随着互联网的发展，人们对于互联网提供的服务质量的要求也越来越高。在所有的网络应用中，P2P应用的流量占据了网络流量的一半以上，这给网络带来了巨大的带宽压力，影响了其他互联网应用带宽的正常使用。为了保证网络的正常运转，网络管理者可以通过P2P流分类技术识别出P2P应用流量，并对其进行一定限制和管理，从而保证其他网络应用对于带宽的合理使用。2005年，Moore等人在SIGMETRICS发表了一篇使用贝叶斯分类进行流量分类的文章。文中针对TCP提出了249种流分类参数，这些参数大部分基于流时域特征。但是，通过实验发现，基于流时域特征参数的网络流分类容易受到网络环境影响，稳定性较差。针对如何提高P2P流分类的稳定性问题，本文做出如下工作：1、本文主要创新点是引入基于时频变换的网络流特征参数用于P2P流分类。本文首先分析了P2P应用通信的特点，发现与传统C/S架构相比，P2P应用更容易出现重复传输大小相等的文件块的特征。针对该特征，本文对流量提取数据包负载序列和数据包时间间隔序列，然后对其分别进行时频变换，并对变换后的序列进行参数提取，从而得到了基于时频特征的流特征参数。相比于时域特征参数，时频特征参数更能够反映P2P应用通信的特点，从而得到更稳定的分类结果。2、网络流分类是一个需要长期进行研究的领域。为了支持本文对P2P流量分类的研究和后续对于其他网络应用分类的研究，本文搭建了一套用于网络流分类研究的软件平台。该平台支持对于大文件的分析，同时能够极大的方便研究人员对于参数提取的研究。研究人员只需要简单的对网络流参数提取插件进行维护和管理，就可以开展对于网络流分类的研究分析。现在，这个平台已经被用于其它类型流量的分析研究工作中。3、在实验分析部分，本文首先分析了网络中流量字节数的分布情况，发现网络中极小部分流占用了绝大部分资源，说明了对于基于P2P流分类的应用需要关注流分类的字节精度而不仅仅是流分类的流精度。然后，通过分析对比加密流量和非加密流量的负载统计与包到达时间间隔统计等特征，发现流量是否加密对P2P流量统计特征影响不大，这样的发现为使用时频特征参数进行P2P流分类提供了有效的实际依据。最后，通过使用在不同网络环境下捕获的数据进行交叉实验的方式，对比时域参数和时频参数，得到了时频特征参数在字节分类精度上较时域参数更为稳定的结果。