1.一种基于不完全链路负载测量的网络流量矩阵估算方法，其特征在于，包括如下步骤：

1)输入需要主动测量的链路数量k和路由矩阵A；其中，所述需要测量的链路数量k根据应用场景来确定，所述网络中路由矩阵A通过网络的状态信息和配置信息获得；

2)对网络中的n条链路分别编号，构建编号集合N＝{1，2，3...，n}；

3)初始化需要主动测量的链路集S为空，即S＝{}；

4)更新需要主动测量的链路集S，直至S中元素的个数为k；

5)测量链路集S中的链路，构造对应的链路负载集合YS；

6)利用历史负载信息data划分特征数据集xs和结果数据集yp；

7)利用k元线性岭回归模型训练数据集，得到精确度acc1和结果res1；

8)利用k元二次多项式岭回归模型训练数据集，得到精确度acc2和结果res2；

9)从acc1和acc2中选择精确度大的结果作为链路补全的结果，得到全部链路对应的链路负载Y；

10)根据路由矩阵A和补全的链路负载Y，构造符合RIP原则的观测矩阵Θ，并将Θ转换到估算式Y＝AX中；

11)构造l1范数优化函数式，即min||vt||1，s.t.Wt＝Θψvt

12)根据CS‑OMP算法求解l1范数式估计流量矩阵。

2.如权利要求1所述的基于不完全链路负载测量的网络流量矩阵估算方法，其特征在于，所述步骤4)包括如下步骤：

4.1)令循环变量i初始值为1，步长为1；

4.2)令集合P＝N‑S；

4.3)计算集合P中的每条链路j的设计准则criteria[j]＝φA(S∪{j})。其中，φA(η)＝T

tr{AD(η)A}， As为链路集S对应的子路由矩阵，R＝αI，α是一个常数，I是单位矩阵；

4.4)选择集合P中设计准则最小的链路记为s，即s＝argminjcriteria[j]；

4.5)更新需要主动测量的链路集S，S＝S∪{s}；

4.6)更新循环变量i为i+1；

4.7)若循环变量i＜k，则转步骤4.2)，否则得到需要主动测量的链路集S转步骤5)。

3.如权利要求1所述的基于不完全链路负载测量的网络流量矩阵估算方法，其特征在于，所述步骤6)中，所述历史负载信息data是二维数据，包含网络中所有链路负载的历史信息，不同行表示不同时刻，不同列对应各个链路；特征数据集xs＝data[：，s]，结果数据集yp＝data[：，p]，其中，p∈N且 xs对应data中s列的数据，yp对应data中p列的数据。

4.如权利要求1所述的基于不完全链路负载测量的网络流量矩阵估算方法，其特征在于，所述步骤10)包括如下步骤：

10.1)利用压缩感知原理将流量矩阵X重构为X＝ψv，其中ψ为构造的稀疏基DCT矩阵，v为稀疏系数向量；

10.2)将流量矩阵的估算式Y＝AX转变为Y＝Aψv；

10.3)通过高斯随机矩阵以及对角采样矩阵构造符合RIP原则的观测矩阵Θ＝GC(Y)A，其中，G是满足渐进正态分布的高斯随机矩阵，C(γ)为元素为0或1的对角阵，其对角线上0元素数量为γ；

10.4)式Y＝Aψv两端同乘以G和C(γ)，得到式W＝GC(γ)Y＝GC(γ)Aψv＝Θψv。

5.如权利要求1所述的基于不完全链路负载测量的网络流量矩阵估算方法，其特征在于，所述步骤12)包括如下步骤：

12.1)初始化残差r0＝Wt，ξ＝Θψ，信号支撑集

12.2)令循环变量i初始值为1，步长为1；

12 .3)从 观测矩阵ψ中 寻找 与信号 相关性 最强的 信号支 撑索 引，

12.4)将寻找到的信号支撑加入信号支撑集合中，ξk＝ξk‑1∪ξI；

12.5)更新已选各列的稀疏系数估计值，

12.6)更新残差，

12.7)重构测量时间点t上的网络流量矩阵Xt＝ψvt；

12.8)更新循环变量i为i+1；

12.9)若循环变量i＜K，则转步骤12.3)；否则，得到流量矩阵Xt，其中，K为ψ主对角线上取非零值的元素数量。