支持向量机(SVM)可以解决传统态势评估算法无法兼顾的“维数灾难”“过学习”及“非线性”等难题,却无法应对大规模样本的问题。为了有效应对态势评估中的大数据处理挑战,提出了一种基于MapReduce的SVM(MR-SVM)态势评估算法。该算法利用MapReduce并行计算模型,同时结合SVM可并行化的特点,通过设计主要的map函数和reduce函数,实现了SVM算法的并行化和主要参数的选取。在搭建的Hadoop平台上对改进算法与原算法进行了比较验证:对于小规模样本,改进算法反而"化简为繁",不比原算法效率高;但在大规模样本的处理上,原算法的训练时间随样本规模呈指数型增长,而改进算法的训练时间随样本规模并没有特别明显的增幅,体现出了较好的时间优势。实验结果表明,基于MapReduce改进的SVM很好地弥补了原算法"样本规模"的短板,更适用于大数据环境下的网络态势评估。

为了解决容迟容断网络(DTN)由于节点拥塞造成网络阻塞的问题，提出了一种基于历史相遇概率的主动拥塞控制算法。该算法提出了参考概率这一概念，可以通过节点的拥塞程度动态调整参考概率的大小，进而控制消息的转发条件，以达到对节点拥塞的避免与控制作用，并且在网络资源出现空闲时，可以提升空闲资源的利用率，提高整个网络的传输效率。仿真结果表明，该算法提高了整个网络的递交率，降低了负载比率及消息丢失率，在实现主动拥塞控制的同时也提升了网络的传输性能。

针对容迟/容断网络(DTN)中节点能量受限的问题，提出一种节点能量敏感的概率路由算法。该算法将网络中的节点划分能量状态，针对不同能量状态的节点采取有区别的消息转发机制和节能的缓存管理策略，实现消息交付率与网络能耗之间的平衡。仿真结果表明，与其他几种算法相比，该算法能够在低能耗的基础上提高消息交付率并降低网络开销，具有较长的网络寿命。

针对目前网络性能评估中多元指标之间权重难以客观确定的问题，将标准差法、离差最大化法、熵权法以及它们的改进算法应用于客观权重确定，使客观权重确定方法的选择更加全面完备。改进算法引入指标间冲突性概念，考虑指标间相关性对客观权重确定的影响。以VOIP网络为例，采用仿真方法获取权重计算样本，为了选取更加客观的权重确定方法，将六种权重计算方法进行了比较。测试结果表明，基于指标相关性的指标权重确定方法（CRITIC）计算出的权重具有较强客观性。