随着互联网技术的飞速发展,网络的用户量逐渐增长,网络流量带宽也日渐增加。为了确保通信安全和用户隐私,越来越多的网络流量是经过加密的方式进行传输。加密流量一方面提高了通信安全,但同时,加密流量中也包含大量的恶意连接、非法的访问等,给网络空间安全带了极大的挑战。因此,加密流量识别是目前网络空间安全研究的热点问题之一。加密流量识别已经开展了多年的研究,特别是基于深度学习的密文流量识别在某些任务中取得不错的效果,但是基于代理的Web加密流量识别仍是网络加密流量识别仍未有效解决的难题之一。本文以Shadow Socks为例开展密文流量识别研究,首先分析密文协议特征和行为,其次通过辅助训练平台解决识别模型的概念漂移和模型衰退问题,提出基于深度学习的密文流量识别模型,最后,在实验室环境下开展了测试。其取得的主要研究成果如下:1.针对基于深度学习的密文流量识别存在训练漂移,模型衰退的问题,提出了基于Docker的自动化辅助平台训练离线模型,为在线密文流量识别提供模型更新。2.分析不同浏览器,相同浏览器不同版本,不同操作系统对密文流量识别的影响。并在此基础上,提出基于卷积神经网络的密文流量识别模型,在实验环境中识别准确率达到97%。3.结合前述研究基础,融入Docker容器管理,服务器监控,密文流量识别可视化等功能,设计并实现了一套基于深度学习的密文流量识别系统。系统基于B/S架构,通过在服务器上搭建Web服务,能够方便网络管理人员在Web端上了解系统的整体运行情况。