网络环境的日趋复杂性不仅对网络QoS（Quality of Service,服务质量）保障提出了更高的要求,也为网络QoS关注的关键性能指标（如吞吐和时延）的评估带来了更大的挑战。通常,网络管理人员需要对真实物理网络中特定的网络场景进行大量查询及人工分析以获取网络QoS关注的关键性能指标,但网络系统愈加异质和复杂化,使得这种人工分析的方式变得愈加困难。传统的网络性能评估方式有数学建模、网络仿真和网络模拟,但都无法在准确性、时效性等方面均满足性能要求。与此同时,机器学习、人工智能等研究领域的飞速发展,为网络性能评估提供了新思路。在此背景下,网络管理人员一方面需要一种高效且可信度高的网络性能评估方式完成特定网络场景的性能评估,另一方面希望通过机器学习方式完成网络性能建模。为此,本论文设计与实现了基于数据驱动的网络QoS推断系统。首先,通过调研网络QoS及其关键性能指标并利用离散事件驱动的网络模拟器OMNeT++完成网络仿真数据集的构建;其次,调研近些年来通过机器学习方法完成网络性能建模的热门技术方案,选择将图神经网络引入网络时延评估的领域,在网络仿真数据基础上完成网络时延性能算法模型的建模和训练;最后,通过Flask框架集成网络时延性能算法模型提供的网络时延推断服务,为网络管理人员提供特定网络场景下的时延预测。一方面,本系统提供了一种以机器学习方法为基础的网络时延性能评估方式;另一方面,本系统通过实现从仿真数据集构建,到网络性能算法模型建模,再到模型应用及管理这一完整的网络性能算法模型开发流程为有自定义网络性能模型开发需求的网络管理人员提供业务支持。实验结果表明,本论文基于数据驱动的网络QoS推断系统能够有效提升网络性能算法开发进度并且能够辅助网络管理人员选择高效、信任度高的网络性能评估模型进行特定场景下的网络性能预测。