互联网经过多年的飞速发展，已经成为信息社会的基础性设施，其重要性和深远影响持续加剧的势头有增无减。网络流量研究及其控制是保证互联网实时业务传送质量的关键问题之一，历来是业界关注的焦点和研究的热点。Leland等人在90年代初第一次明确提出了网络流量中存在着自相似现象以来，研究人员发现不论网络的拓扑和业务如何，网络流量中都能检测到自相似特性，其中赫斯特参数是评估自相似性的重要参数。 本文以小波提升框架为基础，结合相关系数分析法，给出了自适应的赫斯特参数估计方法，与传统的小波估计法相比，本法执行原位计算，使计算复杂性减少了约一半。同时该方法在一般意义上是无偏的。分形高斯噪声和真实突发网络数据的仿真结果均表明，自适应方法比传统估计方法具有更高的估计精度，能够自适应地选择最优尺度区间，因此可望应用于高速网络的网络管理和实时控制。 分布式拒绝服务(DistributedDenialofService，DDoS)攻击是是目前Internet上最难防范的攻击方式，当今网络安全领域最难解决的问题之一。其中重要的原因在于网络上大量不安全机器的存在，DDoS攻击工具的广泛可获得性以及攻击者通常采用假冒的源IP地址。因此，准确快速地检测DDoS攻击的发生成为计算机网络安全方面重要的研究课题。 网络业务流的自相似性在受到DDoS攻击时会发生变化，赫斯特参数是表征网络业务流自相似性的重要参数，利用赫斯特参数值的变化检测DDoS是一个有效的方法。本文使用NS2模拟分布式拒绝服务攻击，利用小波方法对受到攻击的不同业务流的采样样本进行分析，实验结果表明，采样方法与赫斯特参数值的估计有极其重要的联系，同时论证了发生这种联系的原因。 同时，以小波法估计赫斯特参数为基础，由NS2仿真实验的结果分析出DDoS攻击时流量样本与赫斯特参数的关系，采用滑动窗口，得到检测DDoS的实时方法。与传统检测方法相比，该法实时高效。