随着移动通信技术日益发展和进步,移动互联网数据流量呈现井喷式地增长,各类新型应用层出不穷,网络业务也变得愈加复杂。而对网络业务类型进行识别可以有效地预防网络威胁、保障网络安全、实现访问控制、进行内容审计。但是由于网络业务类型日益繁多且数据流量采用加密的方式进行传输,导致单纯地依靠传统的网络业务识别方法已经不能有效且准确地识别出复杂的业务类型,因此需要研究新的业务识别方法。近年来,随着机器学习不断成熟,越来越多的研究者把机器学习应用到各个领域。因此,本文基于机器学习技术对网络业务识别问题进行研究,主要研究成果如下:首先,针对异构网络场景下产生的网络业务数据量较大,网络业务识别模型训练复杂度较高和业务识别准确率较低等问题,提出了一种改进XGBoost的网络业务识别算法。该算法首先对采集的网络业务数据进行预处理和特征提取,然后利用主成分分析算法进行特征降维,将复杂的多维特征简化成低维特征,降低模型训练的复杂度。最后对XGBoost分类模型的正则化参数和学习率进行了优化,利用改进的XGBoost算法对实时获取的数据流量进行业务识别。仿真结果表明,该算法不仅能降低模型训练复杂度,减少计算开销,还能提高对网络业务识别的准确率。其次,针对物联网场景中网络攻击等异常业务存在样本量较少或者经过标识的样本量很少等问题,提出了一种基于图神经网络（Graph Neural Network,GNN）的小样本网络业务识别算法。该算法首先对网络数据进行清洗,其次针对不平衡网络业务数据集会影响业务识别精度的问题,对SMOTE算法进行了改进,将不平衡的网络业务数据集扩充成平衡的网络业务数据集。最后利用GNN的方法对网络数据进行业务识别,仿真结果表明,此方法在小样本的条件下仍然可以获得较高的精准率和召回率。最后,设计并搭建了一套网络业务识别和管理系统,该系统由MEC服务器、4GLTE小基站和若干终端设备组成,共包含终端接入模块、数据采集模块、数据清洗模块、业务识别模块和界面展示模块等五个模块。该系统不仅可以对网络流量数据进行实时地业务识别,还可以对接入基站的终端进行业务管控,最后对设计的系统进行了全面的测试,测试结果验证了该系统的实用性和有效性。