当前移动应用流量已成为网络流量的主要组成部分。移动应用蓬勃发展,几乎涵盖了用户社交,购物,出行,医疗,娱乐等所有生活行为,这使得移动应用流量中包含丰富的用户信息。获取这些信息对网络侦控具有重要的意义。但是,获取这些信息的前提,是要实现准确的流量识别,即识别流量的应用来源。机器学习在分类领域表现优越,因此基于机器学习的流量识别方法潜力较大,相关研究、工作较多,但是它无法满足大规模应用的流量识别需求。鉴于此,本论文从移动应用与服务器的通信方式、基于深度包检测(Deep Packet Inspection,DPI)的流量识别方法出发,深入研究适合大规模应用场景的流量识别方法。文章主要论述了:(1)基于静态DNS库的流量识别算法:通过提取海量DNS报文中的IP-域名对来建立静态DNS库,提出基于爬虫技术以及字典树匹配的方法,建立域名-移动应用的对应关系,以此建立IP-域名-移动应用的映射关系,从而实现根据服务器IP有效识别应用流量的目标。(2)移动音视频应用流量识别算法:通过研究音视频应用访问CDN服务器的原理、音视频产生的流量中的占比情况,提出非加密流、加密流同步识别的音视频应用流量识别算法。通过从HTTP报文中的Host字段、User-Agent字段以及HTTPs协议中明文扩展区域的ServerName字段提取移动应用对应的特征字符串,用以同步识别非加密流、加密流。(3)基于应用指纹的流量识别算法:提出一种大规模自动化提取应用指纹的算法,从移动应用产生的报文中为每个应用提取出一到多个特征字符串,提出一种筛选特征字符串的评分模型,并制定特征精简策略,将筛选后的一到多个特征字符串组合成识别该移动应用流量的应用指纹,然后运用HyperScan算法有效提升字符串匹配效率,以满足大规模应用场景的流量识别需求。本文提出的方法在识别移动应产生用流量时,效果有较大提升,应用覆盖率达70%,流覆盖率最高达87%,字节覆盖率最高达98%。