随着互联网应用的普及，对网络通信进行分析和监控确保企业和国家的网络信息安全已经成为一个非常重要的课题。当前的协议解析研究工作多是在协议已知的前提下进行的。协议未知的情况下，这些解析方法在实际应用中受到很大限制。 本文将机器学习机制引入到未知协议的解析研究工作中，提供了一种新的研究思路。针对未知协议的特性，本文提出了基于单字节的特征选择方法，采用了决策树算法构造弱分类器，并将其应用到Boosting算法的提升训练中。此外，在解析过程中，使用了主动学习框架，为协议解析提供了反馈机制，有效地提高了未知协议解析的精度和工作效率。文章首先阐述了Boosting算法的理论基础，讨论了AdaBoost算法的基本思想及其发展过程，从算法的训练误差、训练轮数以及训练泛化误差等方面分析了Boosting算法在具体应用中的性能，为Boosting算法在未知协议解析中的应用提供了理论基础。接着本文提出了未知协议解析框架，该框架包括了特征选择、弱分类器构造、Boosting算法提升以及训练反馈等过程。框架中使用了基于字节的特征选择方法，有效地确定出协议的字段特征，并且实现了决策树算法及Boosting算法在协议解析中的应用，同时结合了训练反馈机制，有效地提高了解析工作的效率和精度。本文结合实际应用需求分析了解析框架的系统架构。最后，从实际应用的角度出发，验证了该框架的有效性。对DNS协议进行解析实验，并从特征选择、泛化误差、误分类等方面对解析结果进行了评估。