随着Internet飞速发展,网络结构也在发生深刻变化,要成功设计、控制和管理网络,就需要了解和掌握网络的内部特性。流量矩阵作为网络流量工程的重要参数,可以为网络规划、拥塞控制、流量检测、故障诊断等流量工程和网络管理提供有力保障。由于网络日益向着大型化、异构化、分布化发展,通过直接进行网络测量的方法来获得流量矩阵信息是非常困难的,因而通过链路流量数据估计流量矩阵成为当前的热点研究问题。流量矩阵估计问题本身是一个欠定反问题,存在多解性,要获得真实解,需要根据流量矩阵估计问题的特点,引入OD流量矩阵的一些约束信息,缩小解空间,从而克服流量矩阵估计的多解性。在本文中,我们认为在一定时间内流量矩阵在时间上和空间上存在某种关系,利用这种时空关系,可以获得更加准确的流量矩阵估计结果。针对大尺度骨干网流量矩阵估计具有高度病态性的特点,利用模拟退火方法简单并且容易搜索到局部最优解的特点,提出了基于模拟退火算法来求解流量矩阵估计问题的方法。采用了以下策略来提高估计精度:(1)针对不同初始猜测带来的多解性,采用IPFP(Iterative Proportional Fitting Procedure)校正后的流量矩阵各OD(Origin-Destination)流量历史均值作为初始猜测值,历史流量均值作为初始猜测值利用了OD流量在时间上的相关性,IPFP校正利用了OD流量在空间上的相关性,这样的选择可以使初始值接近真实值,提高求解精度。(2)在模拟退火搜索过程中,利用链路流量信息,求出每条OD流的范围,然后将模拟退火解的搜索空间限制在该范围内,缩小了解空间的范围,降低了流量矩阵估计的多解性。仿真结果表明该方法实时性高,估计精度优于基于广义重力模型的流量矩阵估计方法。本文还提出了一种基于时空关系的粒子滤波器估计方法,假设各个时刻的OD流量为一阶马尔可夫过程,利用贝叶斯推断方法求取后验均值获得估计结果,为提高方法的实用性,采用了如下策略:(1)针对该方法对先验值敏感,导致流量矩阵估计的多解性,假设OD流服从更能反映OD流真实分布的Gamma分布,引入方阵形式的OD流的时空关系,从而建立更为精确的关于OD流量矩阵估计的动态贝叶斯模型,从而引入更多的OD流先验信息,减少了后验模型;(2)为降低求解的复杂度,本文采用基于采样-重采样-MCMC的粒子滤波器估计方法进行参数估计,完成了Gamma模型下的动态贝叶斯模型参数估计;(3)为进一步提高求解精度,在滤波过程中对Gamma分布参数进行采样,达到增加OD流值采样空间的目的,从而使粒子滤波结果更加精确。仿真结果表明,基于时空关系的粒子滤波估计方法估计精度优于基于模拟退火的流量矩阵估计方法以及基于广义重力模型的流量矩阵估计方法。