随着互联网的快速发展,网络中的流量呈现指数式的增长,使得网络管理工作日益困难。网络流量分类技术作为网络管理中的关键技术,对维护网络安全、保障网络的Qo S有着重要的意义。然而基于用户隐私方面的考虑,网络中出现越来越多的加密流量,使得基于端口号与深度数据包检测这类传统的网络流量分类方案不再适用。基于机器学习的加密流量分类方法虽然取得了一定的成效,但是此方法需要提取有效的专家特征,因而具有一定的局限性。近年来,研究人员逐渐将目光转向深度学习方面,以深度学习所具有的自动提取特征的能力对加密流量进行分类。基于已有的深度学习加密流量分类方案,本文主要研究了以下内容:(1)本文使用流量捕获工具抓取真实网络环境中14种应用程序产生的加密流量,将其分成流量会话的形式,通过对会话进行处理得到四种不同的数据集。针对softmax损失函数不能提取深层特征关系的问题,本文将原型学习损失函数与传统卷积神经网络(Convolutional Neural Network,CNN)相结合,构造出卷积原型网络。使用一维卷积原型网络与二维卷积原型网络对不同的数据集进行分类,并分别与传统卷积神经网络进行对比,证明了新的网络有利于提高加密流量的分类准确率。此外,本文使用卷积原型网络对含有未知类的加密流量进行分类,实验结果表明,相对于传统网络,该网络在提高了已知类分类性能的同时还提高了未知类的召回率。(2)针对卷积神经网络不能提取会话流量数据包之间时序特征的问题,本文将长短期记忆(Long Short-term Memory,LSTM)网络引入到加密流量分类之中,构造出LSTM原型网络,通过使用每个会话流量前8个数据包的前128个字节来提取数据包之间的时序特征,与使用同一数据集的卷积原型网络相比有效提高了分类性能。为了使提取到的特征更加全面,本文提出了LSTM-CNN原型网络结构,使用LSTM与卷积神经网络分别提取数据包中的时序特征和空间特征,并将两种特征结合进行加密流量分类,实验结果表明此种网络的分类准确率最高可达95.8%,优于单一的LSTM原型网络和卷积原型网络。最后,本文使用LSTM-CNN原型网络对含有未知类的加密流量进行分类,比较了基于概率阈值与基于距离阈值两种分类策略,实验结果表明基于距离阈值的方法分类效果较好,整体的准确率达到了93.65%。