信息技术的发展以及智能手机的广泛使用给人们工作生活提供了极大的便利,手机应用变丰富的同时,网络流量也变得复杂和多样化。如何在安卓智能手机的具体应用场景上做出相应优化以满足用户需求,是一个值得深入研究的问题,而实现网络优化的前提是对网络中的数据流量进行分类和识别。传统的数据流识别研究主要是在应用层上针对通信协议或者应用类型进行识别,并没有考虑细粒度分类,且识别效率也没有经过实际检验。针对以上问题,本文对安卓手机应用的数据流识别进行了深入研究。本文主要做了两部分的工作。第一部分首先给出了数据流的基本定义和实时识别的评价标准,然后在PC端对手机较为热门的APP应用进行数据采集,并根据应用提供的典型功能将各APP的数据流划分两到三种更为精细的流量类型,基于C4.5决策树算法对APP流量构建识别模型。从数据清洗、流特征提取、模型训练等方面对每种应用的数据集进行处理,并从识别的准确性方面对模型进行评估。实验结果表明,该决策树算法在数据流特征选取个数为4或5时,可以将每种应用包含的具体流量类型识别准确率保持在99%以上,并且算法也有较强的实时性。第二部分是基于第一部分得到的决策树模型,在安卓手机内核中实现数据流识别功能。由于安卓系统基于Linux内核开发,本文使用Linux提供的Netfilter框架进行数据包的捕获与处理,并通过内核下存储和管理数据包的sk＿buff结构体对数据包的信息进行提取。将保存的各应用的决策树模型根据IF-THEN规则在内核数据流识别代码中进行实现,并把提取的数据流信息输入模型进行识别。实际测试在谷歌手机上进行,运行程序并通过ADB调试工具加载模块,打印程序运行日志,结果表明在内核实现的数据流识别系统可以对正在运行的应用业务流量类型进行准确快速地识别,且准确识别所用时间在200ms以下,满足了数据流识别实时性的要求。此外,将数据流识别功能编译成内核模块,以模块的形式进行动态加载和卸载,提高了系统功能的扩展性和维护性。总体来说,本文基于C4.5决策树算法构建的安卓数据流识别系统在细粒度流量识别上达到了较好的效果,并且在手机内核中有较强的实时性,识别模型具有高准确率、轻量和易扩展的特点,适用于真实安卓智能手机场景。