在第五代移动网络快速普及的背景下,互联网中吞吐的海量流量数据种类繁多,增加了网络流量分类问题的难度,对分类器的速度和准确性提出了更高的要求。如何通过分析网络流量实现网络态势感知,及时发现网络异常情况并采取针对性处理措施,对于实施网络安全审查制度,加强网络安全管理,检测和抵御网络入侵,维护国家网络安全等都有着重要意义。传统的基于端口的分类方法在日益复杂的网络环境中分类性能不可靠,基于深度包检测技术的分类方法不适用于加密网络流量的分类。而基于机器学习分类方法具有良好的分类性能,同时克服了深度包检测无法识别加密网络流量的问题,是近年来流量分类问题的研究热点。本文在机器学习的框架内,针对现有方法的不足,在两种深度学习模型中引入深度流检测技术,提出了结合深度流检测与深度学习的网络流量分类方法。本文的主要研究内容及创新工作如下:1.研究了传统的网络流量分类方法,分析了各个方法的技术原理,总结每种方法的优缺点,针对现有的方法的缺陷,在一维卷积神经网络和堆叠式自动编码器两种深度学习模型中引入深度流检测技术,设计了改进的神经网络模型,将数据流特征下沉到数据包,把数据包特征和数据流特征统一在一个网络模型中,综合了数据包中字节的空间相关性和数据包序列间的时间相关性,提高模型的分类性能,同时避免批量误判。2.本文采用了公开的加密流量数据集ISCX 2016 VPN-non VPN数据集作为实验的数据集,对数据集的数据量分布进行了分析,针对数据集存在的严重的类别不均衡问题,研究了常见的数据集平衡处理方法,根据具体的流量分类的研究场景,提出了基于流特征共享的SMOTE算法,综合考虑了数据包和流属性,使得上采样获得的新样本与原样本属于同一类别且归属于同一条流,使数据样本具有更好的数据连续性,基于提出的流特征共享的SMOTE算法改善了数据集中的流量类别不均衡问题。3.针对卷积神经网络和堆叠式自编码器两种深度学习算法,分别利用传统模型与改进模型进行了对比实验和分析。提出的方法在加密流量数据集ISCX 2016VPN-non VPN上取得了优秀的分类效果。在常规网络流量的分类实验中,提出的改进模型对所有类别的准确性均在90%以上,其中有12类的准确率高于99%,分类性能非常优秀,相对于传统的一维卷积神经网络有明显提升,尤其是Email类和Skype类的F1分数比传统模型分别高出18%和14%。在含加密网络流量的混合网络流量分类实验中,提出的改进模型对所有类别的准确性均在90%以上,其中有11类的准确率高于90%,分类性能优秀,且无明显缺陷,相对于传统的堆叠式自动编码器有明显提升。其中对VPN:Chat类的F1分数比传统模型高15%,对VPN:Email类和VPN:Torrent类的召回率比传统模型均高出13%。