互联网新型应用的不断涌现,使得互联网的拥塞状况日益加剧。为了监测网络是否安全、高效、稳定地运行,确保各单位机构局域网中有足够的带宽,使得对网络流量进行准确的识别变得极为重要。本文的具体工作主要包括以下几个方面：(1)本文分析了当前流量识别的主要方法的特点。对网络流量识别的知识背景如现有的分类模型、网络数据捕获、特征抽取做了简单的介绍,对基于机器学习的流量识别算法如朴素贝叶斯分类、C4.5决策树、K均值、DBSCAN算法的不足和缺陷做了分析。(2)本文设计了一种基于CVFDT决策树的流量识别方法。CVFDT决策树是一种数据流分类算法,相比原有的C4.5和朴素贝叶斯分类方法,CVFDT决策树结点是增量创建的,且随着更多训练数据流入变得更加准确。此外原有的分类模型一旦建立,就不能动态更新,而该算法能处理概念漂移,适应于不断变化中的网络环境,能动态更新模型,具有较好的可扩展性,适应于在线识别。(3)本文设计了一种基于STRKM算法的流量识别方法。STRKM算法是基于K均值算法改进的数据流聚类算法,改算法解决了原有聚类模型不能更新,不能检测新应用的问题。实验表明该方法在参数合适的情况下具有较低的错误率,能不断更新簇中心,适用于在线网络流量识别问题。本文将数据流挖掘算法应用到流量识别领域中,解决了以往的算法不能识别动态变化的网络流量的问题。一方面扩大了数据流挖掘算法的应用领域,另一方面对于在线网络流量的识别研究有一定的参考意义。