随着网络飞速发展,网络的规模越来越大。互联网络已经发展成为一个巨大的、分布广泛的信息库,基于这个巨大信息库的应用将产生同样巨量的网络日志,这些网络日志蕴含着极其丰富的可能被挖掘的隐含信息。对这些挖掘出的隐含信息进行分析,可以提高网络提供的服务质量,有助于网络性能管理等。贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一。本文将贝叶斯网络运用于网络日志挖掘,为从网络日志中找出潜在的有用的信息,进行方法框架的尝试研究,以有助于网络管理时做出正确的决策,提高网络服务质量。本文描述了如何运用贝叶斯网络来挖掘一个真实的每天约有一千万条数据的大型网络日志,以达到预测网络流量的目的。为了挖掘这么大的数据集,本文首先用一些准则过滤和归并了数据集,并通过进一步地离散化,把原始的数据集转化为用于贝叶斯网络学习的规整的数据集。然后针对单个小时和一天的数据分别采用基于评分的方法加上ORSearch搜索算法和贝叶斯网络增量学习方法学习出贝叶斯网络模型,在构造出的贝叶斯网络的基础上通过计算变量间的条件概率来预测网络流量。大量的测试结果表明,预测网络流量的正确率从48%左右到80%左右,导致这些差异的可能原因包括:预处理数据的离散化技术,从巨数据集学习贝叶斯网络的具体方法,数据本身的噪声处理方法等。本文为挖掘巨量真实的网络日志提供了有益的尝试。