网络流量识别是常见的网络攻击方式之一,它通过抓取并分析用户流量进而获得用户信息（如应用类型）,侵犯了用户的隐私,干扰了网络系统的正常运行。使用网络欺骗流量是对抗网络流量识别的主要方法之一。但现有的网络欺骗流量生成技术存在以下不足:1)隐蔽性较差,容易被攻击者检测识破;2)往往难以抵御基于深度学习的流量识别攻击。为此,本文基于深度学习模型容易被对抗样本欺骗这一发现,提出了一种全新的基于对抗样本技术的网络欺骗流量生成方法。该方法将对抗样本生成算法作用于预处理后的网络流量,通过对流量进行微小扰动,进而生成不易被检测且能有效抵御网络流量识别攻击的网络欺骗流量。目前学术界针对这类方法的研究才刚刚兴起。已提出的方法由于没有考虑网络流量的自身特点和流量欺骗的应用条件,存在实用性不足的问题。在现有工作基础之上,本文提出在进行流量扰动时应充分限制扰动发生的位置和范围,并针对多种应用场景提出了相应的网络欺骗流量生成方法。本文的研究内容和主要贡献简述如下:（1）提出了白盒条件下的对抗样本网络欺骗流量生成方法。在已获悉网络流量识别模型先验知识（比如通过模型拟合等经典方式）的前提下,根据网络流量的特点,在现有经典对抗样本算法基础上提出了限制性扰动方法,进一步降低了网络欺骗流量与原始流量的差异,提升了使用网络欺骗流量行为的隐蔽性。（2）提出了三种黑盒条件下的对抗样本网络欺骗流量生成方法,即邻点扰动算法、ZOO扰动算法和集成对抗扰动算法。前两个方法适用于仅能获知流量识别输出的黑盒条件,前者着眼于提升流量扰动隐蔽性并降低扰动成本,后者旨在提升扰动成功率,增强对流量识别攻击的防御能力。最后一个方法适用于对流量识别模型一无所知的黑盒条件,通过在训练过程中对抗预先训练好的流量识别集成模型,确保所产生的网络欺骗流量能以较大概率欺骗未见过的流量识别模型,即保证所生成的网络欺骗流量具有较高的迁移成功率。（3）使用大量的实验验证了所提方法的有效性和可行性。实验使用了两个流量识别研究领域的经典公开数据集,即Moore和USTC-TFC2016,并引入了作者自行采集的流量样本集HUST-RFID。在白盒条件下,本文提出的算法在三个数据集中均达到了99.4%的欺骗成功率,且相比传统方法其扰动量分别降低了95%、66.7%和66.7%。在黑盒条件下,邻点扰动算法在三个数据集中的欺骗成功率分别提高了31.11%、18.55%、15.08%;ZOO扰动算法提高了黑盒条件下的整体欺骗率,在三个数据集中均达到了78%以上的欺骗成功率;集成对抗扰动算法提高了单模型生成对抗样本的总体欺骗成功率,在三个数据集上分别提高了22.14%、27.28%、22.21%以上。