随着互联网技术的高速发展,对于网络环境安全的需要也越来越紧迫。网络流量分类技术作为实现网络可控性的基础技术和重要手段,在网络管理、服务质量保障和网络安全等领域正在发挥越来越重要的作用。本文研究了现有的网络流量分类技术,总结了基于端口号匹配、基于特征字段分析、基于传输层行为模式和基于流统计特征的机器学习方法各自的优势和不足。鉴于基于机器学习算法的网络流量分类技术分类精度高、易于扩展等优点,选取随机森林作为网络流量分类方法,并针对传统随机森林的不足提出了改进策略,最后再将改进的随机森林策略实现到OCTEON平台上,设计并实现了基于OCTEON多核处理器的网络流量分类系统。最后,搭建了系统测试环境,对系统进行了有效性测试。主要工作有以下几个方面:1、 在充分理解传统随机森林算法的基础上,根据算法本身存在的单节点模型训练速度慢和不区分基分类器强弱性能差异的不足,从并行性和加权调整两方面入手提出了改进的随机森林策略;2、 对OCTEON本身的硬件特性进行研究,将OCTEON的运行模式、核间同步通信机制和内存分配机制等优秀特性与改机的随机森林策略结合起来,在OCTEON平台上实现改进的随机森林模型;3、 实现了基于OCTEON多核处理器的网络流量分类系统,详细介绍了系统的架构设计,各个功能模块的详细设计和实现,并搭建了系统测试环境,对系统的分类性能进行了测试,验证了系统在流量分类方面的优异性能。