互联网流量识别技术,是一个非常贴近实际工程和应用的学科领域,要求研究者对学术界成果有全面深入的认识和理解,从互联网发展的高度研究符合未来发展趋势的互联网流量识别技术,以做出有益于实际应用的研究。本文研究主要集中在如下三个部分：一)研究统一客观的互联网流量基准集；二)深入研究基于流统计特征的流数据挖掘算法的实时流量识别技术；三)研究可应用于深度包检测技术的流量特征自动提取技术。具体地,本文主要贡献和创新点包括如下几个方面：(1)本文提出了统一客观的互联网流量基准集框架。采用分布式代理节点主动地采集流量并依此提取出基准数据集。该方法可用于流量识别分类模型的训练和结果的验证以及流量自动特征提取。该方法解决了当前互联网流量识别领域尚无统一可靠流量基准集的问题,是进一步进行互联网流量识别相关研究的基础。(2)本文研究了用于流统计特征的流数据挖掘算法的实时流量识别模型,根据互联网流量的特点,对识别的特征进行了深入的研究,围绕基准集提出并实现了业界首个应用于互联网流量识别的基于流数据挖掘算法的实时识别模型；同时,本文对互联网流量存在的概念漂移现象进行了研究,并提出基于集成分类器的互联网流量识别算法来解决上述问题。(3)本文研究了互联网流量特征。首次提出了包括特征提取、特征管理、特征提纯等关键技术的互联网流量特征提取算法和框架,并将两类不同的基于生物信息学的特征提取算法首次引入到互联网流量特征提取中。