随着计算机网络和信息技术的广泛应用，互联网数据中心的安全管理至关重要。VoIP是一种在IP网络上传送语音，并以此推出相应的增值业务的技术。VoIP能广泛的采用全球IP互连的环境，为互联网语音通信提供了有效的技术保证，代表着网络应用的新方向。大量的非法的VoIP应用将会占用大量的流量使得网络设施的负载增大，影响其他网络应用，增加电信网络营运商的成本，同时给电信监管部门的工作提出了新的技术挑战。网络综合监控管理系统可以对IDC进行信息侦控等安全管理，可以随时掌握托管主机和虚拟主机的服务情况，使IDC内所有服务提供商的服务情况处于24小时监控之中。通过在网络综合监控管理系统中进行VoIP监控识别，对加强互联网的管理有着事半功倍的效果。传统的流量识别技术已经不能满足现有网络的发展情况，应用在网络综合监控管理系统中，存在报警准确度低的情况。而采用基于机器学习的贝叶斯网络识别算法在网络综合监控管理系统中对VoIP应用进行识别，是在原有技术基础上，采用新算法设计的识别技术，能适应新的IDC网络综合监控管理系统识别的需要。为此，在网络综合监控管理系统中进行VoIP流量行为的识别是新的研究热点。 本文阐述了网络综合监控管理系统和VoIP的发展和研究现状，分析了当前的VoIP协议和现有的识别技术，详细探讨了现有的VoIP应用软件以及其应用时的网络行为特征，提出实现VoIP的算法模型，并进行了网络综合监控管理系统中的实现。论文对实现模块中必要解决的技术问题进行了深入探讨。通过对VoIP进行流量识别，并对结果进行分析学习，动态地反馈、调整网络中的各个检测组件，加强VoIP特征的数据检测。论文还针对VoIP流量的功能要求，设计并实现了一个基于贝叶斯算法的VoIP流量识别算法，并通过实验证明了该算法在识别VoIP流量方面的有效性。经过试验证明，该系统提高了在IDC网络综合监控管理系统中VoIP监测的报警准确度。最后总结了论文的研究工作，并指出了下一步的研究方向。