随着网络通信技术的发展和用户隐私保护意识的不断提高,网络中加密流量占比逐渐增加。同时,加密技术在网络流量中的广泛应用给网络管理工作带来巨大挑战。如何在复杂网络中细粒度地识别加密流量成为研究人员和相关组织一个亟待解决的难题。因此,基于加密流量的应用识别技术成为了国内外学术界和工业界的研究热点。本文从流量数据特性和深度学习技术出发,在借鉴前人经验的基础上,针对加密流量应用识别技术中的特征提取、特征融合和算法建模三个部分进行了改进和创新,内容如下所述:(1)基于原始加密流量数据的一维序列特性,提出了一种针对原始加密流量字序列的特征提取方法。该方法在保留数据包原始文件形式(PCAP文件)的前提下,在排除应用层加密干扰之后,将全部的未加密字节信息作为识别特征。(2)针对加密数据包的建模阶段,提出了一种从“一维到一维”的加密流量识别算法。该算法在将数据包转换为分组字节矩阵(Packet Bytes Matrix,PBM)之后,采用基于注意力模型的卷积神经网络(Attention-based Convolutional Neural Networks,ATT-CNN)和长短时记忆网络(Long and short memory network,LSTM)分别学习其局部空间特征和全局时序特征。(3)针对数据包特征提取的优化方法,提出了一种基于注意力机制的数据包特征融合方法。在将PCAP文件转换为PBM之后,首次将数据包特征向量与权重向量进行融合,并对注意力机制的计算过程进行优化,突出数据包中重要的特征信息。本文提出的方案最终能有效地将加密流量识别到具体的应用,实验表明与现有的加密流量识别算法相比,本方案提出的算法在准确率和效率方面均有提升。