近年来,随着移动端用户的飞速增长,移动端流量在网络流量中的占比越来越大。因此对于移动网络流量的管理变得尤为重要,但是移动网络流量的特征与PC端流量有着一定的差异,传统的PC端流量识别方法并不能完全适用于移动端的网络流量识别,这给管理者造成了不小的麻烦,因此移动端的流量识别对网络安全管理来说有着重大的现实意义。本文研究分析了移动端流量的发展现状,概述了国内外针对移动端流量识别的实现原理与方法。经过考察调研发现,目前移动网络中的流量90%以上在应用层采用的是HTTP协议和HTTPS协议进行传输,故本文重点针对移动端应用层的HTTP和HTTPS流量进行识别。首先设计了一套基于Wireshark的移动流量采集打标系统。其次分别针对HTTP和HTTPS协议流量特征进行提取和优化:对于HTTP协议流量,提取HOST、URL作为初步的特征字段;对于HTTPS加密协议流量,提取SNI域中的HOST信息作为特征,在此基础上提出了一种基于增益因子加权的特征提取优化算法,实现对初步提取特征的优化。最后将优化后的特征放入XGBoost模型当中去训练。在算法设计上,本文通过引入增益加权的特征优化算法,综合了特征在样本中出现的频率和流量报文数据的现实意义对特征进行增益加权提取,从而进一步提高了特征的有效率,并且在一定程度上起到了降维的效果,减少了训练样本出现空值的情况。在系统设计上,本文将深度包检测的方法与基于统计特征的机器学习识别方法进行结合,有效的弥补了网络大量背景流量给识别系统带来的精确率损失。本文在真实的移动流量数据上进行测试,通过真实的应用流量测试集去验证识别模型的正确性,并通过与传统特征提取算法在相同模型下的训练效率、准确率、查准率等方面进行对比,对比结果验证了基于增益因子加权的特征优化算法可以提高机器学习模型的训练效率和模型识别的精确率与召回率。