随着网络流量的快速增长,骨干网络体系架构不断演进,扁平化、网状化和动态自适应成为网络架构设计和优化的一大趋势,使得本来未完善解决的应用程序识别问题再次面临巨大挑战。当前的应用程序识别方法往往面临着流量数据速度快和识别精度不高,以及加密流量识别困难等难题。本文基于时空特征与APNs的应用程序识别方法展开深入研究。为了提高识别的鲁棒性和精度,本文提出一种基于时空特征的应用程序识别方法,该方法直接以原始网络流量作为输入,分别使用CNN和LSTM混合模型同步且自动地提取空域特征和时序特征,然后将两个模型输出的向量进行拼接融合,最后由Softmax层根据融合后的特征向量识别应用程序。在USTC-TFC2016数据集上的实验结果表明,提出的方法对于恶意应用程序识别的正确率高达100%,相比于传统的CNN模型和LSTM模型分别提高了1.48%与2.37%。针对iOS系统服务的特殊性,提出了基于APNs(Apple Push Notification service)网络流量的应用程序识别方法,实现在应用程序本身未产生流量情形下识别应用程序。首先对网络流量进行流量过滤、时间序列转换和流量切分等预处理,然后,提取每个Burst的统计特征构建特征向量训练分类器来识别APNs流量,最后根据APNs流量的报文段负载长度,以查表法对即时通信应用程序进行识别。实验结果显示,提出的方法在识别APNs流量上的正确率和F1值分别为99.96%与99.97%,对四种即时通信应用程序的识别正确率达100%。本文对应用程序识别进行了有益探索,首先充分利用网络流量的时空特征来提高识别应用程序的精度和鲁棒性,然后利用iOS的系统服务APNs的特殊性,提出了一个在应用程序未产生流量情形下识别应用程序的方法。