随着移动互联网的飞速发展和智能设备的不断普及,移动流量所涉及到的一些网络安全问题也逐渐引起了人们的关注。流量分类和流量识别是其安全领域中的一大分支,流量分类识别一方面能够帮助管理人员更有效地对网络进行分析和管理,另一方面准确的应用流量识别也有助于对用户隐私的泄露以及网络攻击进行提前的预防和有效应对。流量分类识别技术从互联网诞生伊始到如今万物联网的时代,经历了从简到繁,从具体到抽象的发展过程。激增的应用程序随意选择端口号等问题导致基于端口号的分类方法在如今难担重任。目前广泛应用的基于有效载荷、基于统计和基于行为的分类方法也都面临着特征选择需要大量人为参与和自动化程度低等弊端。而移动流量和传统网络相比又具有协议相对单一、应用数量众多、第三方服务和云服务使用广泛的特点,这些都给移动流量分类识别研究带来了挑战。针对上述问题,本文基于深度学习对移动流量的分类识别展开研究,以传统流量分类识别技术为基础,借鉴了近年来在计算机视觉及图像识别领域的成就,重点研究了移动流量的类图像转换方法以及自动化特征提取与分类方法。本文的主要工作及创新点包括如下几个方面:(1)基于移动应用的通信原理与流量特点,对其主要使用的应用层协议的载荷信息进行了研究,从中分析出与流量分类有关的有效信息,设计出一种基于卷积神经网络的移动流量分类方法整体框架。(2)对安卓移动设备产生流量的原理进行了研究,提出了一个基于用户界面自动测试技术的流量数据集构造方法,该方法能够自动模拟用户与移动设备的一系列常用交互,生成流量进行采集。在此基础上,抓取移动设备产生的真实流量,建立了100个应用数量的移动流量数据集。(3)针对使用的卷积神经网络和移动流量的特点,本文提出了两种改进的预处理方法。一种是基于多级权重转换算法的预处理方法,该方法借鉴了计算机视觉的成果,将流量转换成类图像的数据形式,以基于视觉特征进行分类识别。多级权重转换算法充分考虑到流量头部的特点,参考图像增强领域的成果,对字符的转换权重进行了分级,以强化可能与特征相关的字符转换权重,减弱干扰字符的转换权重,以达到加速和优化后续分类的作用。另一种是基于兼容加密流量转换的预处理方法,该方法与以往相关的研究不同之处在于,将加密流量的特性纳入了考虑,有效数据不仅选择了消息头部,还利用了部分消息实体进行辅助分类,以在充分利用深度学习高效学习能力的同时,使得框架能够兼容加密和非加密流量。(4)针对移动流量预处理后数据的特点,设计了一个适用于移动流量的CNN模型,通过真实数据对比实验对参数进行调优。并设计实验对整体分类框架进行评估,验证了该移动流量分类框架对移动设备应用流量具有良好的特征提取能力和分类识别能力。