网络流量分类是网络管理、服务质量保障、网络安全等领域的关键技术之一。随着网络规模和网络速度的不断增长,导致海量的高速网络流量数据与传统单节点网络流量分类系统处理能力之间的矛盾不断增加,严重影响了网络流量分类的性能。云计算技术具有分布式、可扩展的特点,能够并行地处理海量数据,将其应用于高速网络流量分类中,对于实现实时、精确的网络流量分类具有现实意义。针对高速网络流量分类问题,提出了基于云计算的高速网络流量分类模型,并对该模型中的并行化网络流量分类方法以及负载均衡等关键技术进行了研究。论文的主要创新工作有:　　针对高速网络环境下流量分类面临的问题,从提高流量分类的实时性出发,提出一种基于云计算的高速网络流量分类模型。该模型采用云计算并行处理和负载均衡技术,把复杂的处理任务调度到后端多个处理节点完成。分析表明该模型可扩展性好、可靠性高,可以提高系统的整体性能,能够较好地适应高速网络环境下的网络流量分类需求。　　针对支持向量机(SVM)算法应用到高速网络流量分类中存在计算复杂度高、训练速度慢等问题,提出了一种基于SVM的并行网络流量分类方法。该方法是一种采用云计算平台构建多级SVM和映射规约(MapReduce)模型的方法。它将训练数据集划分为多个子训练数据集,通过对所有子训练数据集进行并行训练,得到支持向量集,进而建立流量分类模型。实验结果表明,与传统的SVM方法相比,并行SVM网络流量分类方法在保持较高分类精度的前提下,有效地减少了训练时间,提高了高速网络流量分类的速度。　　针对现有云计算平台架构主要采用主从模式的管理方式,而存在中心管理节点负载过重的问题,提出一种基于分层多代理的云计算负载均衡方法。该方法将云计算平台划分为任务代理层、虚拟资源层、资源代理层和物理资源层,并通过部署任务监控代理、任务子代理、资源监控代理和资源子代理共同负责中心管理节点的管理工作,代理之间相互交流、协同工作、并行处理计算任务。通过仿真实验,结果表明该方法中的多代理有效地分担了中心管理节点的负载,而且提升了云计算平台的任务处理能力。