随着P2P应用在文件共享、即时通信、流媒体传输等领域的不断发展,P2P流量已经成为不可忽视的网络流量。根据相关调查,自2004年起P2P流量已经占全部流量的60%以上。就目前来看,仅仅提高网络容量很难应对这种局面,因此有效的研究P2P流量的识别和过滤技术是当前最有效的解决方法。本文从P2P流量识别的工作原理和实现机制入手,分析研究了P2P流量识别中存在的问题和实现有效P2P流量识别方案需要的技术,其主要的研究工作和创新点为：(1)本文从P2P流量识别的工作原理入手,总结了现有P2P流量识别技术,包括端口识别技术,基于深层数据包的检测技术,基于机器学习的识别技术和基于网络行为的识别技术,分析它们的利弊,并提出将机器学习方法应用在P2P流量识别中。(2)重点分析研究了各类机器学习算法在流量识别中的应用。使用属性选择算法进行属性选择,提出了基于机器学习算法的流量识别以及性能分析方法,并通过实验得出了基于决策树的机器学习算法在大规模数据集中的性能最优的结论。(3)根据对P2P流量特征的分析,通过实验选取了四种能够明显区分P2P流量特征的属性。编程实现了流量处理模块,对采集的大量数据进行了实时分析和计算并得到训练集和测试集。结合改进的快速决策树(very fast decision tree, VFDT)算法对所选的四种属性特征进行性能分析,并得出P2P流量识别的决策树模型。虽然P2P技术已经发展的十分成熟,仍然存在识别准确率不高等缺点。进行P2P流量识别技术的研究不仅可以为运营商提供行之有效的解决方案,更能有效解决其他业务用户带宽被大量消耗的问题,使用户能够在更愉快的环境下享受网上冲浪带来的乐趣。