随着互联网的飞速发展,如何有效地来对网络流量和用户行为进行监管,构建一个文明健康、可信稳定的网络空间,渐渐引起了研究者们的注意。因此,如何对网络中不同的人(即端目标)进行表征与识别开始成为当前研究者们关注的一个焦点。近年来研究较多的是如何利用流行为特征对网络流进行分类,而将其应用于网络端目标的表征与识别的研究则相对较少。针对上述网络端目标表征与识别的研究现状,本文提出基于服务类型划分的分析方法,首先根据不同的服务类型对流量进行分类,并应用于网络流的行为特征的提取和选择,得到网络端目标的表征,随后引入机器学习和社团发现算法,最终完成网络端目标的识别,并取得了不错的效果。主要工作如下:(1)针对个体端目标的识别,即识别一个特定的用户行为是由哪个端目标产生的,本文引入了基于机器学习的分类方法。首先将用户的流量梳理到作者划分的24种服务类型之下,用于构建端目标的流量矩阵,接着就是对原始的数据包处理得到分析所需的相关流行为特征,经过特征选择之后最后得到用于表征一个端目标的特征参数集,如此一天的流量数据便可以转化为表征该端目标行为的一个样本。采集了足够多的样本数据之后,便得到了机器学习所需的样本数据,经过对样本数据的手工标记之后,本文采用机器学习中的C4.5决策树算法将样本数据用于训练和测试,最终取得了不错的识别效果。(2)针对个体端目标之间的行为相似性,即发现网络中潜在的社团群体,本文提出了基于流行为特征分析的社团发现算法来进行分析。由于需要衡量端目标之间的行为相似性,作者分别使用Dice相似度计算流行为特征的相似度,余弦相似度计算服务类型的相似度,构建相似度矩阵。最后利用社团发现算法分别得出基于流行为特征和服务类型的社团结构划分,综合两者的结果得到最终的社团划分结果。