快速 UDP 互联网连接（Quick UDP Internet Connections,QUIC）加密协议与其他主流加密流量协议相比具有更强的加密性和不同的流特征,这使得现有的基于流量有效载荷和基于流特征的单模态加密流量分类方法不适用于QUIC流量的分类,存在准确率较低的问题。针对以上问题,本文提出一种基于多模态深度学习的QUIC流量分类方法。算法首先提取流的统计学特征和流的有效载荷两个模态的信息,其中QUIC流统计学特征通过基于特征排序的过滤式特征选择算法进行特征选择;然后,利用基于卷积神经网络的深度学习方法分别学习两个模态的特征视图;之后,融合层融合两个模态学习到的特征视图,用深度学习方法继续学习融合后的多模态特征进行分类,得出QUIC流量应用类型分类结果。算法实验结果表明,本文提出的分类模型在自建QUIC流量数据集和公开QUIC流量数据集下的分类准确率均能达到99%以上,相较于单模态流量分类方法,准确率提升了4%左右。本文基于上述QUIC流量分类方法,设计并实现一个QUIC流量分析系统。系统主要包括数据获取、数据处理、流量分类、数据展示四个模块。其中数据获取层负责采集QUIC流量数据,并对其做分流处理;数据处理层需要完成QUIC流统计学特征的提取、有效载荷灰度图的转化和QUIC流量的分析任务;流量分类层负责完成QUIC流量应用类型的分类;最后数据展示层通过获取数据库中保存的QUIC流数据进行前端展示。本文对系统的各模块进行测试,结果表明系统整体功能达到预期目标。