随着网络灵活性、可扩展性和可编程性的提高,网络规模和链路带宽的不断增大,网络行为变得更加复杂和多样化,这些均对网络管理和安全防护提出了更高的要求。网络流量测量作为网络领域的研究热点,不仅是实现智能、可靠网络管理的前提,而且在网络性能诊断、异常检测、服务质量保障及安全防护等方面发挥了重要作用。随着对网络流量精细化管理以及智能调度的需要,如何在巨大的网络流量场景下利用有限的内存和计算资源来满足严格的精度、包处理速率以及多任务测量的需求,是当前网络流量测量技术发展所面临的挑战,也是世界各地研究人员的努力方向。本文首先给数据报文引入了序列值的概念,序列值是根据数据报文的出现次序赋予的值,序列值间隔可以用于衡量数据流的出现密度,然后通过对数据流的统计研究,发现了大象流与老鼠流在序列值间隔上的显著区别,并将这个结论加以推广,在此基础上,提出了基于Sketch结构的网络流量测量算法——Seq Sketch,其采用了大象流和老鼠流分离的思想,在普遍应用数据流频率进行区分的基础上,将序列值间隔这一特征用来对大象流进行筛选,从而实现更为精确高效的流量测量。整个算法结构由哈希表和Sketch结构两部分组成,其中前者主要用于记录大象流,后者负责记录老鼠流,而Sketch的大小可以根据测量的精确度要求进行选择。当数据报文来临时,优先插入哈希表中,若不成功则进行替换条件判定,判断是否应该剔除哈希表对应位置的数据流;之后再进行Sketch操作。替换条件的原理是利用序列值间隔和哈希表频率值来判断哈希表中存储数据是否为大象流,若为否则插入Sketch中,减少了不必要的操作;这种大象流和老鼠流的分离不仅节省了内存,更提高了结果的精确度。通过对网络流量的分析,验证了序列值在参与流量测量的可行性。然后围绕Seq Sketch算法,在Windows平台上设计对比实验,与同类型算法在内存一致的前提下,结果表明Seq Sketch算法在大象流检测、熵估计和流分布估计三个测量任务上领先,说明其在内存消耗和准确度方面呈现了较好的性能。最后分析了算法的应用前景、优化策略以及在硬件系统上的实现。