网络流量分类一直是学术界、产业界和网络监管部门共同关注的热点之一,是指将混合流量分成不同的流量类别,依据是不同的网络应用或协议的特征或参数。一方面,网络安全领域需要识别入侵流量;另一方面,进行网络管理时需要对不同应用的流量分类分析,从而合理控制和分配资源,保证网络QoS。随着网络流量的数据量和种类的大量增加,传统分类方法难以满足要求,基于机器学习的算法成为网络流量分类的研究热点。针对机器学习特征工程造成的瓶颈,本文研究了以卷积神经网络为主的深度学习算法在网络流量分类中的应用,主要工作如下:一、为充分利用网络流量数据的时间特征,本文将三维卷积神经网络应用于网络流量分类。将原始网络流量按网络流进行划分后,提取每个流前部相同数目的数据包,每个数据包保留前部的相同长度。每个流中数据包的序列作为一个维度,每个数据包中的数据利用one-hot编码转换为二维。预处理后的数据相当于视频处理中的多帧灰度图,构成三维卷积神经网络的输入。本文采用Tensorflow平台搭建三维卷积神经网络进行仿真,验证了方法的有效性:与基于二维卷积神经网络的网络流量分类器相比,本文取得了更高的准确率;与将时间特征用循环神经网络处理的组合分类器相比,本文在保证准确率的情况下参数量与计算量明显减小。二、针对卷积神经网络将未知类别强行划分为已知类造成的差错,本文对网络的类别判断层进行了改进。通过仿真实验,本文验证了类别判断错误(包括未知类别)时,概率最大的类别对应概率值的分布明显区分于判断正确时概率值的分布。根据以上发现,本文为类别判断层设置了动态阈值,在训练发现的最优阈值下,本文能有效识别未知类别。仿真实验证明,本文对未知类别的处理使系统分类准确率提升了 11个百分点。此外,本文对划分出的未知流量数据通过标记后用于系统更新,系统整体的准确性得到提高。