随着人工智能与物联网技术在工业界的不断发展,智能家居开始在人们生活中普及,集成了物联网技术的家居设备为人们提供更加舒适便利的生活环境。多样化的智能家居生态系统,造成了硬件标准与通信协议的不统一,不同的厂商针对各自智能家居设备提出针对性方案,单个设备的安全性并不能保证系统的安全性,而由于网络协议的缺陷,网络传输成为了最容易发生隐私泄露的途径。为了解决上述问题,本文重点围绕智能音箱的通信安全问题,通过分析智能音箱的网络流量,从网络流量分类和流量异常检测两个方面展开研究。本文工作如下:（1）设计了一个智能音箱网络流量采集方案,通过该方案采集到的大量模拟智能音箱工作场景下的网络流量数据;分析了流量数据文件中数据包组成特点,进行网络流量特征设计和特征提取,构建网络流量特征数据集;设计了联合信息增益和Pearson相关系数的特征选择方法,并据此选取智能音箱网络流量最优特征子集,为后续流量分类和异常检测实验研究提供数据基础。（2）采用随机森林、朴素贝叶斯、贝叶斯网络、支持向量机四个机器学习方法,分别对全特征数据集和最优特征子集进行分类分析,并用准确率、精确率、召回率、z综合评价指标四类评估指标对分类结果进行评估。实验表明,无论是否使用特征选择,随机森林对智能音箱网络流量分类的效果都是最好,而支持向量机性能较差。采用本文提出的联合信息增益和Pearson相关系数的特征选择后,分类器性能均有所提高,说明文章所采用的特征选择方法对分类器模型的训练有很好的提升效果。（3）利用重标度极差分析法、方差时间法和迭代估计算法进行Hurst指数估计,验证了具有时间序列性质的流量特征属性具有自相似性,并以这些特征属性构建基于自相似指数的异常检测模型。利用模拟的网络攻击对智能音箱网络进行异常攻击,以此检验异常检测模型的有效性,实验表明当网络受到攻击处于异常行为时,Hurst值大幅度偏离正常的Hurst值,并超过自相似性的Hurst值区间（0.5,1）,此时网络的二阶自相似性消失,说明网络中出现异常,证明了采用自相似指数的网络流量异常检测方案的有效性和可行性。