随着互联网规模飞速扩展,网络测量作为监控、认知和掌握网络行为的一个重要手段,是当前计算机网络领域的研究热点之一。网络测量能够为拥塞控制,流量计费,容量规划和异常检测等应用提供支撑,对于日常网络运营和网络管理非常重要。目前常用的网络流量测量技术,主要包括基于采样和基于数据流两类。在基于数据流的技术中,基于略图的网络测量因其计算效率高、准确度高等优势成为业界关注的焦点。然而,略图是一种紧凑的概率性数据结构,基于略图的测量仍面临着如何在给定的内存空间下获得更小的估计误差。为解决这一问题,越来越多的复杂略图结构被提出,但复杂结构中往往存在若干影响估计误差的参数需要设置,现有方案仅靠简单规则或人为经验来进行参数设定,难以实现最优的测量。为了解决上述问题,本文的主要工作有以下两个方面:(1)受多层略图结构的启发,提出一种新型的基于三层略图的网络测量方法,该略图结构由精确统计层,缓冲层,近似统计层三部分组成,能够在给定的内存空间下提供比现有方案更小的估计误差。(2)针对多层略图结构中内存分配参数设定问题,提出一种基于强化学习的略图层间内存分配方法,通过神经网络模型可以对略图不同层间的内存占用比例进行调整,合理分配略图不同层间的内存,使网络测量结果达到更高的准确度。本文采用了真实的互联网数据集对所提出的三层略图方法和略图层间内存分配方法进行了实验验证。实验结果表明,与现有测量方法相比,本文提出的基于三层略图的网络测量方法和基于强化学习的略图层间内存分配方法均能够显著的提高网络测量准确度。