深度学习算法被广泛地应用于网络流量分类,具有较好的分类效果,应用深度学习方法不仅能大幅提高网络流量分类的准确性,还能简化其分类过程。然而,基于深度学习的网络流量分类方法面临着中毒攻击、对抗攻击等安全威胁。因此,为了验证使用深度学习算法进行网络流量分类具有不安全性,本文对基于深度学习的网络流量分类方法进行了对抗攻击和中毒攻击的攻防研究,在保证网络流量分类场景的可行性下,探究了中毒攻击和对抗攻击两种攻击方式的威胁性并提出相应的防御措施,且在数据集上得到了验证。为了研究对抗攻击对基于深度学习的网络流量分类识别方法的威胁性,本文采用了多种对抗攻击算法进行验证,对抗攻击是在网络流量分类识别的测试阶段进行攻击,旨在向网络流量测试样本添加一定的人肉眼不可见的扰动来使得分类模型对样本进行错误分类,达到蒙蔽分类模型的目的。实验证明,对抗攻击对基于深度学习的网络流量分类识别方法具有强大的潜在攻击性。同时为了研究中毒攻击对基于深度学习的网络流量分类方法的威胁性,本文提出了基于局部像素修改的中毒攻击方法,通过在网络流量训练样本中添加扰动局部像素值的中毒样本,使得对神经网络训练后产生错误的分类模型,错误的分类模型会对正确的样本进行错误分类,甚至攻击者可以利用训练集中毒样本的特征在测试集使用具有相似特征的测试样本来触发后门。实验证明,攻击者可以通过污染网络流量训练集的方式来达到在测试阶段使用后门触发中毒攻击。针对对抗攻击方法,文中提出了基于混合对抗训练的防御措施,指将对抗攻击形成的对抗流量样本和原始流量样本混合训练,这种方法尽可能地补充了训练样本的全面性,也大大地提高了分类模型的鲁棒性。另外针对局部像素中毒攻击,本文也提出了采用图像转换再训练的防御方法,将干净的网络流量样本进行整体的像素打乱重组后对中毒的分类模型进行再训练。上述两种攻击方法的有效性以及两种防御的可行性都在USTC-TK2016数据集上得到了验证。