互联网的飞速发展，网络规模的不断扩大，互联网提供的业务类型也日趋多样化。然而，用户经常会遇到网络拥塞和服务质量低等一系列问题，加强网络管理和.改善网络的运行已经成为当务之急。这就需要分析业务流量，掌握网络行为的基本特征。网络流量分析对网络管理员、研究员、服务提供商及用户都具有重要的意义，它是研究差异性服务、QoS保障、入侵检测、流量监控、计费管理及用户行为分析的前提和基础。　　 近年来P2P应用不断增加，P2P流量占用了大量网络资源，因此，对P2P业务流量进行识别和有效管控成为目前网络运行工作中的重点内容之一。当前，使用机器学习算法对网络流量进行分类成为一个新的研究热点。现有的算法往往针对连接识别，并没有利用主机的总体行为特征参数，而后者更能体现P2P应用的本质特征，具有比连接特征更好的鲁棒性。本文提出了一种两级分类算法，在传统的连接特征分类器的基础上增加了主机特征分类器，通过推导证明了主机行为分类器的性能指数比连接分类器的性能指数减一稍强的情况下，两级分类器拥有更好的识别性能，并且具有更低的时间复杂度和空间复杂度。最后通过大量实验测试证明，主机分类器的性能指标远优于连接分类器，能够更好地应用于实时在线的网络流量分类。　　 论文主要研究内容如下：　　 1.文章从业务识别的方法入手，总结了现有的业务识别技术，包括基于端口的识别、基于有效载荷特征串的识别以及基于流量特征的识别方法。分别分析了各方法的利弊，着重分析了基于流量特征中的机器学习分类方法。　　 2.提出了基于主机行为的两级分类器，在P2P连接分类器前增加主机行为分类器，只对存在P2P行为的主机进行连接分析。通过数学推导证明当识别参数满足一定条件时，基于主机行为的两级分类器能够得到较好的分类效果。　　 3.根据P2P协议特点及前人经验选择流量特征参数并对其进行分析，选取区分度较高的参数作为主机行为分类器的特征向量。　　 4.采用BP神经网络构建分类器，根据要求确定网络结构中各参数，对训练好的分类器进行测试。