在网络恶意流量识别任务中,存在恶意流量样本数量与正常流量样本比例不平衡问题,从而导致训练出的机器学习模型泛化能力差、识别准确率低。解决恶意流量分类中遇到的数据集不平衡问题能够有效高分类模型的学习效果,从而达到准确分类少数流量样本的目的。越来越多的研究者在数据层面进行研究,以高数据利用效率,多样化的特征表示形式应运而生,这其中就包括利用源数据构造图像的数据表示方法,这给恶意流量分类领域开拓了疆土,使更多图像识别领域的优秀模型可以完美迁移到流量分类领域。随着生成对抗网络（Generative Adversarial Networks,GAN）被广泛应用于各个领域来实现数据生成,其强大的生成能力和以全局分布信息为生成基础的特点很好地契合恶意流量领域数据生成的目标。将其应用到恶意流量分类领域,对解决不平衡数据分类问题意义重大。针对以上问题,本文进行如下研究:（1）研究了一种基于Wasserstein GAN（WGAN）的不平衡网络流量分类方法。在原始流量数据包进行图片化的基础上出一种利用WGAN生成网络对抗生成的方式,实现少量数据类的扩充,从而解决数据不平衡问题。首先,通过数据预处理将数据集中原始流量PCAP数据按照流为单位进行切分、填充、映射到灰度图片中;然后,使用传统随机上采样、WGAN对抗网络生成技术、普通GAN生成技术实现数据集的平衡;最后,使用公开数据集USTC-TFC2016和CIC-IDS2017在经典深度卷积神经网络模型（Convolutional Neural Network,CNN）上对不平衡数据集和平衡后的数据集进行分类测试,利用precision、recall、f1三个评价指标来评价分类效果。实验结果表明,使用WGAN模型进行平衡的数据集在相同的分类模型下分类效果优于普通的GAN生成方法和传统上采样方法。（2）针对WGAN依然存在的训练不稳定和只能生成单一类别数据的问题,出一种基于具有梯度惩罚项的条件Wasserstein生成对抗网络（CWGAN-GP）的不平衡网络流量分类方法,其创新性的将CWGAN-GP模型与流量图片化进行结合来处理网络流量不平衡分类问题。很好地解决WGAN存在的效率不高和生成单一类别数据问题。同样的,首先利用流量图片化方法进行数据处理,然后将所有类别数据使用该方法进行平衡处理,最后利用公开数据集在深度模型CNN上进行分类实验,验证了所出的基于CWGAN-GP的不平衡网络流量分类方法可行性。同时与基于传统过采样平衡的分类方法进行对比,结果表明了本文方法在Precision、Recall、F1三个指标均高于其他对比方法,F1值高近3%,时间消耗减少明显。