随着互联网不断深入发展,移动终端设备逐渐成为人们的必备之物,与我们形影不离。为了更好地了解移动用户的信息,设计了移动终端设备型号识别技术。同时随着网络用户增多,网络流量不断增大以及网络应用不断增多,网络流量分类技术逐渐发展起来。通过网络流量分类技术可以识别出数据流所代表的应用类别,从而使网络资源得到优化配置,提高网络的服务质量。对此,做了如下工作:针对终端型号识别率低的问题,提出了一种基于Jaccard相似系数的终端设备型号识别技术。在识别阶段之前设计结合基于多粒度的UA分词方法与TF-IDF算法的过滤技术,完成对包含终端设备型号关键语句的提取;最后,引入Jaccard相似系数应用于终端识别中,获取终端设备型号信息。与WURFL和基于模式检测识别技术相比,本文对设备的识别率有所提升,同时针对不断变化的运行环境,取得了一定的效果。对于终端设备在网络中所产生的网络数据进行分类与识别,在特征处理方面,大多数算法只考虑到特征与分类的关系,或者结合分类器来进行特征的处理,这些方法无法很大程度上去除冗余的特征以及与分类不相关的特征。对此,对此提出了一种基于信息增益率权重相关系数的特征加权聚类特征选择算法,提高对网络流量的分类效率。首先,考虑特征与特征之间的关系,设计了基于信息增益率权重相关系数的度量方式,然后使用本文提出的特征选择算法,大大减少冗余与无关特征个数。接着利用SVM分类器的评估结果,得到最终的特征子集。最后仿真证明,本文提出的特征选择算法表现较好,使其平均f-score值在99.30%,相比于CFS、Relief-F以及所选对比实验均有所提高,而且本文提出的特征选择算法在J48、NB分类器上表现较好。