络链路的可用带宽测量是网络性能测量的重要环节,对网络链路可用带宽的精确测量有助于我们更好地了解网络环境,而且可以在路由选择、网络拥塞控制和网络故障定位等场景提供有价值的信息,还可以督促互联网服务提供商提供有保障的服务。对于网络可用带宽的测量一般采用主动测量的方式。现有的网络可用带宽测量方法都存在许多问题,比如要求在测量期间背景流量恒定,测量速度较慢,测量入侵性过高以及在高速复杂的网络环境中精确度低等。这些问题导致现有的测量方法都无法满足当下的需要,所以亟待新的可用带宽测量方法的提出。针对上述问题,本论文从算法原理的角度对现有的可用带宽测量方法进行全面的调研,分析其测量原理存在的问题。通过搭建高度可靠可控的网络测试平台,将现有工具放到测试平台上进行实验性探究,从实际的运行情况分析各个可用带宽测量工具的性能效果。实验结果发现现有的可用带宽测量工具难以从测量精确度,测量速度和测量侵入性等方面都满足测量需要,尤其是在当下复杂高速的网络环境中,测量速度这一属性越来越重要。基于此,本文在传统的探测间隔测量模型的基础上,提出了一种新的可用带宽测量方法,该方法将机器学习方法与探测间隔模型相结合,使用包间间隔服从指数分布的探测流进行主动探测,该方法解决了传统方法在发生丢包需要重新测量的问题。实验结果表明此方法测量精度高,测量结果误差不超过5Mbps的概率在90%以上。测量速度快,可以在1秒内完成一次完整的测量。测量侵入性可控,每次测量仅仅向待测链路中发送2.4Mbit的探测流量。不过在测量期间可能造成低可用带宽链路的短时间阻塞。