有关复杂网络理论的研究近年来己经取得了一些进展,但总的来说大部分相关研究成果仍未能在信息网络应用领域得到实用,许多相关技术仍然有待优化、改进。论文在前人研究基础之上,围绕信息网络领域中的接纳控制、QoS组播路由、恶意软件传播、P2P网络中特定业务识别等问题进行深入研究,论文的研究成果概括如下。构建了一个复杂网络仿真平台SPCN,可以根据需要以邻接矩阵形式或者节点信息网络模型方式输出大规模的ER模型、BA模型、NW模型,同时可以计算节点度分布、平均路径长度、聚度系数等网络统计特性,提出了实现与优化的算法。提出一种用于表达网络的节点信息网络模型方法,该方法占用存储空间小,结构灵活,解决了邻接矩阵方式表达网络拓扑信息时计算机处理能力的局限性,为大规模复杂网络及复杂网络上的传播动力学的仿真,以及离散传播动力学模型的建立,提供了有效的研究平台。针对复杂网络提出一个新的概念--节点活跃度,表达节点吸引并与其它节点进行连接的能力,对于节点与其它节点是否进行连接起关键性作用,节点的活跃度越高,连接概率越大。结合活跃度权重值提出一个基于复杂网络的接纳控制算法,不同带宽资源条件下采用不同的接纳策略,同时在系统中所有业务所占系统最大带宽超过设定的带宽门限时,通过一定的自适应缓存分界参数调整来实现相应合理的接纳条件限制。经过相应的自适应过程,使得系统达到动态平衡。仿真结果表明该算法可显著提高系统带宽资源利用率,同时也明显提高了高优先级业务的接纳率。将复杂网络理论运用于多约束QoS组播路由及其算法,构造满足多个约束条件的最小代价组播树,实现不同业务对时延、时延抖动、丢包率和带宽等不同约束的性能需求,从而达到节省网络带宽资源、降低网络负载和提高服务质量的目的。根据小世界特性和BA无标度网络中的择优增长特性,提出一种基于综合学习和智能协同的改进粒子群优化算法(PSO-CLIC)。该算法将一个种群分解为多个子群,多个子群同时进化搜索,从而增加算法的稳健性和准确性。各子群之间彼此相互影响和制约,从而提高算法的全局寻优能力。在生成的网络模型上对算法的组播树费用、时延和时延抖动等指标进行仿真,仿真结果表明该算法在收敛速度和求解精度等方面具有明显的优越性。将复杂网络论应用于恶意软件传播模型研究,提出一种新的恶意软件传播的离散概率SI模型(DP-SI),该模型的建立由网络固有的性质及恶意软件传播的概率特性所决定。选取均匀网络中的ER模型、非均匀网络中的NW模型和BA模型三个典型的复杂网络模型作为仿真研究对象,研究各种拓扑下恶意软件的传播行为。仿真结果表明,由于DP-SI模型的构建过程不依赖于某种特定结构的网络,该模型可用于研究任意已知网络拓扑上恶意软件传播的动力学行为。当突发事件发生时,可以利用该模型快速模拟传播行为,以利于防范和预测。同时,该模型结构灵活,能够在演化过程中随时改变控制策略,这是传统微分方程模型所不能比拟的。同时,研究互联网上随机免疫与目标免疫策略。研究结果表明,随机免疫策略对互联网是无效的,而目标免疫则是一种更有效的方法,可以大大降低恶意软件传播的速度。将复杂网络理论应用于特定P2P业务识别,提出一种基于树形多层BP-LVQ神经网络组合分类器的特定P2P业务流识别方法。综合考虑BP神经网络和LVQ神经网络,利用BP神经网络作为第一层分类器,LVQ神经网络作为第二层分类器,形成树形两层组合模型,可以提高分类效率,改善其对多业务类的识别能力,提高分类器对数据噪声的抗干扰能力。特定P2P业务类识别最终通过LVQ神经网络的分类过程来完成。实验通过相关的网络流量测试和分析,发掘流量特征属性和参数,选取最优特征子集,并采用BP神经网络和LVQ神经网络进行多层组合建立P2P业务分类器,通过关联特定P2P业务的可信度获知识别结果。实验结果表明,相对于基于BP神经网络的P2P业务识别方法,该识别方法在识别精度和识别速度(时间消耗)上都有较大的优势。