随着网络流量数据量和种类的不断增加,传统的网络流量分类方法已经难以满足需求,基于机器学习的网络流量分类方法成为了网络流量分类的研究热点。但是机器学习模型的开发是个循环的过程,需要多次优化。在实际应用中,针对基于机器学习的网络流量分类模型的开发涉及多方面的工作,传统的开发手段就显得效率较低。现阶段国内外公开的机器学习管理平台有很多,但是还没有发现专门针对网络流量分类的机器学习管理平台。为此,本文设计实现了一款基于机器学习的流量分类平台。本文通过将机器学习技术与网络流量分类领域的有机结合,设计实现了集数据集管理、模型开发、模型训练、模型评估和模型在线预测应用功能于一体的全流程服务的网络流量分类平台。按照该平台的功能特点,可以将整个平台划分为六个模块,包括首页模块、数据探索模块、数据挖掘模块、数据预测应用模块、用户管理和个人账号管理模块。其中数据探索模块设计实现了用于训练和预测的网络流量数据集的存储管理和查询功能。同时,该模块为达到选取特征的高效性和提高模型训练质量目的,设计实现了平台已存储数据集的可视化展示和特征工程功能;数据挖掘模块分为任务管理和模型管理两个子模块,实现了对算法模型导入,训练模型任务调度和训练任务进程的有效管理;数据预测应用模块设计实现了对开发完成模型的评估功能,并对评估完成的模型进行了统一的存储管理实现模型的持久化,方便以后模型的预测应用。另外,在设计和实现该平台前对基于机器学习的网络流量分类进行了研究。收集了网络流量数据,说明了网络流量数据的预处理和特征提取与选择的过程,选择实现了基于朴素贝叶斯和SVM分类算法的网络流量分类模型,最终实现的模型可以提供给平台使用。平台的设计采用了B/S架构,用前后端分离的方式实现。整个平台采用组件化的开发方式,利用了dva数据流管理,基于React的Ant Design Pro等新型设计方案进行开发。本论文所述的基于机器学习的流量分类平台处于开发完善阶段,测试版本已经上线运行供某单位内部员工使用,通过平台化管理,大大的提高了开发效率,这也说明了本平台具有较好的工程实用性。