网络流量识别能够依据网络特征实现流量的类型划分,有效管理流量,保障网络服务质量。流量识别能够标记流量所属的应用类型,为应用在集群中的调度提供基础。随着网络规模扩张、流量大幅增长,网络特征的复杂化加大了当前智能流量识别方法的信息提取难度,关键信息量降低导致识别准确率下降。应用深度学习模型,在网络流量识别中实现复杂网络特征的自动组合变换,探索最佳表示方式,降低信息提取难度,为流量识别准确率的提高提供研究思路和解决方法。本文总结了基于深度学习的网络流量识别的研究现状和典型方法,提出了 Deep2FM流量识别方法,提高流量识别准确率。本方法引入图像像素点的表征能力,用以简化网络特征的复杂表示,并将网络流量拆分为离散、连续两类分别使用实体嵌入编码器和多元相关编码器实现像素点映射,降低编码对模型的负担。同时,在流量图像分类器的设计中,利用深度神经网络和因子分解机的特征交互功能来提高信息提取能力,实现流量像素点在宽度、深度的并行交互,提高分类性能。采用真实流量数据集进行仿真实验,测试结果表明所提方法提高了各个类别的识别准确率,降低了小样本误判问题。进一步,在流量识别实现流量所属应用划分的基础上,提出一种网络应用调度方法,解决应用程序在集群中的调度问题,提高调度时效性以避免应用响应周期的延迟。本方法将应用调度抽象为任务调度问题,接收任务间依赖关系、任务自身属性和机器状态等输入特征以便获取调度环境信息,搭建深度强化学习模型来感知动态环境并调整调度决策,避免调度顺序不当导致调度周期的延长。实验结果验证所提方法将单一任务的最优完工时间降低35%,降低应用的响应周期。