流量识别对互联网的网络安全和网络管理领域具有重要意义。随着网络应用技术的不断发展，传统识别方法的局限性日益显现，端口识别由于P2P等应用端口的使用方式而失去了自身的优势，DPI技术虽然可以有效地识别网络流量，但是对于加密的流量则是束手无策。虽然基于机器学习的识别方法可以有效地改善这两种技术存在的缺陷，而面对众多机器学习算法，如何从中选择或者加以改进以适合特定实际流量环境仍是该领域未能完全解决的问题，另外，目前抽样技术已经用于高速的网络测量和网络管理中，在抽样的网络环境下对于基于流的特征属性的影响及测度之间的相关性的影响也是该领域目前的一个研究热点。

本书所介绍的研究工作围绕以上目标展开，通过建立标准数据集，研究报文抽样、属性选择算法对识别精度的影响，评估分类算法对属性特征在抽样条件下的敏感程度，在此基础上，建立面向不同环境和需求的多分类器融合流量识别模型。全书共有8章及1个附录。

希望本书的出版，能给学习流量识别技术的研究人员提供一个扩展研究思路的平台。本书主要是以笔者的博士论文为基础的，是笔者在博士期间的工作总结，内容方面已反复修改和论证，但难免有不足之处，欢迎广大读者批评指正，以便本书质量的进一步提高。

本书包含笔者的研究内容和成果，同时也引用了一些国内外学术研究的观点，在此向有关人士致以衷心的感谢！