随着网络技术的快速发展,金融业务的规模逐年增长,银行等金融机构的网络系统越来越复杂。业务的多样性严重影响了金融网络中核心业务的运行,降低了网络服务性能。在这样一个多业务共存的复杂金融网络中,不同类型的业务对网络性能的要求差距极大,例如交易类业务作为银行的关键业务,必须得到充分的服务质量保证。为了实现给不同的业务提供不同的服务质量,急需对金融网络的服务质量进行监测和分析。目前,网络监控系统基本都是从网络层面对服务质量进行测量,尽管它满足一些有限的要求,但是缺乏对业务层面的服务质量进行监测。从业务层面对服务质量进行监测的前提是识别出流量所属的业务类型。但是随着网络安全意识的加强,金融机构开始对交易业务的流量进行加密,传统的流量识别方法,如端口匹配、深度包检测等技术均失效,而基于流特征的机器学习方法准确率又无法满足服务质量监测的要求。本文对金融网络进行深入的研究,设计基于深度学习的金融加密业务流量分类方法,并构建金融网络服务质量监测指标体系,实现从网络和业务两个层面对金融网络服务质量进行实时监控。本文具体研究成果包括:1.为了解决金融网络中加密业务流量的分类难题,分析比较各种加密流量分类方法,基于深度学习技术取得的优异表现,使用卷积神经网络构建金融网络加密流量分类模型。实验结果表明,在模型训练达到最优情况下,该模型在金融网络中的加密流量数据集上取得优异表现,分类精度和召回率以及F1值均可达到98%。2.通过深入分析金融网络中交易业务服务质量的监测需求,建立金融网络的服务质量指标体系,阐述交易业务服务质量监测指标的计算方法,从而达到保障客户关键业务体验的目的。最后,将本文提出的基于深度学习的金融网络服务质量监测系统部署在实际的金融网络环境中,通过多个维度对服务质量监测结果进行呈现和分析,指导网络优化和提高服务质量。测试结果表明,该系统能够较好的识别出加密业务流量,并且实时、全面地监测金融网络的运行状况。