当前互联网发展异常迅速,物联网、云计算等相关新技术不断涌现,宽带接入已成国际发展总趋势之一。随着网络带宽的增加以及业务类型的多样化,网络流量日益具有复杂性和动态性。及时准确地识别网络流量对于流量工程、QoS以及网络安全管理等有重要的现实意义,网络流量识别已成为互联网研究的热点之一。接入网流量具有高速性、动态性、复杂性、连续性和数据量大、存在概念漂移、不同类型数据流分布不平均等特点,网络数据流识别方法需要做到在有限存储空间和时间内快速识别并能适应数据流概念漂移等情况。传统和现有的流量识别方法大多是基于静态数据集的分类识别方法,很难适应高速、在线、宽带接入的流量识别。本文针对宽带接入网流量识别问题进行了重点研究,提出了三种流量在线识别算法及相应识别方案和一种新的基于不确定性证据推理的决策融合流量识别原型体系。主要创新点包括以下几点：1.提出了自适应分级滑动窗决策树的分类算法AGSW-DT。该算法基于Hoeffding决策树,根据节点信息增益率检测概念漂移,动态调整不同概念滑动窗口及训练数据样本集,实现了对不同速率概念漂移的自适应检测和决策树更新。通过实验并与C4.5、CVFDT分类结果对比,显示AGSW-DT算法克服了由于概念偏态分布造成概念不完全更新的问题。在有效提高概念漂移检测效率的同时,可以获得更加均衡的不同应用类型分类准确度,适用于网络流量工程应用领域对已知应用类型流量进行带宽控制和管理等需求。2.提出了基于密度在线聚类OL-DBSCAN算法及识别方案。该算法采用数据流的若干初始数据包作为子流,满足了对数据流的早期识别要求。通过引入Q值解决了聚类算法存在的参数选择的难题。基于OL-DBSCAN在线分类方案结合了自适应在线聚类算法、DPI检测机制,实验结果表明了该方案具有识别加密数据流,提取新应用类型特征的能力,能适应数据流特征随时间变化。适用于网络安全管理方面的应用,可以有效提取未知应用类型的特征信息提供给管理者做进一步分析和处理。3.提出了基于传输层连接拓扑模式的流量分类算法TCTP。该算法利用了不同应用类型在传输层表现出的连接特征,通过提取典型应用类型的连接模式特征信息,生成应用类型和网格的映射关系以及应用类型池,进而实现了实时流量识别。该方法不依赖数据流时间统计信息,没有分类和聚类算法对时间统计特性敏感的问题,具有较高的实时性和可靠性,对于分类方法和聚类方法具有良好的补充识别作用。4.提出了基于证据推理的多分类器决策融合识别原型体系。由于每种流量识别算法各有优缺点,为有效利用多个不同算法的识别结果,需要实现决策信息融合,提出了流量识别原型系统基于证据推理的不确定性决策融合算法,采用最大信任函数融合,实现了多分类器的决策信息融合。实验结果显示了该体系能大幅提高分类准确率,同时降低分类的拒识率和错误率,综合识别结果表明在各指标上都要优于单个分类器,充分发挥了各分类器的优势。