互联网早已成为现代社会的基础设施之一,深刻地改变着人们的生活。近年来,新的网络应用如VoIP、IPTV等不断出现,这些应用通常有更高的网络服务质量需求。但传统上互联网只提供尽力而为的服务,如何在不提供服务质量保证的网络上实现网络服务质量的保证就成为一个亟待解决的问题。解决网络服务质量问题,首先需要了解网络的运行状态,这主要通过网络测量技术实现；进而根据测量的网络状态对网络实施控制,以使网络运行在期望的目标状态。另一方面,网络测量的结果是海量的测试数据,其中也包含了网络运行的内在规律。通过分析测量数据,发掘蕴含在其中的规律,可以对网络设计、网络质量评估、服务质量保证等提供有效的指导。流量和端到端时延是两个重要的网络性能指标,本文把侧重点放在流量和端到端时延数据的尺度特性分析以及预测模型研究上,主要工作包括：(一)分析了校园网流量的尺度特性。网络流量的自相似、多重分形等尺度特性的发现,使人们对网络的运行规律有了更深入的认识。然而,以往的研究中,关于网络流量是否存在多重分形的结论并不一致。原因有二：一是所分析的流量数据不同；二是所使用的分析方法不同,或对同一方法使用的严谨程度不同。本文用更为可靠的尺度分析法,多重分形消除趋势波动分析(MFDFA),分析了校园网流量在细时间尺度上(约1秒以下)的分形特性,提供了网络流量序列存在多重分形的较可靠证据。此外,流量多重分形来源的分析表明,流量序列有复杂的内部结构。通常多重分形源于时间序列的两种性质：(1)时间序列具有宽的概率密度函数；(2)时间序列的不同大小的波动具有不同的长程相关性。但这两种因素无法完全解释流量序列存在的多重分形现象。(二)分析了用新陈代谢灰色模型MGM(1,1)预测粗粒度网络流量的性能,指出灰色模型的预测精度与其模型建模长度和流量序列的周期长度有关。若MGM(1,1)建模长度远小于流量序列周期长度时,预测精度较高；反之,预测精度迅速降低。因而灰色模型预测网络流量宜采用小量数据建模。本文还提出了一种基于小波变换、灰色理论以及混沌理论的综合粗粒度网络流量预测模型WGC。在WGC中,通过改进的冗余小波变换把流量分解为平滑部分和突发部分,平滑部分保留了流量序列的趋势和周期性,适合用灰色模型预测；突发部分具有混沌性,用混沌模型预测,最后重构这两部分的预测结果,得到最终的预测值。仿真结果表明WGC改善了预测的性能。(三)分析了端到端时延的尺度特性。基于国内路径和跨洲际路径采集的端到端往返时延数据,DFA(消除趋势波动分析)分析表明时延序列的二阶尺度特性是采集路径、采集时间以及分析尺度依赖的：可能有一个、两个甚至多个尺度区间；在不同的尺度区间上,时延序列可能是长时相关或短时相关的。MFDFA分析表明时延序列在细时间尺度和粗时间尺度上都是多重分形的。类似流量序列,时延序列也具有复杂的内部结构,其多重分形的来源也不能仅用流量分析中提到的两种因素完全解释。(四)分析了小间隔端到端时延抖动序列的混沌性质,发现忙时的时延抖动序列有小的最大Lyapunov指数,因而具有较强的可预测性。基于此,提出了用混沌模型预测端到端时延：用混沌参数—嵌入维数—自适应地确定神经网络的结构,用神经网络预测端到端时延。仿真结果表明混沌模型能有效地预测时延。