随着计算机网络技术的飞速发展,新型互联网应用不断涌现,并呈现出了功能丰富、协议复杂等特点,在产生大规模复杂多变的网络流量的同时,也对互联网的监管造成了困难。在这种情况下,准确地识别互联网应用协议,不仅有助于更加有效地管理互联网,还对增强网络防护能力有着非常重要的作用。本文选题正是在此背景下提出的。论文主要基于机器学习方法对应用协议进行识别研究。主要研究内容如下：第一,在网络流量统计特征中,由于连续型属性占据了很大的比例,因此传统C4.5算法因选择分裂属性而产生的计算量是十分庞大的。针对该特点,本文对C4.5算法进行了改进,实验表明,改进C4.5算法在识别粗粒度应用协议方面是可行的。第二,考虑到无关或冗余属性的存在对于决策树算法的干扰,本文采取了数据约简技术来优化协议识别模型。针对改进的C4.5算法,采用了基于相关性度量的属性选择方法以降低属性维度,在保证了其识别准确率的同时,提高了协议识别效率第三,由于单-C4.5算法在细粒度协议识别中的性能不是很理想,本文提出利用AdaBoost算法与C4.5算法进行集成学习,实验表明,集成算法在一定程度上提高了细粒度协议识别的准确率。