网络流量分类(Network Traffic Classification,NTC)既是保障网络服务质量的关键技术之一,又是网络攻击与恶意代码检测和流量清洗的重要手段。目前典型的流量分类的方法主要有基于通信双方端口号的规则型分类方法、基于深度包检测(Deep Package Inspection,DPI)的内容解释型分类方法和基于机器学习的统计分类方法。实践中网络动态端口的使用导致了基于端口号分类方法的准确率降低,而信息安全技术的普及导致基于深度包的检测方法不能正常使用。因此,机器学习算法在过去几年中引起了越来越多研究人员的关注,不同的机器学习算法被广泛地应用于网络流量分类领域。目前,在应用于网络流量分类的机器学习算法研究中存在以下问题待完善:(1)生成决策树模型过程中的特征选择往往只考虑样本子集在单特征划分下局部最优的情况,没有在全局的角度进行分支划分。(2)网络数据集通常呈现出分布极其不均匀的现象,但目前的研究很少考察模型在样本分布不均场景下的准确性能,导致其方法的分类中心产生偏移、数据集中劣势类样本正确识别率偏低。(3)流量样本中存在不少处于分布边沿的样本,目前没有针对这些异常样本的流量分类研究,而这些样本会增加模型的过拟合风险。针对上述问题,本文通过以下几个方面重点展开研究:(1)优化特征提取过程,利用数据全集中各个特征之间的相关性,在局部特征提取过程中加入全局信息,使得模型更好地提取数据集的全局特征。(2)对于数据集分布不均问题,通过调整算法的集成结构,提出了一种新的基于样本优先级排序的集成结构,充分发挥二分类器的高准确率性能优势及全分类器在多分类类型中的自适应能力。(3)提出用于提取决策树异常样本的剪枝方法,利用聚类思想对每个叶节点的分类泛化性能进行判定,对提取出来的异常样本进行单独分类,进一步提高模型的准确率。