اندازه گیری و نظارت ترافیک پایه و اساس محدوده وسیعی از فعالیتهای شبکه های ip شامل مدیریت شبکه، فعالیتهای مهندسی شبکه مانند رفع اشکال، حسابرسی ، سابقه نمای مصرف ، پیکربندی وزنهای مسیر یابی، تعدیل بار، تخمین ظرفیت مورد نیاز و ... است.علاوه بر اطلاعات ترافیک در سطح بسته، آمارهای ترافیک در سطح جریان نیز اطلاعات ارزشمندی در ارتباط با رفتار های منابع ترافیکی در اختیار ما می گذارند. از مزیتهای بررسی ترافیک در سطح جریان ساده تر بودن مدل کردن رفتار آن است چرا که در سطح بسته به دلیل جهشی بودن ترافیک و تغییرات ناگهانی در آن، پیش بینی و مدل کردن کار مشکلی است. سابق بر این جمع آوری اطلاعات جریانها بوسیله ثبت تک تک بسته هایی که از یک رابط یا لینک عبور می کردند انجام می شد. برای هر جریان در حافظه جریان مسیریاب یک مدخل ایجاد می شود. با مشاهده یک بسته جدید متعلق به این جریان این مدخل به روزرسانی می شود. چنانچه بسته مشاهده شده متعلق به هیچ جریانی در جدول نباشد یک مدخل جدید برای آن ایجاد می شود. امروزه با وجود لینکهای پر سرعت (گیگا بیت یا ترابیت) و بار زیادی که بر روی لینکهای هسته شبکه حمل می شود، امکان گرفتن آمار تک تک بسته ها و در نتیجه آمار های ترافیک با دقت زیاد وجود ندارد. چرا که اینکار بار پردازشی زیادی به مسیر یاب تحمیل می کند و باعث بروز اختلال در عملکرد اصلی آن می شود. نمونه برداری از بسته به عنوان یک راه حل تعمیم پذیر برای حل این مشکل پیشنهاد شده است. در واقع به جای ثبت تمام بسته ها، اطلاعات زیر مجموعه ای از این بسته ها ثبت و پردازش می گردد. در این حالت مشکلی که بوجود می آید چگونگی استخراج آمارهای ترافیک واقعی از این نمونه های جمع آوری شده، می باشد. در واقع باید با تکنیکهایی تخمینی از آمار واقعی جریانها مانند تعداد کل جریانها، تعداد بسته ها در هر جریان و غیره را از این نمونه ها بازیابی کرد. در این تحقیق روشی برای بازیابی این آماره ها از داده های نمونه برداری شده بر اساس شبکه عصبی پیشنهاد شده است. نتایج بدست آمده با روشهای قبلی مقایسه شده و بهبود قابل ملاحظه ای در دقت آماره های بازیابی شده حاصل شده است. همچنین از این روش برای تخمین توزیع آماره های بدست آمده استفاده شده است که نتایج، دقت قابل قبولی را تخمین می زنند.