隨著網(wǎng)絡技術的快速發(fā)展，基于網(wǎng)絡的應用越來越多、越來越復雜。種類繁多的應用（合法的或者非法的）不但吞噬著越來越多的網(wǎng)絡資源，而且也對QoS和網(wǎng)絡安全帶來了巨大的威脅。由于在負載均衡、資源利用等方面的優(yōu)勢，流量工程（Traffic Engineering）得到了業(yè)界廣泛的關注。在流量工程中，流量識別是網(wǎng)絡管理、流量監(jiān)控、服務分析、安全和錯誤監(jiān)測、網(wǎng)絡計費等多方面的重要基礎。

　　已有的流量識別方式，例如基于端口識別，基于特征碼識別，BLINC識別存在一些缺點。近年來，以流量統(tǒng)計特征為基礎的機器學習識別方法得到了廣泛的關注?；跈C器識別流量類型的原理是：根據(jù)IP包的長度、時間間隔等流量特征進行流量類型識別，無須檢測IP包的載荷內容。在實踐中，基于機器學習的流量類型識別又有“有監(jiān)督型”和“無監(jiān)督型”兩種。例如貝葉斯，EM算法屬于有監(jiān)督型，而k-means算法則屬于無監(jiān)督型，它們的區(qū)別在于有無導師信號的指導。在當前的實踐中，基于機器學習的流量識別方法表現(xiàn)出了較高的準確率。

　　有監(jiān)督型算法往往由于依賴已知的人工分析，對于新的網(wǎng)絡流量反應遲鈍。這樣一個很具挑戰(zhàn)性的課題就是不僅保證對已知流量的準確檢測，而且能檢測出未知流量。本文將無監(jiān)督型的自組織映射網(wǎng)絡算法（Self-organizing Mapping，SOM）引入流量分類，該算法在學習過程中不需要人工分析做向導，自動對數(shù)據(jù)進行分類。

　　在屬性的選取上，引入流量時間間隔變化率這- -概念，盡可能消除了網(wǎng)絡狀況對于流量時間間隔的影響，并實現(xiàn)了一個基于該算法的流量識別系統(tǒng)模型，初步達到了識別新流量的目的。