网络编码技术允许网络中的节点将接收到的多个数据包通过线性或非线性的处理融合成一个编码包来传输,彻底革新了传统存储转发技术的理念,能够达到组播网络的理论最大吞吐率。网络编码自2000年提出以来,便得到了计算机领域和通信领域学者们的积极研究。在这十年的发展过程中,网络编码技术从编码构造算法的理论研究,逐渐拓展到P2P网络、无线网络、分布式存储和网络安全等多种应用中,成为了全世界学术界与工业界的共同关注热点。然而,网络用户流量的突发性和信息传输处理的随机性使得网络编码后的数据包行为变得十分复杂,难于进行建模分析。但是网络编码技术的应用和新协议的设计都依赖于对其在随机网络中性能的认识,因此当前性能分析方法制约了网络编码技术的进一步发展。本文将对基于网络编码的数据传输性能分析方法和优化技术上面临四个关键问题展开深入研究,并提出相应的解决方案。深入认识流间网络编码在网络中的端到端性能是其高效应用的前提。然而,用户流量的突发性和信息处理与传输的随机性,使得经过编码操作后的不同输入流之间具有复杂相关,传统性能分析工具(如Markov排队分析和网络演算)很难直接用来分析流间网络编码的端到端性能。针对这一问题,本文从随机网络演算理论出发,首先分析了流间网络编码在单个节点上的行为特性,提出了在最大编码机会下的编码迭代性定理和编码输出特征定理来保证单节点建模的精度;随后将单节点上的建模推广到了无环随机网络中,并基于随机网络演算中的串联性,提出了计算流间网络编码的端到端延迟和吞吐率界限的相关定理和算法。分析与实验结果表明,该方法可以避免逐跳分析带来的界限偏差的累积,且在各种网络拓扑下都能够得到较紧的端到端性能界限。在诸如互联网等随机网络中进行编码子图选择时,判断网络中节点能否胜任流间的网络编码,依赖于对其排队行为的深入认识。然而由于在最大机会延迟有界的情况下,每次编码在一起的数据包数目是随机的,并且编码操作使得数据包的排队行为具有复杂相关性,因此这些都导致传统的排队分析十分困难。针对这一问题,本文开展了近似排队分析方法研究,构建了一个输入流和服务时间都假设服从任意分布的多输入多队列排队系统来描述单节点上流间网络编码,并提出了一种基于编码机会的队列分解方法来求解该排队系统的性能指标。该方法基本思想在于利用编码机会矩阵来分离多条输入流之间的复杂相关,再根据该矩阵将机会延迟转换成一种虚拟服务,实现了源系统与子系统的服务能力之间的映射,从而将源系统分解成多个不相关的G/G/1子排队系统来计算其各种性能指标,有效地降低了复杂性。模拟实验中,通过三个复杂度逐级递增的案例验证了该方法能够高效地计算出各种性能指标,且与模拟结果匹配度较高,达到了以牺牲一定精度为代价换取高效分析排队行为的目的。如何通过段粒度的最优取值来优化基于随机线性网络编码的数据分发系统性能一直是研究中的热点问题。然而,相关工作更多是通过大规模的模拟和实测来完成,时间和成本开销较大。这是由于采用“刹车”消息作为反馈控制的段切换机制使得面向段粒度的性能分析变得十分困难。针对该问题,本文从现有批处理排队分析出发,构建了一个具有反馈控制的多输入批处理排队模型来描述编码块在请求节点的解码过程,并提出了一种基于平均段间反馈丢包的近似排队分析方法来计算各种性能指标。该方法的核心思想在于利用段间平均反馈丢包,实现了数据段被解码后的队列长度概率到进入队列的编码块数目的概率之间的近似转换,有效地简化了排队分析。基于该方法,本文以段粒度为参数从控制开销、编解码的计算开销、编码块传输效率以及解码间隔延迟四个方面对数据分发系统的性能进行分析,并以P2P流媒体系统为例,讨论了在保证服务质量的同时如何利用段粒度取值来优化传输效率问题。分析和实验表明,该分析结论有效地刻画了段粒度与系统各项性能指标之间关系,并且段粒度的最优取值能够进一步提高P2P流媒体系统的传输效率。最小化冗余路径开销是关系到基于会话间网络编码的拥塞控制机制能否被有效应用的关键问题。一种可行方法是采用分组编码来降低冗余路径数目。然而,由于路由器所接收的不同输入流的传输速率各异,而且可能具有不同的传播形式(单播或组播),因此如何从大量可行分组中找出最优解是一个很难的问题。针对该问题,本文首先形式化定义了冗余路径构建问题,并严格证明了该问题是NP难的。随后从图算法的角度,提出了近似算法FlowGrouping来求解。该算法基于输入流两两之间的特征分析,将原问题转化成了一个在带权值的无向图中增加边权值而求团划分的问题,通过无向图转换、最小团划分、稳定团选择和团融合四个步骤,在O(n3)的时间内得到问题的近似解。同时为配合FlowGrouping算法,设计了一套完整的IP层拥塞控制机制,通过动态调整队列长度阈值来检测拥塞。模拟结果表明基于FlowGrouping的拥塞控制机制能够在对输入流进行高效分组的同时减少冗余路径数目,实现了比其他IP层拥塞控制机制更低的丢包率。