摘要：当前基于容错策略的弹性预测方法仅能通过对单一层面容错策略建模来预测弹性,且缺乏可量化的逻辑层容错策略建模方法,不能反映多层面容错策略耦合作用下对网络弹性的影响,对基于混合容错策略的容错设计支持有限。于是,提出了一种基于机器学习的网络弹性预测方法。首先,建立多层容错策略的量化模型,用来描述定义容错策略耦合作用下对网络的影响,并基于该模型在NS3平台上通过对协议栈建模算法的改进,产生用于预测的结构化数据。其次,基于超限学习机（ELM）理论,设计和实现基于异质隐层节点的单隐层前馈神经网络（SLFN）预测模型。最后,通过案例对预测模型进行有效性验证。实验结果表明,相对于当前的弹性预测方法,该方法能够反映多层容错策略耦合作用下的弹性影响,且能在此基础上对网络弹性进行有效预测,通过交叉验证,结论准确率达96%以上,可为基于混合容错策略的容错设计提供支持。