随着我国互联网信息基础设施的逐渐完善,我国互联网流量规模也在逐年增大,这大大促进了我们社会的进步与发展,但是同来也引起了网络安全事件的隐患。为了网络信息传输的安全性,现在越来越多的流量数据开始逐渐采用加密传输方式,但是随之而来的是一些攻击手段的升级,很多恶意流量攻击也通过加密的方式进行,这给流量识别带来了新的挑战,也给网络安全带来了新的隐患。因此,本文提出了基于机器学习的加密流量识别方案,并实现了一套流量可视化及检测系统,主要研究成果及创新如下:针对加密流量特征多、维度高导致流量识别模型运行耗时问题,本文提出了通过建立特征库以及特征选择的方式来筛选特征,用特征选择之后的特征去训练识别模型来完成加密流量的分类。本文利用公开数据集约25万条,利用了机器学习框架XGBoost用来训练和测试模型,最终实现了 98.2%的准确率。本文实验验证了该方法在有限的精度损失下可以显著提高检测效率。针对神经网络模型参数多、计算量大的问题,本文设计了一种端到端的蒸馏网络模型YOTO-Net进行流量识别模型的轻量化,端到端的蒸馏结构设计减少了训练资源的浪费,此外本文还设计了多任务损失函数,损失函数不仅变得平滑而且加快了网络的收敛速度。本文在PyTorch上进行训练和验证,最终实现了 98.9%的准确率,证明了研究成果的有效性。结合以上两个研究成果,本文设计了一套加密流量在线分析系统,集成了数据采集、数据预处理、加密流量识别、数据可视化等模块,各模块之间通过解耦设计独立工作,保证了系统的稳定性和可伸缩性,在实际测试中,系统表现良好,性能优异。