近年来,随着互联网的飞速发展,网络的规模在持续的扩大,各种新型的网络应用日渐增多,网络组成也变得尤为复杂。网络流量分类作为增强网络可控性的基础技术之一,对于网络安全管理和网络结构改善有着很大帮助。网络流量分类技术的发展大致可以归纳为三个阶段:第一阶段是基于端口号匹配的识别方法,但随着网络应用的快速发展,该方法的分类效果逐渐下降;第二阶段是基于有效载荷的分类方法,考虑到该方法资源消耗大等的弊端,研究者渐渐减少了对该种方法的使用。最终第三阶段基于机器学习的识别方法随之发展起来。本文引入极限学习机(Extreme Learning Machine,ELM)的方法来进行流量分类,极限学习机是一种只包含唯一隐含层的前向神经网络结构,传统的多层前向神经网络是基于梯度下降来实现的,因而在不断的迭代过程中,自然而然的增加了学习的时间和功耗,而且还经常会困于局部最优之中。与之相比,ELM很大程度的减少了学习时间,提高了分类的准确性。为了解决算法过程中随机产生的输入层权值和隐层节点偏置不是最优解的缺点,采用核极限学习机(Kernel ELM,KELM)。同时考虑到网络流量自身具有长相似性等的特点,引入小波函数,利用小波函数的变换将这种不利于分类的特点进行分解,从而提高整体算法的分类准确率,最终构造出小波核极限学习机(WK-ELM)。通过构造小波核极限学习机(WK-ELM)流量分类模型,并在公开数据集和本地采集的流量数据上进行实验和分析,从实验结果来看,本文所构造的分类方法在流量分类上取得了较高的识别率,并大幅度降低了执行时间。因此,本文所提出的基于小波核极限学习机是一种真实可行的网络流量分类模型。