传统的封闭式网络架构存在固定僵化、灵活性差、扩展性差、管理困难等问题,无法适配物联网(Internet of Things,Io T)业务与垂直行业的差异化需求。软件定义网络(Software Defined Network,SDN)作为5G的关键技术,能够将控制平面与数据平面分离,实现软硬件的解耦,使得网络控制具有可编程性,为网络管理提供新的解决方案。基于SDN的业务识别与分类对进一步拓展网络的功能,实现网络的精细化管理和精准控制具有十分重要的意义。目前,传统的基于网络流统计特征的机器学习分类方法被广泛应用,但是其难点在于如何从网络流中获取有效的特征,并且特征获取的过程可能造成信息熵的损失,影响了识别的精度。现有的特征选择与获取过程需要消耗研究者大量的时间和精力。因此,网络业务分类研究中对特征的学习和选择显得尤为重要。近年来,深度学习模型被广泛应用于图像领域,其可以自动的从输入数据中学习特征。鉴于深度学习模型的特点,可以将深度学习模型引入到网络业务分类研究中。同时,网络业务数据集的匮乏与数据集分布非平衡性导致模型出现过拟合现象,严重影响业务识别的精度。针对上述的两个问题,本文进行了如下研究:(1)本文研究了一种基于机器学习的业务识别方法。首先,基于SDN的三层网络架构,构建基于机器学习的SDN网络业务识别系统。然后基于该系统模型提出一个基于神经网络的业务识别方案,给出了卷积神经网络(Convolutional Neural Network,CNN)模型的设计结构。该方案可以自动学习业务特征,弥补了人工特征提取的不足。针对SDN网络环境,设计一种网络业务流时空样本构造方法。最后采用软硬件结合的方式搭建了实验平台,验证了所设计的基于机器学习的业务识别方案可行性。同时与基于网络流统计特征的机器学习分类方法对比,结果表明本文业务识别方案在减少信息熵损失的同时,提高了业务识别的准确率,准确率由88%提高到94%。(2)针对业务数据集获取困难与数据集分布不平衡导致模型出现过拟合现象,影响了业务识别的精度,本文研究一种基于GAN-CNN的业务识别算法。该算法充分利用生成对抗网络(Generative Adversarial Network,GAN)增强数据的优势,可以根据已有的数据集产生相似数据集,然后将它们组成的混合的数据集输入到CNN模型中,完成业务识别模型的训练。最后基于Tensorflow框架,对该算法进行实验验证,实验结果表明,本文所研究的基于GAN-CNN的业务识别算法有效地解决了业务识别过程中出现的过拟合以及样本数据不平衡的问题,将业务识别的准确率提高到96%。