随着互联网环境的日益复杂,网络流量分类的重要性越发凸显,在网络资源管控、网络服务优化、网络安全保障等方面发挥着重要的作用。例如:通过网络流量分类可以自动识别来自不同应用的流量,从而进行有效的资源分配及流量调度;通过网络流量分类可以对正常和异常流量进行区分,从而实现有效的网络入侵检测。目前常用的网络流量分类方法包括:基于端口号的方法、基于深度数据包检测的方法和基于机器学习的方法等。其中基于机器学习的网络流量分类方法较为普遍。早期研究主要集中在传统机器学习方法的应用方面,但这些方法受流量特征提取方法的约束,至今仍未有业界公认的流量特征提取方法。随着深度学习技术的不断发展,当前研究偏向于深度学习模型的构建,直接将流量数据包作为输入来实现“端到端”的分类,用流量表征学习来代替了流量特征提取过程。然而这类方法中的众多参数往往是凭经验给出的,并且模型结构也比较复杂,影响了实际应用性。为此,本文针对深度学习在实际网络流量分类中所面临的问题展开研究,重点面向不同场景下的异构设备,设计更为有效的流量分类方法。首先,在云数据中心网络环境下,网络功能往往会被部署到高性能服务器上。虽然高性能计算资源能有效支撑基于深度学习模型的网络流量分类,但在高性能服务器上往往会有多种应用同时竞争计算资源的情况。为此,我们提出了一种动态自适应调节模型输入参数的方法,充分利用计算资源来实现最佳的流量分类效果。其次,在简易办公网络环境下,流量分类功能往往需要部署到基于微处理器的轻量级路由设备上,这些设备的计算能力有限,无法支撑复杂模型。为此,我们提出基于多通道并行的流量分类模型,从而在轻量级设备上实现快速且高效的流量分类。并且已在树莓派设备上成功开发了流量分类原型系统。综上,本文主要工作包括以下三个方面:(1)为了在高性能服务器上实现有效的网络流量分类,本文提出了一种基于计算资源感知的在线网络流量分类框架,该框架由离线模型训练、在线流量识别以及卷积神经网络模型三部分组成。我们通过多组实验分析来对该方法的有效性进行验证。(2)为了在轻量级网络设备上实现有效的流量分类,本文提出了一种多通道分类思想,即将待处理的数据按照不同的信息字段进行划分,以多通道的方式进入卷积神经网络,最后将其整合得出分类结果。实验表明,该方法可以有效的缩短流量分类时间。(3)基于树莓派实现智能网络流量分类系统原型。将树莓派配置成无线路由器,基于所提出的多通道分类模型,对通过树莓派的流量进行分类,验证了所提出的方法在实际应用中的可行性。本文所涉及的实验都是在领域公开的数据集上所进行的。通过实验结果可以看出,本文所提出的网络流量分类方法是有效的,并且可以在实际应用场景下使用。