近年来,由于网络的开放性、互联性、共享性等特点不断凸显,为了满足人们越来越多的需求,新型的网络应用以及各种应用层协议不断涌现,使得网络流量环境变得更加复杂。在复杂的网络环境中如何能够合理地分配网络带宽资源和保障多媒体业务的QoS(Quality of Service)成为ISP(Internet Service Provider)亟待解决的问题。网络流量分类可以使ISP根据不同的视频应用类型,提供相应等级的服务,进而使网络资源分配更加合理。本文主要是对在线视频、即时通讯类视频(即QQ视频)、P2P视频(即kankan视频)以及HTTP视频进行分类,其中在线视频包括在线直播和在线非直播视频,在线非直播视频又包括在线标清、在线高清和在线超清视频。本文提出了一种基于遗传算法和对称不确定性的新型特征选择方法,为了验证该方法的有效性,结合七种网络视频业务流的统计特征进行分类实验。在遗传算法、贪婪搜索算法以及粒子群优化算法三种特征选择搜索算法的基础上,对比了另一种评价函数,即不一致率,进行特征选择。然后采用BayesNet、J48和RandomForest三种分类器对七种视频业务流进行分类实验,最后从准确率、F测度和时间复杂度三个方面进行对比分析,验证了该方法的有效性。为了从大量数据中,筛选出有用的数据,可以对初始特征集进行预处理操作,即离散化处理。本文对比了特征离散化前后的分类准确率和F测度,验证了离散化操作可以提高视频业务流的平均分类准确率和F测度,同时可以有效地降低时间复杂度。单个特征的分布图很难对不同视频业务进行准确区分,如何能找到区分度较高的特征组合对网络流量分类至关重要。通过本文提出的方法,可以选择出较优的特征组合。