网络流分类的任务是将网络流与其对应的应用类型或协议类型相关联。精准的网络流量识别有助于网络管理员有效地对网络进行监控和管理,从而提高服务质量、减少冗余带宽、检测恶意入侵等。面对新型的互联网流量,传统的网络流量分类技术已不能够有效地解决网络流分类任务,基于端口的方法,在早期互联网应用较少的时候具有很高的准确率,但是不能满足一些新型的采用动态端口或隐藏端口的应用;基于载荷的方法,虽然比端口方法更加有效,但具有较高的时间和空间复杂度,而且不能够识别加密流量;基于行为的方法不适合用来进行实时流分类。随着机器学习的广泛应用,研究者开始将基于统计特征的机器学习方法应用到网络流分类上,而且在网络流分类领域表现良好,但是很多机器学习方法缺少模型训练数据,在模型训练阶段需要大量的计算资源和时间成本,对于大规模流量数据来讲,分类吞吐量并不能满足实时流分类的需求。所以研究一种能有效地解决网络流量的实时分类方法,对于新型高速互联网管理来说至关重要。并行计算技术的发展,使得计算资源具有高效的计算能力,如果能够在网络流分类领域充分利用这些计算能力,将会对实时网络流分类有很好的帮助。所以,本文主要基于流行的并行计算资源和机器学习方法进行了网络流分类技术的研究。首先对现在流行的并行计算技术进行研究,并采用了两种广泛应用的并行计算方法,分别是Map Reduce计算框架和GPU(Graphics Processing Units,图形处理单元)并行计算,来进行机器学习方法的优化,从而进行并行网络流分类方法研究。然后通过实验验证了并行网络流分类方法的有效性,对高速互联网流量的实时分类有一定的实践意义。最后,本文设计并实现了一个网络流量采集与分析系统(Network Traffic Collection and Analysis System,NTCAS),该系统能够对多客户主机进行流量采集和网络监控,且系统能够提供离线的网络流量分析操作,对网络流量进行应用类别标注、特征提取、流量分类等功能。该系统能够进行网络流分析功能的扩展,集成更多的网络流分类方法,为并行网络流分类研究和实时网络流分类提供了系统平台支持。