随着基于HTTP的网络业务(如网页浏览、网络音频、视频等)的日益增长,网络中匿名流的威胁不断增加,网络业务流识别与分类面临着巨大的挑战。与此同时,多媒体通信的发展,各种视频业务(如P2P、IPTV等)不断兴起,极大地丰富和方便了人们的生活。但是,由于网络视频业务有着高带宽、低时延等特点,并且考虑到不同视频业务的QoS需求的差异性,想要对资源进行合理地分配,网络流的识别起着不可或缺的作用。如今,基于统计特征的机器学习算法已经广泛运用于网络流识别与分类中,但是如何找到高效、简单的统计特征组合一直是本研究领域的难点和重点。本文中主要针对Skype语音、在线视频观看(非直播)、在线视频直播、HTTP下载、网页浏览t(网页内容为文字和图片)、网页浏览v(含视频)六种业务进行分析研究,提出了基于方差系数的新型特征选择方法。实验中,通过对比不同的特征选取方法所得到的特征的分类效果,结果表明该方法可以比现有方法获得更高的总体正确率。本文还对基于方差系数的方法的计算复杂度进行了分析,通过与基于信息增益的特征选取方法以及基于卡方检验的特征选取方法的计算复杂度对比,在数学角度上证明了该方法具有更低的计算复杂度,验证了该方法的高效性。针对上述方法存在的特征冗余问题,通过考虑特征之间的相关性,本文提出了改进的方差系数特征选择方法。实验结果表明该方法能够获取更加简单有效的特征组合。同时,本文从QoS角度首次对网页浏览使用了细粒度划分。对于采用HTTP协议的网络业务的分类,大部分文献都将网页浏览视为一个类别。但是随着网络应用的发展,网页内容变得更加复杂,例如包含有视频的网页浏览,单纯地将网页浏览作为一个业务类,变得不再合适。所以对网页浏览进行细粒度的分析是可行的,也是必要的。实验结果证明对网页浏览进行一定程度上的细粒度分类是合理的。