随着工业物联网的发展,越来越多的控制系统、传感器和应用程序数据通过加密来保护网络安全。然而,流量加密后其负载特征的随机性加强,统计特征也发生变化,传统面向非加密流量的检测分析技术难以识别和处理加密流量,现有的加密流量研究主要集中于互联网流量,而对于工业自动化场景中的加密流量在网络拓扑结构和加密方式等方面存在明显的区别,这给工业物联网安全与管理带来了新的问题和挑战。为此,本文针对工业物联网中加密流量难以有效检测和识别的问题,在不解密的情况下,研究多种深度学习和联邦学习的网络流量分类方法,实现对工业物联网加密流量的应用分类及入侵检测,具体工作如下:（1）工业物联网加密流量应用分类。首先,充分考虑加密流量的空间和时序特性,基于1D-CNN、LSTM和CNN-LSTM三种算法分别构建了自动提取加密流量特征的分类器训练模型,然后应用Softmax得到分类结果,实现加密流量的应用分类任务（10个应用类别）。实验结果表明,使用基于1D-CNN的分类模型训练速度更快且分类准确率最高,因为1D-CNN在处理时序数据时能够有效地利用前后数据的局部特征,具有更强的泛化能力,实现更好的分类效果。（2）工业物联网加密流量入侵检测。针对工业物联网加密流量的网络攻击问题,识别并分析了工业物联网连接协议的11种攻击流量和正常流量。首先,充分考虑了加密流量的特征和工业数据的隐私安全,提出了一种基于联邦学习和深度学习算法构建入侵检测模型的方案,通过多方协同训练模型,实现加密流量的入侵检测。实验结果表明,基于联邦学习架构的1D-CNN算法的入侵检测模型训练速度更快且正确率最高,进一步验证了 1D-CNN算法在处理时间序列数据时能够提取更多的特征,具有更强的泛化能力。另外,采用联邦训练的正确率比集中训练仅仅低0.5%以内,能够保证网络加密流量入侵检测的有效性,还保证了工业用户数据的安全隐私。本论文研究成果为工业物联网加密流量的分析和识别提供关键技术基础,对于提升工业物联网的安全与管理具有重要的指导意义。