随着无线通信技术和雾计算的快速发展,新的服务和应用层出不穷,导致网络边缘生成的流量数据类别愈加复杂,考虑到网络运营商需要根据不同流量对网络中带宽、时延等的不同要求来进行网络管理和资源分配,流量分类和识别被认为是准确评估网络性能和有效分配网络资源的关键研究方向。本论文首先回顾了流量分类领域中的一些常见方法,随着对新兴服务和应用的需求日趋增长以及对数据保密的认识日益提高,传统的集中式流量分类方法正面临着前所未有的挑战。无线网络中数据量的急速增长更进一步的对传统基于云计算的处理方法提出了挑战,基于云计算的传统方式需要大量带标签的数据集,这不仅意味着高昂成本,而且还可能导致信息泄露。为了满足服务低延时高可靠的需求,雾计算被认为是一个良好的补充方案,雾计算的兴起让数据更多的被分布式存储于网络边缘,本论文针对在雾计算分布式架构下的流量分类进行了深入调研。现有的联邦学习方式虽然可以在保证数据安全的前提下对分布式数据集进行分类,但大部分都是基于监督学习的方式,对分布式无标签数据集进行分类仍然是个难点。针对流量识别中对分布式无标签数据集分类的痛点问题,本论文提出了一种新颖的框架,即基于联邦学习的生成对抗网络和自分类模型（FGAN-AC）。该框架将去中心化的数据生成与流量分类集成在一起。FGAN-AC能够跟据分布式存储于各个雾服务器的无手写标签数据进行生成与分类,并且不会造成任何的信息泄露。本文提出并比较了两种类型的数据生成方法:一种是计算效率高的FGAN（FGAN-Ⅰ）,另一种是通信效率高的FGAN（FGAN-Ⅱ）。对于前者,每一个本地数据集仅仅需要部署一个卷积神经网络来处理数据从而减小每个数据集消耗的计算资源,而后者仅仅需要协调中间模型训练的参数以达到节约通信资源的目的。数据分类和自更新框架被提出用以从生成的数据样本中自动识别未知类型的流量数据,并为其创建用于模型训练的伪标签。实验结果表明,与现有的解决方案相比,我们提出的框架有能力生成高质量的数据并且可以显著提升流量分类的结果。