近年来,加密数字货币因为其相对于传统货币的优势,流行于世界各地,这导致了挖矿行为的盛行。现阶段,无数高性能计算机正在用来挖矿,挖掘数字货币需要巨大的计算资源,这造成了计算资源的严重浪费。此外,加密货币挖矿行为巨大的能源消耗也是一个不可忽视的问题,甚至成为全球碳排放的一个重要因素。因此,研究识别与管理挖矿行为势在必行。传统识别方法应用规则库,匹配域名、IP地址等特征去识别,尽管此法简单有效,但其泛化能力较弱。机器学习的方法可以有效的弥补传统方法的不足。应用机器学习方法,共有两种主要解决方案,其一,将机器学习模型部署于单个目标主机,用系统调用与机器码这两个特征来识别挖矿行为。其二,将机器学习模型部署于网络中心节点,通过观测网络流量来检测挖矿行为。比较这两种方案,第一种方法,需在每个被检测主机上一一部署,代价太高,而第二种方案由于只在网络关键节点部署,可以有效降低实现代价。本文采用第二种方案,并提出了早期挖矿流量识别概念。首先对矿工与矿池之间的通信进行了详细地分析,并将其通信过程与正常应用的通信过程作了比对。在此基础上,提出了两种有效的特征方法去提取挖矿流量的特征,基于流中数据包负载大小的快速特征提取方法与提取流中数据包负载大小的卷积特征方法。第一种方法可应用于目标区域是否存在挖矿行为的初步筛选。第二种方法提取流中的卷积特征,识别准确率高,可以精准识别挖矿流量。本文对两种方法分别进行了实验验证,实验结果表明,这两种方法可以有效地完成挖矿流量识别任务。为解决挖矿流量难采集的问题,本文设计并实现了一种在可控环境下挖矿流量样本采集方法,并通过对挖矿行为模拟,采集并制作了一个挖矿流量数据集,共计捕获了196条挖矿流量作为正类样本,涵盖8种加密数字货币类型,并采集了五千余条正常流量作为负样本。为解决数据不平衡问题对于训练机器学习模型的影响,采用上采样方法对非平衡数据进行再平衡处理。最后,本文设计了一个挖矿流量检测平台测试提出的特征方法,并在真实网络环境中进行了测试,测试结果表明,本文提出的方法可以有效地检测挖矿流量。