网络测量为网络管理应用提供了必要的信息,在保障网络的稳定和安全方面有着举足轻重的地位。层级大流（Hierarchical Heavy Hitters）作为网络测量任务中的一种,被用于识别基于公共IP前缀聚合的大流（Heavy Hitters）,具有异常检测、DDo S检测等网络应用。许多现有的研究在单个交换机上使用集中式算法识别通过它的所有网络流中的层级大流,但网络流量规模的不断扩大使得集中式算法难以再达到预期的测量精度。在层级大流的测量中,较低层级的测量误差会影响较高层级的精度,本文将其称为依赖性问题。由于资源有限和依赖性问题,在单个交换机上进行层级大流测量的精度非常低下。得益于软件定义网络（Software-Defined Network,SDN）,软件定义测量（Software-Defined Measurement,SDM）被提出,它支持以分布式方式在多个交换机上高效地部署测量任务进行网络流的协同监测。然而,在分布式环境下,来自同一大流的多条子流（具有公共IP前缀）被分散在不同的交换机上测量,一些子流由于太小将被忽略,从而导致在更高的层级聚合,本文将其称为子流丢失问题。为了基于SDN在分布式环境下进行层级大流协同监测,本文首先将层级大流协同监测策略制定问题表述为任务部署和网络流选择联合优化问题（Joint Optimization of Task Deployment and Flow Selection problem,JOTDFS）,并对其近似求解,目的是利用全网交换机的资源进行测量,缓解由有限的资源和依赖性问题导致的精度低下问题。然后,本文提出了一个分布式层级大流测量框架（Distributed Framework for Hierarchical Heavy Hitters Measurement,DF3HM）用以缓解子流丢失问题,该框架下在每个交换机上部署的每个测量任务都有一个紧凑的数据结构,由Bloom filter、Heavy part和Light part组成。Bloom filter用于根据JOTDFS问题的策略使多个交换机对层级大流进行协同监测,Heavy part用于维护潜在大流的标识符和计数值,Light part则只记录小流的计数值用于数据的恢复操作。基于CAIDA数据集的实验验证了JOTDFS问题的近似解决方案和框架DF3HM的有效性,它们可以更有效地平衡交换机的测量负载,并提高测量精度。本文还通过P4语言实现了具有不同联合数据结构的DF3HM的原型,验证了在交换机中部署的可行性。