深度学习网络流量分类方法研究

吴伟毅 冯沛林 邓正伟 王宇博

联通数字科技有限公司，北京市，100000；

摘要：随着加密通信协议的广泛应用与网络行为日益复杂，传统流量分类方法在准确性与泛化能力上面临严峻挑战。深度学习凭借其强大的特征表征能力与模型自适应性，在网络流量分类领域展现出明显优势。本文系统梳理了主流深度学习模型（卷积神经网络、循环神经网络与 Transformer）在不同数据结构与场景下的应用表现，结合常用数据集与预处理策略，分析其适用边界与性能差异。进一步探讨小样本稀缺、模型可解释性弱、实时性差等关键挑战，并提出融合式模型发展趋势。构建兼顾精度、效率与鲁棒性的深度流量分类体系，是当前研究与工程落地的核心议题。

关键词：深度学习；网络流量分类；卷积神经网络；Transformer

参考文献

[1]孙弘扬.基于深度学习的网络流量分类方法研究[D].齐鲁工业大学,2024.

[2]孔镇,董育宁.一种基于深度学习的网络流量细粒度分类方法[J].南京邮电大学学报(自然科学版),2021,41(3):100-108.

[3]杨宇,唐东明,李驹光,等.基于时空特征自适应融合网络的流量分类方法[J].电子测量技术,2024,47(3):166-174.

[4]王勤凡,翟江涛,陈伟,等.一种基于图卷积神经网络的加密流量分类方法[J].电子测量技术,2022,45(14):109-115.

[5]徐正.基于深度学习的网络流量分类方法研究[D].青岛理工大学,2025.