互联网技术是现如今发展速度最快、应用最广泛的技术之一,然而在近些年来,随着互联网技术逐渐的成熟、互联网应用的进一步普及,大量的新型网络服务和应用在互联网中如雨后春笋般涌现出来。巨大的网络规模、大量的链路传输数据、许多异构网络的接入,使得网络研究人员对网络直接进行网络测量来获得流量矩阵已经非常困难。流量矩阵是许多网络技术的重要支撑,它反映的是每个网络路径中的流量需求,在许多工程领域中有着重要的应用。我们必须寻求一种新的方式来解决面临的问题,能够有效、快速获取到网络中的流量矩阵,为下一步的网络研究打好基础。在本文中详细介绍了流量矩阵概念以及其获取方法。对流量矩阵估计问题的方法及相关模型进行了总结和概括,重点介绍了层析成像技术和重力模型。流量矩阵用直接测量的方式是行不通的,只有通过估计的方式去获取,本文的重点任务就是要解决克服流量矩阵估计问题。在流量矩阵估计方程中,OD流的数目远大于IP网络中的链路数,所以导致这个方程为欠定的、病态的方程,求解起来非常困难。并且以往所有的模型是在理想的情况下进行的,没有考虑链路噪声的存在。本文为此就提出了一个新的模型—随机规划模型(Stochastic Programming Model)。通过在流量矩阵估计方程的约束函数中引入随机变量,使原来的等式方程变为概率求解方程,增大了方程的求解空间,从而增大寻求最优解的可能性,并且最关键的是,用随机变量代表网络中的链路噪声,能够更好地模拟现实的网络环境。通过全面的理论分析和基于真实网络数据,并与经典的层析成像重力模型(Tomogravity Model)作对比的仿真实验,结果我们可以看出,随机规划模型的估计效果更好,与网络的实际值更加接近。