随着信息时代的到来、4G技术的普及,移动互联网在高速大容量以及业务多样性方面的性能要求越来越高,下一代移动互联网、5G技术正在紧密部署,如何满足多用户在高速连接环境下,协调多种网络资源,为用户提供更优质、快速的服务是各运营商与网络平台的主要目标。而有效的IP业务标签识别、管理,一方面可对数据进行高效的分门别类,提升网络效率,增强网络可控性;另一方面对各大运营商的多业务发展谋划奠定基础,提高用户服务质量(QoS)和用户质量体验(QoE)。本课题来源于广州市科技计划项目-面向5G网络测试云平台技术研究及产业化,提出一种面向下一代移动互联网的IP标签识别处理方法。首先介绍了在当今移动互联网下,业务识别方法的相关技术研究背景与发展趋势,分析了深度检测技术的原理、优劣性,着重介绍基于机器学习的决策树算法以及模型训练的再培训过程,并简述实时处理数据的Storm分布式数据处理引擎机制。然后,针对下一代移动互联网三大应用场景,提出基于Hadoop、Storm等大数据架构,并结合netstat等处理工具,实现移动互联网大容量、多连接、高速率特性实验环境模拟。基于实验环境可完成对即时通讯类、视频类、知识共享类中的典型业务协议解析与数据包解析,划分不同业务的决策节点标准。为当下5G准备大规模商用提供一种简单、易行、可普及的实验环境场景,解决测试环境缺乏的问题。最后,基于优质数据集处理方法,结合改进的C5.0算法与Bagging算法框架,提出一种基于优质数据集的增强分类器识别方案。过滤无效的数据包并丰富相关数据协议获取优质数据集,提高数据集的识别效率、增加有效数据包的识别准确性。之后划分所得优质数据集训练出相应的分类器,根据优化、集成各个分类器以提高网络识别准确率,有利于网络的优化与维护,提升服务台运行性能。通过场景环境的测试,实验方案的验证及与其他识别方案的对比,结果显示,本文搭建的实验环境可实现100Gbps采集速率,且支持多连接、有TB级别的存储能力,提供的测试环境满足下一代移动通信需求;基于优质数据集处理方法及增强分类器训练模型的IP标签识别技术,提高了单分类器的识别准确率,增加了识别的泛化能力及整体的识别准确率,优化工作台运行性能。