网络技术的快速发展,尤其是P2P应用的飞速发展,大大丰富了互联网的内容。但其服务大多采用端口跳变和协议加密等相关技术,使传统的基于端口和有效载荷的分类方法的效率大大降低。如何对网络流量进行有效分类,给广大的互联网使用者提供一个安全、可靠和高效的使用环境,是很多学者和网络管理人员正在研究的问题;采用机器学习的方法对网络流量自动分类是一种有效途径。课题研究基于贝叶斯理论的网络流量分类相关技术。论文首先介绍网络流量数据采集方法,通过wincap软件捕获网络报文,然后将采集到的报文按五元组进行分类为流,产生了34个网络流量侯选特征,形成了网络流的特征向量。在网络流量类型的标识上结合基于端口和机器IP的种方法,来对流的应用类型进行标注,形成了流的样本。在特征选择方面,介绍了运用相关度和快速的过滤器选择方法来对特征进行选择方法,得出有利于分类的特征子集。实验结果表明提出的方法可以降低特征维数以便减少学习和分类的时间,同时还可以去掉不相关或冗余特征,增加分类的准确性。在网络流量分类方面,分析了朴素贝叶斯、C4.5决策树分类方法,研究了分别基于这三种方法所构建的网络流量分类器。对常见的8种混合的网络流量应用类型数据进行了分类研究,给出了实验结果。实验结果表明基于贝叶斯学习的网络流量分类方法分类正确度高和分类时间开销小,具有一定的应用价值。