网络流量分类是网络运维管理和网络安全领域的基本工作之一,它是指根据流量特征,在流量数据与应用类型之间建立映射关系。一方面,网络管理者希望对实时性要求较高的应用提供高优先级的通讯保障,尽量减少有关数据包的阻塞,以增强用户的上网体验;另一方面,面对网络攻击等入侵流量,需要网络管理人员及时发现并阻断。按照工作原理的不同,流量分类方法可分为基于端口匹配、负载匹配、机器学习和深度学习四种方法,由于前三种方法难以应对当今复杂多变的网络环境,深度学习法成为解决网络流量分类问题的新方向。本文主要研究卷积神经网络在流量分类中的应用,分别从恶意流量识别和加密流量识别两个角度进行实验探究。本文首先进行网络流量原始数据的预处理,采用图像化的策略,设计了四种不同的流量分割方法,经过分割、清洗和转换等步骤,将网络流量转化为卷积神经网络的标准输入。随后设计了一种隐藏层层数少、结构相对简单的二维卷积神经网络,对正常流量和恶意流量按照不同的需求层次进行分类,通过一系列实验确定了适合恶意流量分类任务的最佳流量分割方法,并证实了将二维卷积神经网络应用在恶意流量分类具有良好的准确率。最后在恶意流量分类研究的基础上,针对负载匹配法无法识别加密流量的缺点,以及机器学习法需要手动选取特征的不便,将卷积神经网络应用于加密流量分类,并对卷积神经网络进行调整,以期获得更高的分类准确率。一是考虑到流量数据的时间相关性,在保持隐藏层的层数不变的条件下,将二维卷积神经网络调整为一维,实验结果表明模型的分类性能得到了一定提高;二是首次将WideResNet应用在网络流量分类,结合深层卷积神经网络在提取特征方面的优势,将ISCX VPN-nonVPN数据集中加密流量分类的F1值提高至99.8%,超越了相关文献中基于稀疏自编码神经网络及长短期记忆网络的方法,达到了实际应用的需求。