近年来,为了应对网络中频频出现的恶意攻击行为,国内外的专家学者研究出了各式各样的应对方案,其中应用比较广泛的就是网络流量异常检测。这种方法能够通过检测流量的属性判断其来源,进而准确地识别病毒攻击和入侵行为,为计算机及时采取防御措施提供了重要支持。本文即将探讨的网络流量分类则是进行异常检测的关键步骤,也是识别攻击和入侵行为的有效方法。其原理是先对已知流量进行类别划分,建立安全列表和异常列表,当有流量进入主机时,用分类系统检测其所属类别,进而判断是安全流量还是异常流量。目前,大多数的网络流量分类方法都是采用传统三步走的模式,即先通过抓包工具获取网络的流量,再设计和分析提取流量的统计特征,最后利用机器学习算法来训练分类器。这种方法存在两个方面的不足,其一是分类性能取决于流量特征设计的好坏,然而如今互联网产生的数据量越来越大,结构越来越复杂,人工刻画的特征集往往不能使分类器达到高性能、高精度的要求。并且对于不同来源的流量,要分别设计相应的特征集,消耗的人力时间成本较大。其二是分步骤进行的流程不具备实时性。如果想对流量进行分类,就必须要等流量全部传输完成之后才能提取统计特征并做进一步分析,这样就错过了流量的最佳检测时间。基于以上两个弊端,本文对如何将深度学习技术应用于网络流量分类领域展开了研究。具体的思路是使用深度学习来代替人工设计流量特征集,并且构造一种端到端的分类模型。同时,利用流量数据的表象特征代替其统计特征作为对流量进行分类的依据。这样就需要将一维的流量数据转换为二维的数据,从而能够生成图像,将流量分类问题转换为图像分类问题。最后,为了验证分类模型是否能准确识别出二维数据生成的图像以及探究其分类依据,做了神经网络的可视化分析。主要的创新工作和得到的研究成果有以下两点:1.提出了一种基于深度卷积神经网络Res Net-18的网络流量的分类模型,并且设计了多组对照试验进行实验验证。结果表明,该模型的分类精度,查准率,查全率和F1值等各项评价指标均超过现有的最好方法,达到实际应用水平。同时,该模型是基于端到端的模式,使用训练好的分类器能够对新流入的未知流量进行实时检测,根据原始数据直接得出最终的识别结果,不需要额外的处理。该方法充分弥补了现有的基于经典机器深度学习算法的流量分类方案的不足之处。证实了以卷积神经网络为代表的深度学习技术在网络流量分类领域的可行性和有效性。2.使用数据维度变换和类激活映射的方法对卷积神经网络做了可视化分析,得到了原始流量数据对应的灰度图和类激活映射响应图。另外,对本文的研究思路以及用卷积神经网络完成流量分类任务的合理性进行了详细的阐述。经过处理后,每一条一维的数据都可以生成一个二维灰度图,不同种类的流量均拥有其独特的灰度图像,将字符串数据抽象的统计特征转化为图片的具象表征,这样复杂的流量分类问题就转化成了简单直观的图像分类问题。类激活映射响应图则清楚地展示了Res Net-18网络对于灰度图的分类依据,让人们直观看到该模型是如何对灰度图进行识别并分类的,也为这种专注于表征学习的网络流量分类方法提供了理论支撑。