互联网技术正在蓬勃发展,互联网规模也在日渐扩大,其产生的海量数据给正常的网络运维带来了巨大压力。要进行异常检测、异常根因分析、流量预测等网络运维任务需要拥有完整的监控数据。假设网络中节点数为9),那么进行一次全网测量的代价为（9）~2)。这样的代价对大规模网络运维来说不可接受。已有研究表明网络数据间存在低秩性。通过借助低秩性只需要测量部分节点数据就可以推测出未测量数据。这类使用“采样-填充”架构的方法逐渐成为业界的主流研究方向并积累了一定的成果。目前主流的网络填充算法主要分为两类:基于矩阵填充或张量完成的数学建模方法、基于神经网络的填充方法。以上两类方法虽然具有较高的填充精度,但依然存在一些矛盾尚未解决,如:不能动态捕捉网络数据的相关性,表征学习速度较慢、使用常规损失函数存在梯度不平衡问题、现有方法不能进行流处理或流处理的精度不高等。针对以上挑战,本文提出了以下解决技术:1、针对相关性动态变化、表征学习速度较慢的问题,采用对比预测编码进行训练。对比预测编码通过将待填充数据作为正样本、无关数据作为负样本的方式学习网络数据中的相关性。同时由于对比预测编码模块包含自回归模型,它也能够捕捉网络监控数据的动态变化。实验表明,由于不需要使用额外的辅助网络重构输入,对比预测编码的学习速度较以往方法更快,能够更快地捕捉变化的时空相关性。2、针对梯度不平衡问题,提出使用权重转移的复合损失函数指导数据生成。常用的均方误差用于网络数据时,会导致梯度不平衡问题。针对网络监控数据服从重尾分布的特点,提出了精度高的鲁棒相对误差。并在次基础上进一步提出利用权重转移的复合损失函数训练生成模型。该复合函数结合了均方误差在训练初期精度提升快、鲁棒相对误差精度高的优点。生成模型能够快速而稳定的保持填充精度。3、针对流处理需求,本文提出的架构在流处理模式下具有高填充精度。由于对比预测编码模型能够捕获历史序列中的时空相关性,且得益于模型收敛速度的提高。通过数据集Abilene表明,本方法能够运行在流处理模式下,且能够捕捉动态变化的数据相关性,具有较高的填充精度。