伴随着互联网技术的飞速发展,每时每刻都有数以千万计的用户接入互联网并产生海量网络的数据。海量的网络数据承载了丰富的网络状况信息和用户行为信息,它们对监测网络运行状态、改善网络运维管理、理解用户行为、挖掘用户意图具有重要意义。在网络链路中实时流动交互的是人们难以理解的二进制编码,因此对其进行高性能地采集并解析为更容易理解的结构化数据是十分重要的。同时,采集得到的网络数据具有数量大、类型繁杂、价值密度低等特点,只有合理利用大数据领域相关技术对其进行高效处理和分析才能挖掘出其背后的价值。本文首先阐述了自研网络流量采集系统的框架设计及其核心模块的技术选型。针对数据特点设计了合理高效的内存模型、流表结构以及流记录关联算法,通过实验对系统性能以及输出结果的准确性进行了分析。其次,使用Spark将采集系统在某局域网出口采集的网络数据抽取为多条反映不同网站上下行流量变化的时间序列数据,使用三种基于时间序列的模型对网络流量进行预测,并对实验结果进行了比较和分析。在此基础上,本文利用外部特征将一维序列扩展为多维,并使用多条序列构成的数据集训练得到泛化能力强的模型,提高了冷启动序列的预测准确性。最后,针对在数据处理和建模分析过程中遇到的计算资源分散、环境运维复杂等问题设计并搭建了面向多用户的网络流量智能分析平台。该平台对接上游的网络数据采集系统,为其提供分布式的数据存储,并利用容器化技术将物理计算资源和上层环境依赖隔离,实现了资源的按需分配和智能调度。本文还实现了平台对分布式训练的支持,并在此之上对网络流量预测模型进行分布式训练,验证了其可以提供有效的加速能力。