随着网络科技的飞速发展,互联网中流量数据和应用种类也在急剧增长,因此在网络管理控制中如何有效识别各类型的网络流量成为了重点问题.识别各类型的网络流量首先是对网络流量数据的分类,在实际问题中,对网络流量数据进行分类时应注意网络流量中的应用类型存在不均衡的问题.在不均衡网络流量中,多数类网络流量数据一般为用户使用多的应用类型数据,网络流量的精确识别可以帮助网络运营商提供更好的服务质量,少数类网络流量的有效识别可以用于发现设备故障、异常流量的检测以及病毒入侵和恶意攻击,以提高网络的安全性.首先,分析使用不同类型的训练集对不均衡网络流量的分类效果.本文使用SMOTE+Tomek Link重抽样方法对原始数据集进行抽样,构成均衡和不均衡的7个数据集作为其训练集,并使用XGBoost算法对其进行分类,研究不均衡和均衡的训练集对不均衡网络流量的分类结果的影响.在测试集和验证集进行实验,结果表明同比例的不均衡训练集得到的分类模型对不均衡网络流量的分类结果影响不大,均衡的训练集得到的分类模型在不降低整体分类准确率前提下,可以提高少数类别的精确率和召回率,分类效果较好.其次,网络流量数据具有较多的特征,为提高分类器的性能,本文提出一种基于卡方方法及对称不确定的特征选择方法,对不均衡网络流量数据中的特征进行选择,并在均衡的训练集上进行实验得到6个特征,使用XGBoost算法对其进行分类,分类性能得到提高且分类结果得到改善.最后,本文使用KNN、SVM和C4.5决策树三种分类算法与XGBoost算法进行对比,结合特征选择方法和XGBoost分类模型对不均衡网络流量数据建立了分类模型,并对XGBoost分类模型中的参数进行优化,通过实验可以得出使用优化参数后的XGBoost算法与特征选择方法相结合的得到的分类模型可以使不均衡网络流量的分类结果得到显著提高.