网络流量数据在各类网络工程中扮演了至关重要的角色，我们通常使用二维矩阵或者更高维度的张量对这类数据进行记录。受限于网络数据的监测和传输代价等客观因素，我们所构建的数据模型往往是不完整的。张量填充就是用来解决这样的问题，它将数据建模成张量，并利用观测到的小部分数据对张量中的缺失数据进行填充进而得到一个完整张量。目前，张量填充已经广泛应用于容量规划，负载均衡等网络工程当中。传统张量填充算法对于遵循正态分布的数据具有良好的填充效果，但对实际应用中呈现尖峰厚尾分布特性的网络监控数据作用效果不佳，实验表明，在使用传统张量填充算法时会使得对大值数据的恢复值偏小。而在另外一些工程任务中，研究人员们更关注能否准确找出满足指定条件的流量数据，也即对网络流量数据进行准确分类，而对这类流量的具体数值则并不十分关心。因此，本文针对这两个问题进行深入研究，本文的主要成果和创新点如下：
　　针对传统张量填充算法对大值数据的恢复值偏小的问题，本文提出一种新的非负张量填充算法，采用expectile回归并将其应用到损失函数中，使用非对称最小二乘来取代传统张量填充算法中的对称最小二乘，并提出相应更新法则对因子矩阵进行更新，最终利用这些因子矩阵形成一个完整张量。试验结果表明这种新的算法对于大值数据的准确恢复具有显著效果。
　　对于寻找网络流量中的“大象流”这类任务场景，本文提出一种推荐算法，该算法能准确找出网络流量数据中满足指定条件的流量。将流量数据量化成4个不同等级，再引入序列分类的方法，将原始张量拆解成四个副张量，利用生成的副张量对原始张量中的值进行重构，最终以重构张量的每一个正向切片为单位对流量进行推荐。实验结果表明，相比于直接利用网络流量数据对流量张量进行填充后再推荐的方式，这种新的流量推荐方法具有明显优势。