网络流量分类对于网络监管、网络安全和网络优化具有重要意义,随着网络技术的不断发展,传统的网络流量分类模型已无法满足目前的需求。针对传统分类方法受限于动态端口、数据加密等不足,以及存在准确性不高、计算代价大等问题,本文给出一种基于主成分分析(Principal Component Analysis,PCA)特征选择和优化纠错编码的网络流量分类方法,并结合支持向量机算法,用于实际的网络流量分类。针对网络流量特征数量众多、存在冗余属性、计算代价大的问题,本文对网络流量的特征选择方法进行改进,在对网络流量数据进行主成分分析的基础上,通过设定累计贡献率的阈值,寻找属性特征向量矩阵中具有最大数量级的分量来进行属性筛选。通过PCA特征选择,把最终的分类属性降至原属性的25%左右,达到了特征选择、数据降维和降低计算代价的目的。对比实验表明,本文所提的方法对于提高网络流量分类的准确性、降低整体计算代价均起到一定作用。针对纠错输出编码(Error Correcting Output Code,ECOC)分类方法存在的编码效率不高、子分类器样本不均衡、编码矩阵选取不合理等问题,本文通过对纠错输出编码进行优化,给出一种构造Hadamard矩阵的综合方法,确定了编码矩阵的选取原则,获得了阶数更为紧密、对分类类别数量适应性更好的编码矩阵,并在此基础上重构ECOC编码表。优化后的ECOC分类方法,具备更高的编码效率,同时克服了各子分类器的样本不均衡问题。实验结果表明,相比于传统的纠错编码方法,本文所提方法具有更高的分类准确率。本文实验数据采用实际网络流量数据集Moore set,该数据集来源于真实网络流量,能够反映实际的网络环境,实验结果具有一定的普遍性。