随着人们对信息安全的重视,导致加密流量的规模迅速飙升,为了在保障信息安全的同时提供更好的服务质量,人们需要对网络流量进行精细化地识别。对于传统的明文网络流量而言,其端口与协议存在映射关系,传输内容未进行加密,因此基于端口和基于载荷的网络流量识别方法十分有效;对于SSL网络流量而言,传输的数据是经过加密后的密文,不同应用类型的数据也有可能使用同一个端口进行传输,例如基于HTTPS协议的不同应用数据都使用443端口,因此上述的两种方法无法实现对该类网络应用的精细划分。随着SSL加密协议的不断普及,现在越来越多的网络视频平台也开始选择使用SSL协议进行视频数据的传输,为了提高视频服务质量,运营商需要对用户体验进行Qo E评估,而加密技术的应用给运营商对视频流量进行分析评估提出了更高的挑战。针对以上问题,本文围绕基于机器学习的加密流量识别问题,在现有的研究基础上,通过对流量特征的选择以及识别模型的改进,提出一种识别的细粒度与准确度更高的加密流量识别模型,并且还针对加密的视频流量清晰度识别进行了重点研究。首先,针对加密流量精细化识别问题,本文对现有的流量识别方法进行了深入研究,针对现有的加密流量识别方法中精度不够高以及识别细粒度不够细,通过对不同类型流量特征的分析以及现有的机器学习模型的比较,提出一种基于随机森林算法的加密流量精细化识别模型。本文引入了特征工程中无量纲化里的数据归一化与数据标准化、随机森林参数调优、基于单棵决策树信息熵的特征选择等方法,从而使本文中的模型有更佳的识别准确度与细粒度。其次,针对现有加密视频流量Qo E评估问题,本文对现有的视频流量Qo E评估方法进行了大量研究,发现现在针对加密视频流量来进行Qo E评估的研究主要集中在Youtube视频平台,对于其他视频平台的加密视频流量研究内容较少。而Youtube使用的流媒体传输协议与其他视频平台例如腾讯视频有些许差异。针对这些在线视频平台,本文提出一种基于机器学习的清晰度识别方法,弥补关于现有的加密视频Qo E评估方式的不足。