时延敏感型应用在当今互联网应用中占据重要地位。准确获取网络节点间的传输时延，是此类应用性能优化与提升的关键问题。作为一种兼具高可扩展性、高精度和低测量负载的时延估计方法，网络空间嵌入模型已在对等网络、内容分发网络和云计算等诸多时延敏感应用中得到广泛部署，因此其理论基础与优化算法具备十分重要的研究意义和应用价值。低计算代价下时延估计精度的确保是网络空间嵌入模型的基本问题，也是本文研究工作的中心。在对模型进行准确分类的基础上，针对影响模型性能的互联网时延特征不均匀性问题，分布式模型的安全性问题，点积模型计算代价与泛化能力问题以及网络抖动问题进行了深入分析，提出了一系列能够提升模型时延估计精度的优化算法。本文的主要研究工作与创新性体现在以下四个方面：一、针对互联网自治域路由策略造成的时延特征不均匀性问题的改进方案。首先针对均匀空间内误差极小化拟合问题,将损失函数优化问题归结为一类非线性方程组的迭代求解，基于方程组的矛盾性提出了迭代因子的自适应估计问题，并通过对单位化误差的周期性测量实现了迭代因子的慢启动控制；而后针对嵌入空间内节点聚簇特征表达问题，根据节点在均匀空间内嵌入的聚簇特征，实现了零知识前提下面向聚簇性增强的优化算法drwMDS。仿真实验证明，相对于基准算法，本文提出的时延特征不均匀性表达与增强算法能够有效提升时延估计精度，且能与广泛部署的基准算法保持接口兼容，有利于协议的平滑演进；二、提出了一种支持入侵容忍的分布式网络空间嵌入模型。在承认恶意攻击不可避免和不可完全检出的前提下，保证在系统容忍限度内提供一定质量的服务能力。以节点的信誉值代替弹簧模型中的未经校验的本地误差作为权值向量，利用正常节点的信誉与数量优势对冲恶意节点带来的负面影响，实现了对异常数据较强的容忍能力。该方案既可作为假阴性误报的修复手段部署于入侵检测或信任模型等信息清洗策略的后端，也可作为一种强化鲁棒性的模型构建算法单独实施。三、提出了一种分布式时延矩阵重建的加速算法。通过对分布式环境下一类基于(次)梯度下降的时延矩阵重建算法的分析，将其转化为可轮转方向求解的耦合凸优化问题，进而提出了一种搜索上界倍增的自适应分布式矩阵重建算法ADMC，利用时延序列的历史信息计算梯度下降步长的搜索上界，显着降低了梯度下降步长的搜索代价。算法同时给出了优化问题凸性保持的一个充分条件，有利于选取恰当的损失函数，提升泛化能力。四、提出了针对网络抖动问题的改进方案。将网络抖动问题分为网络层抖动和应用层抖动两个层面：针对网络层抖动造成的时延噪声问题，分析了噪声对一类非梯度下降嵌入算法涉及的不适定与病态问题反演求解的强烈影响，并在引入正则化项改善系数矩阵谱特征的同时，通过对时延序列的中值-卡尔曼滤波实现对时延噪声污染的抑制；针对应用层抖动造成的拓扑突变，提出了一种两段式节点加入导引算法，定义节点导引步和误差修正步，通过新节点坐标的延迟发布实现突变抑制。在导引步节点保持坐标广播静默直至生成节点坐标的较优初值；在修正步执行经典嵌入算法，修正自身坐标并广播更新。仿真实验显示，本文算法能够有效缓解网络抖动造成的时延估计精度下降问题。