网络流量分类作为网络管理、流量工程以及安全检测等领域的关键支撑技术之一,在当前互联网应用种类快速增长和形态不断演变的形势下,其研究具有重要的应用价值。基于流量统计特征的机器学习分类方法能有效克服传统基于端口和载荷方法的缺陷,成为机器学习方法应用和互联网流量分类等方向的研究热点。本文采用支持向量机方法,先利用权威数据进行有关方法的实验和优化,再用于实际系统设计和实现,主要的工作包括:以标准机器学习分类模型刻画流量分类问题,描述了流量特征空间上的分类问题,基本流程和效果的评价指标;其次,给出经典的Moore数据集上基于SVM的流量分类方法的分类实验精度和抽样改进方法,并分析了训练集大小和端口信息对支持向量机分类精度的影响;再次,利用特征选择方法研究了不同特征集与SVM分类精度的关系,筛选出一个兼顾测量方便和分类精度的特征集合;最后,设计实现了互联网流量分类实验原型系统,给出了系统的总体设计,给出流量捕获、流还原、特征测量以及流标注等关键技术的解决方法。通过基于校园网络某个接入Internet的局域网进行流量的采集和识别,本文的流量分类系统可以有效辅助网络应用情况的统计和预测。