电力通信网是电力系统的专用通信网络,是电力系统实现管理信息化和调度自动化的基础。电力通信网的安全、稳定是电力系统安全、稳定生产的基础条件之一。对电力通信网的网络流量分类是保障电力通信网网络安全的一道重要防线。除此之外,随着电力信息网综合数据网网络业务的多元化和业务数量的不断增加,流量管理问题开始不断浮现,给网络管理带来了不便。流量分类为有效的利用带宽,提高服务质量,提供可靠的数据支持。本文首先通过调研,了解电力通信网的通信技术、业务、概念。分析电力通信网的流量特点。对电力通信网的实际情况实现基本的了解之后,对国内外网络流量分类的研究进展进行了研究,目前对网络流量分类的研究主要聚焦于机器学习方法。基于传统机器学习的流量分类模型,其模型性能对流量特征的设计有依赖性,然而流量特征的设计需要大量的人工经验和特征工程技巧。对这一问题,深度学习可以使用原始流量数据作为输入,通过神经网络实现对流量特征的提取。深度学习模型在流量分类问题中有很好的分类表现,但深度学习模型相对比传统的机器学习模型来说,模型需要更大的时间开销。在本研究工作中,主要研究工作如下:1.针对电力通信网网络正常流量和恶意流量的二分类问题,本研究提出了一维CNN流量二分类模型。该模型将原始流量作为输入,通过数据预处理将数据从pcap格式调整为IDX格式,数据通过CNN网络结构,提取数据的空间特征,通过分类函数实现正常流量和恶意流量的二分类。2.针对流量“字节-数据包-数据流”的组织结构和数据包间的时序特征,本研究提出了基于注意力机制的双向LSTM模型。该模型从数据包和数据流的两个维度上提取数据特征,引入注意力机制加强重要特征。实验证明,基于注意力机制的双向LSTM模型对比只关注流特征的一维CNN模型有更好的分类效果,但需要比较大的时间开销。3.针对基于注意力机制的双向LSTM模型时间消耗较大的问题,本研究提出了基于注意力机制的双向SRU模型,与LSTM相比SRU有高并行和序列建模能力。经实验对比,两个模型基于数据集完成50个epoch,基于注意力机制的双向SRU模型的时间消耗仅为基于注意力机制的双向LSTM模型的66.06%。