网络流量分类技术在增强网络可控性以及加强网络管理方面都发挥着重要的作用。随着网络应用的层出不穷,对实时、准确的流量分类技术提出了更高的要求,使得近年来研究者大量引入机器学习领域知识来处理流量分类问题,取得了较好的分类效果。但是,特征提取作为机器学习分类算法中一个重要环节,在处理大数据流量时因其计算复杂度较高、耗时过长已成为制约机器学习算法应用于实时流量分类的主要瓶颈。近年来,GPU硬件体系结构的快速发展使其浮点运算和并行计算能力远远超过了CPU,在大规模并行处理和科学计算等方面取得了广泛应用。特别是NVIDIA公司CUDA编程模型的推出,提供了丰富的API函数,使其能够更好地发挥GPU并行处理能力。本文首先介绍了GPU在体系结构和编程方式上与传统CPU的不同。其次,对串行特征提取算法执行流程进行了介绍,并从串行算法每部分的计算任务大小和特点入手对算法的可并行性进行了逐一地分析。在此基础上,采用CUDA编程语言设计实现了并行特征提取算法,并利用流化技术和GPU异构执行的特点对并行算法进行了优化。最后,通过实验对本文提出的并行算法及其优化方案在LINUX平台下进行了测试和验证。实验结果表明,在进行大数据量的网络流特征提取时,优化后的并行算法相比于串行算法可以达到2倍以上的加速比,取得了显著的性能优势。