互聯(lián)網(wǎng)流量分類是識(shí)別網(wǎng)絡(luò)應(yīng)用和分類相應(yīng)流量的過程，這被認(rèn)為是現(xiàn)代網(wǎng)絡(luò)管理和安全系統(tǒng)中最基本的功能。與應(yīng)用相關(guān)的流量分類是網(wǎng)絡(luò)安全的基礎(chǔ)技術(shù)。傳統(tǒng)的流量分類方法包括基于端口的預(yù)測(cè)方法和基于有效載荷的深度檢測(cè)方法。在目前的網(wǎng)絡(luò)環(huán)境下，傳統(tǒng)的方法存在一些實(shí)際問題，如動(dòng)態(tài)端口和加密應(yīng)用，因此采用基于流量統(tǒng)計(jì)特征的機(jī)器學(xué)習(xí)（ML）技術(shù)來進(jìn)行流量分類識(shí)別。機(jī)器學(xué)習(xí)可以利用提供的流量數(shù)據(jù)進(jìn)行集中自動(dòng)搜索，并描述有用的結(jié)構(gòu)模式，這有助于智能地進(jìn)行流量分類。起初使用樸素貝葉斯方法進(jìn)行網(wǎng)絡(luò)流量分類的識(shí)別和分類，對(duì)特定流量進(jìn)行實(shí)驗(yàn)時(shí)，表現(xiàn)較好，準(zhǔn)確度可達(dá)90%以上，但對(duì)點(diǎn)對(duì)點(diǎn)傳輸網(wǎng)絡(luò)流量（P2P）等流量識(shí)別準(zhǔn)確度僅能達(dá)到50%左右。然后有使用支持向量機(jī)（SVM）和神經(jīng)網(wǎng)絡(luò)（NN）等方法，神經(jīng)網(wǎng)絡(luò)方法使整體網(wǎng)絡(luò)流量的分類準(zhǔn)確度能達(dá)到80%以上。多項(xiàng)研究結(jié)果表明，對(duì)于多種機(jī)器學(xué)習(xí)方法的使用和后續(xù)的改進(jìn)，很好地提高了流量分類的準(zhǔn)確性。

　　智能手機(jī)，特別是無線保真（ Wireless-Fidelity， Wi-Fi） 第三代移動(dòng)通信技術(shù)（ 3rd-Generation， 3C） 、全球微博互聯(lián)接入（ Worldwide interoperability for Microwave Access， WiMAX） 、通用移動(dòng)通信技術(shù)的長(zhǎng)期演進(jìn)（ Long Term Evolution， LTE）等智能手機(jī)，傳感器和無線技術(shù)的革命使得社交網(wǎng)絡(luò)、M2M通信（ Machine to Machine Communications）、物聯(lián)網(wǎng)應(yīng)用、智能城市等先進(jìn)應(yīng)用和服務(wù)成為可能。因此，大量的數(shù)據(jù)在計(jì)算機(jī)網(wǎng)絡(luò)中產(chǎn)生并攜帶，消耗了稀少的無線電和帶寬資源，導(dǎo)致網(wǎng)絡(luò)擁塞或故障。實(shí)際上，每個(gè)流量都不必與用戶活動(dòng)直接相關(guān)。具體而言，移動(dòng)設(shè)備上的應(yīng)用程序會(huì)自動(dòng)生成大量數(shù)據(jù)以更新其狀態(tài)，由此可以引出背景（ BackGround， BG）流量。