通常情况下，我们会对链路流量进行长期监测，但是如何评价它会有一些问题。

　　简单的统计方法，可能很难得到满意的结果。例如统计过去一段时间的平均利用率，但平均值可能和峰值离的很远;统计过去一段时间的峰值，但峰值不能反映长期的平均水平;统计过去一段时间的峰值出现频度，但难以识别其规律，难以估计未来的发展趋势。

　　实际的解决可以采用序列分析的方法，把事物的发展看成趋势、周期、随机三类因素影响的总和。如下图。

　　使用多次移动平均(Moving Average)，可以将周期、趋势和随机因素解耦。移动平均的具体方法是，对于一个序列，以N为周期，向前遍历求平均值得到一个新的序列。如下图，a1-a7是原始序列，周期N=3，b5是a5、a6、a7的平均值。

　　通常网络中的一些参数(如链路流量)，通常是以天或周为周期的因素变化。所以，相应的可以以天为周期作移动平均来消除一天中的波动，或者以周为周期作移动平均来消除一周中的波动。

　　如下图是一个具体的例子，一个实际的链路流量图，通过每两小时采一次端口平均流量(Bytes/Sec)，连续采集两个月(如 8月22，12:00 p.m.-10月22，12:00 p.m.)共732个采样点绘出。其中横轴是两个月的时间，纵轴为端口流量值。

　　从上图中可以看到：每天的双峰波动规律较为明显;每周似乎可以看到一定的波动;而从10月4日到6日有一个明显的链路流量高峰，在两个月中的其它时段是没有的。

　　对上面的统计图做分析可以采取如下的方法和步骤。

　　1.以一天为周期做移动平均，消除一天中周期波动的影响，如下图。

　　图中蓝线为原来的统计曲线，红线是做平均移动后得到的曲线，从红线中可以看到明显的以星期为周期的规律(中间10月4日到6日为特例)。

　　2.进一步以周为单位做移动平均，消除一周中周期波动的影响，得到长期的趋势。如下图。从图中可以看到长期的平稳的趋势。

　　3.除去长期趋势的影响，可得到只含每天周期和随机因子的曲线，如下图。图中，横轴为时间轴(两个月)，纵轴为各时刻实际采样值与以天为周期移动平均后的值(可参考前图)的比。该图反映了一天内各时刻值和移动平均值相比的波动状况。

　　在上图的基础上，对每天同一时段的波动因子取平均，得到一天内不同时段的周期影响因子，如下图。