通信网络的蓬勃发展和互联网应用的与日俱增带来了大量的网络数据,如何从中挖掘出有价值的特征信息对网络环境进行有效监管成为目前的研究热点,其中对网络流量进行预测和识别具有广阔的发展前景。随着数据挖掘技术的不断发展,在多个领域的数据处理中得到广泛地应用,其中神经网络和集成学习在处理复杂的网络数据中具有一定的优势。本文采用数据挖掘技术进行网络流量预测和业务识别,主要的研究内容包括:针对网络流量的变化趋势具有特征依赖性和实时突变性,而传统网络流量预测模型存在泛化能力弱,无法实时地进行高效预测等问题,本文首先研究了一种并行的二维长短期记忆神经网络预测算法P-LSTM,通过小时和日期两个时间维度挖掘长期特性,采用小时间尺度的数据提取短期特性,然后进行特征融合对网络流量进行预测。为了提高算法的收敛速率,利用改进的粒子滤波算法优化神经网络的参数训练过程,逐次迭代使预测模型快速收敛于稳定的误差,形成最终的预测模型PF-LSTM。从预测精度和训练速率两方面评价模型的性能,实验结果表明,PF-LSTM的平均相对误差相比于传统的LSTM算法降低了8%,同时具有更高的收敛速率。针对网络流量微观特征维数繁多和属性复杂,传统的业务识别方法存在无法适应高维数据的问题,本文研究了一种结合集成学习的网络流量业务识别方法。通过融合邻域判别指数的混合式特征选择算法NDI-RF对网络流量的微观特征进行降维,在特征过滤阶段,考虑特征之间的相互作用,利用邻域判别指数作为判决指标,通过图论聚类思想去除冗余特征,在随机森林封装器上进行特征分配,结合序列后项搜索策略评估各个特征子集的分类效果,逐次迭代选择分类性能较好的特征组成最优特征子集。采用集成学习策略XGBoost训练分类模型,对网络流量进行业务识别。实验结果表明,特征选择算法NDI-RF能够有效地减少最优特征子集的大小,同时通过集成学习取得了较高的识别准确率。