传统网络由于原始设计不足导致静态、僵化等问题,在安全性、运行效率等方面存在严重弊端。因此国内外展开了针对信息网络体系和架构的一系列研究,智慧协同网络作为其中的典型代表,提出的“三层”、“两域”体系架构,通过虚拟化技术将服务功能组件按需组合以构建网络功能族群,实现多元化网络服务并满足用户的不同需求。然而,部署多元化服务的基础首先在于流量感知与适配,即对流量特征进行分类以重定向至相应网络族群。传统的流量感知方法面在对日益复杂的网络环境逐渐暴露出了扩展性差等弊端。机器学习使用流量统计特征从经验数据中建模对流量进行分类,解决了传统方法存在的问题,是进行流量感知的未来发展趋势。为此,本文基于机器学习,在智慧协同网络架构下设计并实现了一个基于流量感知的功能族群适配机制,通过对网络中的流量特征进行学习实现流量分类,将不同流量重定向至对应网络族群中进行多元化服务供应。具体工作如下:首先,在分析现有互联网的发展现状和需求的基础上,将智慧协同网络与机器学习结合进行基于流量感知的功能族群适配机制总体设计。该机制首先通过对原始流量处理得到包含数据包和网络流的多种特征;其次结合机器学习对提取得到的流量特征进行建模和部署使机制获得实时流量分类能力;最后构建网络族群并将流量重定向至对应网络族群实现流量与网络族群之间的动态适配。其次,对流量感知族群适配机制进行具体实现。其中,通过数据包捕获、网络流处理以及特征提取三部分共同完成流量特征的获取工作;流量感知工作分为离线学习和在线感知两部分,离线学习部分按照监督学习流程并采用集成学习方法Light GBM作为分类器建立学习模型,在线感知部分将学习模型在线部署使其能够进行实时流量分类;通过虚拟化技术构建网络族群并设置流分类器实现不同流量的重定向。最后,本文借助虚拟化网络平台搭建系统进行验证和测试。验证了数据包捕获、网络流处理以及特征提取的各部分功能和性能;对离线学习涉及到的特征处理方法进行测试并采用多种机器学习算法进行了流量分类实验,评估不同算法的分类能力;之后,选择性能最佳的算法对整体机制进行测试,利用得到的分类结果将不同流量重定向至对应网络族群。实验结果表明所提机制能够有效利用机器学习算法建立流量感知模型并进行动态族群适配,为智慧协同网络智能化的研究提供了基础和借鉴意义。