随着国家对煤矿大数据、物联网、云计算等越来越多的应用,面对煤矿信息化、网络化建设中存在的异构子系统众多、数据实时共享难度大、网络流量突变甄别困难、流量异变不可知等问题,进行数据的网络化科学管理,准确测量和预测网络流量变化趋势,防范网络拥塞已经成为目前煤矿信息网络安全领域研究的热点课题。本文在详细分析煤矿信息网络架构和流量特征的基础上,对煤矿综合信息网络流量智能测量与异变预测的方法进行了较深入的研究。针对煤矿子系统网络独立、信息协议不统一、数据交互困难的问题,分析了现有煤矿信息网络平台的结构,对主要的六类煤矿信息源进行了特征分析,引入B/S模式设计的三层网络体系结构,提出了一种一体化煤矿综合信息网络构架的解决方案,并从平台总体架构、组网结构、网络拓扑、子系统功能等内容做了详细分析与设计。又以神华宁煤某矿组网结构为对象,提出了煤矿综合信息数据传输全过程的信息管理拓扑结构设计方案,为开展专家系统提升信息利用率,进行深度分析与挖掘,给煤矿企业在安全状态指标分析与评测、生产风险分析与评价等方面提供扎实的大数据基础平台支持。针对煤矿高速骨干网络链路下可能的突发流量涌出对流量测量所带来的诸多问题,提出了一种改进自适应流量抽样算法。该算法解决了单一流样测量算法对复杂流样测量特征拟合度不高、测量误差偏高、异常流量抽样测量应变能力不强等一系列问题。通过对煤矿多元化信息业务流特征分析,提出了多流样区分筛选计数器和匹配抽样函数库设计,用于标定多流样特定的抽样测量算法,提高煤矿信息网络下的多流样测量精度。针对可能发生的流样异变情况,提出了可更新流样抽样库功能。针对少量不识别的流样测量问题,提出了比较流长阈值划分自适应简单随机概率与完全抽样模式的测量方案。仿真实验结果表明:（1）采用改进算法在小流测量的准确率得到极大提高;（2）采用改进算法对受攻击时的流量测量其异常流量特征显著,甄别准确。针对煤矿网络流量时间序列的随机性和不规则性突出的特点,对煤矿信息网络流量中时间序列的混沌特征问题进行了分析,选取煤矿SCADA类流为指标量,将混沌吸引子维数、Lyapunov指数与煤矿网络信息流量数据结合,计算推导其时间序列混沌特征,求取最大饱和嵌入维数。通过对神华宁煤某煤矿中心交换机的24小时流量数据的获取,建立了煤矿网络流量的时间序列,通过理论推导与仿真实验,得到网络最佳延迟时间,最大饱和嵌入维和最大Lyapunov指数,证明煤矿综合信息网络流量具有混沌特征,为采用混沌理论构建流量预测分析模型提供了支持。提出了将小波神经网络与混沌算法相结合的煤矿信息流量异变预测方法。为了防止系统陷入局域极小,设计了非线性自反馈项引入互联权空间的动力学系统方程之中,提高系统在学习过程中逃离局域极值的能力。为了提高收敛速度,提出了基于模拟退火策略的小波神经网络算法模型,建立了系统连接权值与混沌机制概率的函数关系,通过对退火温度T的控制用来提高训练的收敛性。为了提高学习速度,设计一种受反馈项参数关联的混沌快速学习新算法。通过对煤矿网络流量混沌时间序列小波神经预测模型的建立,进行了权值空间的混沌特性分析,通过单步和多步的多算法异变流量的预测仿真实验,结果表明:采用基于混沌快速学习算法的小波神经网络异变流量预测方法对煤矿信息流量的预测性能表现优异。