按照应用类型进行网络流量的分类对网络管理来说具有非常重要的意义。精确的分类可以帮助网络设备在拥塞时区分流量的优先级、进行流量整形、实现流量的诊断检测等等。同时,随着网络技术的发展,千兆网络成为园区网络的主流,不少主干网络已经达到10G量级。因此需要研究有效的面向高速网络的应用分类方法,以期根据实际需要以及网络运行状态部署合理的安全管理策略和流控措施。本论文创造性的提出了全新的分类方法-Further Division of Partition Space (FDPS)。该方法通过对已经过神经网络映射的数据集的识别空间的进一步划分,对传统的神经网络分类器进行了有效的改进。此外,本文还研究了FDPS与柔性神经树(FNT)的结合,以期进一步提高其性能。实验结果表明,FDPS与传统的神经网络分类器相比,具有更快的训练速度以及更高的分类精度。而通过与FNT的结合,FDPS的泛化能力可以得到进一步的提高。此外,本文还研究了几种主流的流量分类方式。通过对它们的比较,选择了基于传输层行为特征的流量分类方式作为本文的研究对象。这种方法克服了基于端口号和基于特征字段的分类方式的适应性差和无法识别流量伪装的缺点。其基本原理是,不同的应用在网络上发生传输时,会产生不同类型的行为特征,依据这些特征,可以实现对网络流量的分类。本文对基于传输层行为特征的流量分类方式,使用了FDPS算法,在经典的网络流量数据集Auckland IV上进行了测试。实验结果表明,FDPS算法在基于传输层行为特征的流量分类方式中的应用具有良好的性能与前景。但是,如果想在高速网络的环境下进行传输层特征的提取和分类,网络设备的处理速度必须被考虑。网络处理器(Network Processor,简称NP)是一种面向高速网络的有效的解决方案,它适用于各层网络处理,综合了ASIC的高速数据处理性能和RISC的可编程特性,提高了灵活性并降低了开发成本。基于上述研究,本论文设计了基于传输层行为特征的面向线速处理的流量分类系统,该系统使用FDPS与FNT相结合的算法(FDPS+FNT)作为核心分类方法,采用由INTEL公司出品的IXP2400网络处理器作为平台,实现了面向高速网络的智能化流量分类。实验结果表明,该系统可以很好的在高速网络环境下,对网络流量进行线速的分类处理。