随着互联网技术的不断发展和网速的提升,网络环境中瞬时到达的网络流量会很大,因此网络流分类仅仅强调准确性是不够的,还要考虑分类的实时性。及时准确的流分类对于网络资源管理和为用户提供良好的体验质量（Quality of Experience,Qo E）非常重要。网络流早期分类在流早期阶段就完成分类,能够有效地应对高速网络环境,实现分类的实时性。因此,网络流早期分类具有重要的研究和应用价值。论文的主要工作可以分为以下三个部分:通过分析网络数据包的大小和到达顺序的特点,提出了条件频度和速率序列两种特征。首先,将原始数据包序列按照数据包的传输方向划分成上行数据包序列和下行数据包序列;然后,利用等距分箱分别划分出上行和下行包序列的数据包大小等级;最后,计算某个方向相邻到达的两个数据包前包为等级i,后包为等级j的事件发生的次数,记为条件频度;将相同方向的数据包大小序列除以时间间隔序列,记为速率序列。实验结果显示条件频度和速率序列的统计特征能够有效地改善流早期分类的识别准确率。结合时间复杂度和相关性分析进行特征选择。为了提高分类的实时性,需要尽可能的缩短特征提取的时间;因此,对提取的网络流特征进行时间复杂度分析,选取时间复杂度较小和计算简单的特征;然后,为了减小特征维度和特征冗余,通过结合过滤式和嵌入式的特征选择方法进行特征相关性分析,根据特征对模型准确性的影响程度选取最优的特征集合。实验表明,上述特征选择方法能够在保证分类准确性的情况下,有效减少特征提取的时间,提高分类的实时性。为了实现更高的分类精度,设计了两种流早期分类框架。一种是基于级联结构的流早期分类框架,首先,利用先到达的数据包完成视频/非视频二分类,而后续到达的数据包通过后续的多分类器进行视频或非视频多分类。此外,还引入了流式计算方法来进行特征计算,加快计算速度和节省存储空间。另一种为基于多段子流投票的流早期分类框架,对同一条流抽取三段连续且个数相同的数据包序列,分别提取事先选择好的特征,输入到相同的随机森林模型进行分类,利用三段数据包序列的分类结果进行投票作出最终的预测结果。实验表明,该方法的分类精度优于现有方法。最后,还分析了不同超参数对于随机森林分类器性能的影响。