随着信息技术高速发展,互联网的功能越来越强大,极大地提升了生活质量。然而,在网络带来各种便利的同时,网络安全问题也日益增多,尤其在匿名网络或基于“垫脚石”的网络环境中,攻击者常常利用其隐蔽性实施网络攻击而难以被追踪到,因此需要研究新的流关联技术来实现对攻击者的追踪与溯源。本文在对现有流关联技术进行研究与分析的基础上,针对当前被动网络流量分析的流关联大多使用统计相关算法的关联方法缺陷,提出了一种基于流量特征图和卷积神经网络的流关联方法,通过使用深度学习算法代替传统的统计相关算法提高检测的准确度;针对当前需要分析计算极大段流量特征数据所造成的存储和计算开销过大,提出了一种基于压缩感知与卷积神经网络的流关联方法。本文的主要研究工作如下:(1)针对传统被动流量分析方法使用统计相关算法检测率低并且难以抵御包数量突变的缺陷,提出了一种基于流量特征图和卷积神经网络的流关联方法。首先将入口、出口网络流划分时隙,计算时隙内包数量,转化为特征图,由于关联与非关联流量的特征图存在差异,通过使用卷积神经网络对关联与非关联流量特征图进行分类,从而实现判断是否关联。最后,通过实验验证了该方法能抵御一定程度包数量突变,尤其在网络干扰较小的情况,具有较高的检测率。(2)针对传统被动流量分析方法常常需要分析计算极大段流量特征遭遇存储和计算开销极大的缺陷,提出一种基于压缩感知和卷积神经网络的流关联方法。首先选择数据包大小与IPD流量特征作为关联特征,然后基于压缩感知的线性投影将流量特征进行压缩处理,之后通过卷积神经网络对关联与非关联流量特性数据提取特征并使用SVM分类器完成分类,得到是否流关联。最后,通过实验与理论分析证明该方法在减少存储与时间开销的同时仍能保持较高的检测率。(3)设计并开发了流关联检测系统。该系统主要由用户管理和流关联检测两个部分组成。运行测试后表明,该系统构建了友好简洁的功能界面,实现了流关联检测功能,验证了基于流量特征图和卷积神经网络的流关联方法与基于压缩感知和卷积神经网络的流关联方法开发原型系统的可用性。