互聯(lián)網(wǎng)流量分類是識別網(wǎng)絡應用和分類相應流量的過程，這被認為是現(xiàn)代網(wǎng)絡管理和安全系統(tǒng)中最基本的功能。與應用相關的流量分類是網(wǎng)絡安全的基礎技術(shù)。傳統(tǒng)的流量分類方法包括基于端口的預測方法和基于有效載荷的深度檢測方法。在目前的網(wǎng)絡環(huán)境下，傳統(tǒng)的方法存在一些實際問題，如動態(tài)端口和加密應用，因此采用基于流量統(tǒng)計特征的機器學習（ML）技術(shù)來進行流量分類識別。機器學習可以利用提供的流量數(shù)據(jù)進行集中自動搜索，并描述有用的結(jié)構(gòu)模式，這有助于智能地進行流量分類。起初使用樸素貝葉斯方法進行網(wǎng)絡流量分類的識別和分類，對特定流量進行實驗時，表現(xiàn)較好，準確度可達90%以上，但對點對點傳輸網(wǎng)絡流量（P2P）等流量識別準確度僅能達到50%左右。然后有使用支持向量機（SVM）和神經(jīng)網(wǎng)絡（NN）等方法，神經(jīng)網(wǎng)絡方法使整體網(wǎng)絡流量的分類準確度能達到80%以上。多項研究結(jié)果表明，對于多種機器學習方法的使用和后續(xù)的改進，很好地提高了流量分類的準確性。

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