随着互联网的快速发展,网络流量与日俱增,这给网络管理和应用提出了挑战。而网络流量分类是网络运营管理、流量入侵检测和用户行为分析的重要前提,有效的资源管理方法可以提高效率,降低成本。目前网络流量分类技术大多基于传统的机器学习方法,分类准确率非常依赖流量特征集的设计,而有效特征集的选取需要丰富的特征工程经验。深度学习近几年来被广泛应用于计算机视觉、自然语言处理以及语音识别领域。对输入样本强大的学习能力使得深度学习在流量分类领域取得了不错的成绩。但深度学习框架对输入数据格式大小有着严格要求,首先需要对流量进行预处理,而目前大多数流量预处理流程存在输入数据冗余,尺寸过大等不足,最终导致深度学习模型训练时间过长,模型计算量大的不足。本文主要研究基于CNN和LSTM模型为主的网络流量分类方法,主要工作如下:针对现有基于深度学习框架模型训练时间长,模型计算量大的不足,提出了一种基于一维CNN的加密流量分类方法,实现了数据包级别的加密网络流量分类。该方法首先通过对pcap格式原始网络流量的切分、去冗余、匿名化、统一长度、转换为图像以及生成数据集的一系列预处理,去除流量数据中冗余和可能对最终分类结果造成影响的信息。接着构建一维CNN神经网络模型,用预处理后得到的流量数据集对构建的模型进行训练,最终完成加密网络流量分类。相较于传统的基于机器学习的方法,本方法不需要人工选取特征集,通过神经网络对预处理流量数据特征的自动学习完成流量分类,同时流量预处理步骤去除了原始流量数据中的冗余信息。实验结果表明,在公开的网络流量数据集上,本方法在对12种加密流量分类的实验中,准确率、精度、召回率以及F1值均高于98.7%。与其他一些基于卷积神经网络的加密流量分类方法相比,模型参数更少,训练时间更短。针对一般深度学习模型对网络流量内部时序特征不敏感的不足,提出了一种在数据包级别使用基于Attention机制的恶意流量分类方法。相较于基于卷积神经网络的流量分类方法,该方法对流量内部时序和结构有更好的学习能力,能够更全面的对预处理后流量中的关键信息,例如端口号、包长度等信息进行选择性学习,从而更好的实现流量分类。实验结果表明,在公开的加密流量数据集与恶意流量数据集上,本模型在12种加密流量的分类实验中,平均分类精度、召回率及F1值均高于99.6%,在20种包含恶意流量的分类实验中,平均分类精度、召回率及F1值均高于99.3%,与现有其他方法相比,在保证分类性能的情况下模型总参数大幅减少。