近年来,网络流量识别工作一直是网络安全领域的研究热点之一。网络流量识别,是指根据某些特征和算法构造可靠的识别模型,对真实网络环境中的流量进行划分,并将其标记为具体的应用程序、协议类型或者QoS业务类型等。网络流量识别是服务质量（QoS）、资源合理化利用、合法拦截、入侵检测等多种网络管理工作的前提。然而,动态端口和加密流量的出现,使得传统的基于端口和基于有效负载的方法使用受限。基于统计特征的机器学习方法能够克服这些障碍,实现对网络流量的精准划分,因而成为网络流量识别领域的主流方法。目前,随着大量专用或私有协议的出现,网络中未知流量的比例在不断增加,给网络空间的管理和安全带来了巨大的挑战。未知流量是指在预先构建的流量识别系统中由先前未知的网络协议产生的网络流量,它的出现导致传统的已知类流量识别方法的准确率不断下降。解决上述挑战的措施可以通过将混合的未知流量划分为多个集群来制定,其中每个集群尽可能只包含一个类别的流量。本文提出了一种新的未知流量聚类方法,称为DPAC（Dual-Path Autoencoder based Clustering）,以发现基于应用层协议的流量类。双路自编器模型是指卷积自编码器和深度自编码器的组合,能够实现对应用层有效载荷特征和流量统计特征的关键提取和特征聚合。然后利用相关调整聚类模块对融合特征进行聚类,以将未知流量集合划分成多个高纯度协议集群。此外,本研究还特地对原始载荷特征的提取策略和截断长度进行了对比评估实验,得到了一种相对较好的特征提取策略,能有效提高特征表示网络流的能力,减少分类偏差。为了评估本文方法的有效性,本文在两个公共网络流量数据集和一个校园网数据集上进行了比较实验。在利用7种常用的应用层协议模拟未知流量的前提下,当预设集群数k为60时,本方法对每个数据集的评价结果均可达到98%以上,这证明了本方法在未知网络协议聚类中的有效性。