随着计算机网络技术的深入发展和因特网的广泛应用,人们对网络性能和网络安全提出了更高层次的要求,合理的网络规划和有效的网络管理日益重要。根据网络中承载的数据,实时分析网络流量,了解网络流量趋势和特征,能够为网络规划提供数据依据。而NetFlow技术的发展已日趋成熟,在一定程度上已成为网络流量监测、统计、安全管理、计费等的行业标准。针对以往方法仅面向底层流量数据而不能满足高容量、高实时的网络流量分析需求,论文基于NetFlow技术,实现流量数据的聚合、分类和预测。首先,给出基于NetFlow的流量聚合系统架构。用nProbe采集数据,pmacct将数据存储到数据库,脚本按全天一定时间粒度聚合总流量和国内、国际流量并将其存储到集群中;前端用网页图表的方式实时展示聚合后当天、本周、本月以及本年流量流入和流出的基本情况。该系统在研究所真实环境中运行,可作为中小型网络进行流量统计和网络排障的有效工具。其次,使用C4.5决策树分类上述聚合系统中数据存储模块里的国内、国际流量。用数据预处理后的IP前三段位作为属性,且以属性为分支节点、属性值为分支、分类标签为叶节点生成模型导出规则,测试集沿着训练集生成的模型到达叶节点产生分类结果。实验结果表明,用数据压缩和扩充后的样本集作为输入的C4.5算法,分类效果良好;而按一定规则适当预剪枝后,尚能保证一定的分类精度,有效降低了模型的复杂度。最后,针对流量数值波动的特点,提出一种基于LM算法的非线性回归模型预测流量。与线性回归模型及BP神经网络对比,数据取自聚合系统的数据分析模块。基于LM的非线性回归模型要求先给定非线性函数待估参数的初值、阻尼、目标均方误差等,用LM算法不断迭代权值,以求得最优解使误差低于给定值。实验结果表明,该模型预测准确性高,稳定性好。