随着互联网的飞速发展和网民对于网络安全意识的提高,网络流量加密技术也不断完善,加密后的网络数据流载荷特征与加密前相比发生了较大变化,另外不同应用的行为操作也日趋复杂,这都使得对于已被加密的网络流量进行行为识别的更细粒度的分类变得日益困难,因此加密在防止数据泄露、被盗取的同时也隐藏了恶意流量或有安全隐患的流量信息,这对网络监管带来了极大的风险和挑战。研究加密流量分类识别算法,尤其是细粒度的加密流量行为分类技术,能够给网络监管提供有效技术支撑,对于维护网络数据安全、防止信息泄露有着重大意义。本文研究内容除了通过加密流量分类技术,将混杂流量进行应用分类识别外,还重点解决了精准分类特定应用的特定行为问题。主要研究成果如下:1、针对目前加密流量的应用识别方面缺少模型分类可信性的问题,提出了一种基于RBF神经网络的可信加密流量分类方法。由于在实际环境中,大量的混杂流量无法对模型分类结果的可信度进行判别,会大幅影响分类结果对流量检测的支撑力度。由于RBF神经网络本身具有局部映射的特性,本文选择该神经网络作为基础分类器,同时增加了模型分类的可信度,并采用指数移动平均来更新质心位置,选择双边惩罚增强数据点的敏感性,针对原始混合加密流量中的Gmail邮箱,两个实验数据集的分类精度分别达到91.05%、99.82%的同时,能够有效识别分布内外的数据,其AUC值达到了 0.985。2、针对特定邮箱应用的各种邮件行为的通信过程不一致、各类细粒度行为流量无法直接进行多分类的问题,提出了一种基于CFS-Bestfirst特征提取技术的层级行为识别架构。本课题针对全球邮箱应用量连年首位的Gmail邮箱进行流量行为识别分类,提取了 84维基于时间、空间度量的特征,并结合CFS-Bestfirst算法来进行特征选择,以层次递进的方式识别不同通信方式下的收发邮件的细粒度行为,将粒度细化到特定应用的行为层面进行模型构建,对于基于邮箱客户端、浏览器的发送有/无附件邮件、接收有/无附件邮件的精度分别达到91.53%、96.96%、89.47%和 94.51%。