随着互联网规模的增长和各类网络应用的不断出现,网络已经成为人类生活的必需品。与此同时,互联网上存在着海量的网络流量数据信息,各类网络攻击和异常流量也给网络空间安全造成了威胁。网络流量分类作为网络信息安全领域所关注的研究热点,是一种有效的网络防护手段。一方面,海量的网络应用需要进行流量分析,从而能够合理地分配资源,保证网络服务质量(QOS);另一方面,分析整个网络流量信息、挖掘网络当中所存在的异常状态并且采取针对性的措施,这对于后期的网络应急响应能力的增强、抵御网络不法攻击行为、快速的维护网络空间安全等方面都具有重要的价值及意义。随着网络数据规模的增长,传统的基于机器学习的分类方法难以满足当前需求。近年来,深度学习方法在计算机视觉、自然语言处理等领域都取得了不错的成果。本文基于网络流量分类的基本需求,研究了以深度学习经典模型—卷积神经网络为主的流量分类方法,主要工作如下:(1)为了克服传统神经网络结构单一,提取特征不充分的缺点,本文提出了基于一维CNN和改进的LSTM构建的网络流量分类模型:CNN-GRU混合神经网络模型。本文使用一维卷积神经网络(1DCNN),比常用的二维卷积神经网络更加适合网络流量的一维序列特征。采用GRU模型能够减少训练参数,节省流量分类过程中的时间成本,提升模型训练速度,优化流量时间序列特征提取效果。实验结果表明,该方法在经典数据集上取得了较优的效果,通过和传统CNN模型、LSTM模型多项对比,本文的混合神经网络模型在运行时间、损失率和准确率三个方面都有着较好的优越性。(2)为了进一步对网络流量进行高效的分类,特别是对于长时间序列当中的短子序列特征之间重要程度的差异进行识别,本文将注意力机制引入到CNN-GRU模型中。通过学习流量的显著性特征中不同局部的重要信息,从而提升混合模型中关注更加重要特性的能力,更好的实现短期内信息的有效提取及输入信息的优化。通过实验对比,该方法在经典数据集上取得了不错的效果,在准确率、精度、F1值等多项性能指标的比较中,该方法的实验结果都高于其他混合神经网络模型,并且在损失率和准确率方面有着较高的优越性。