随着互联网在社会生活中扮演的角色逐渐重要,网络管理成为重要命题。流量分类技术作为网络管理基础保障技术,其需求逐渐呈现离散化、个性化以及精细化的趋势。支持个性化、低成本部署的细粒度分类技术仍旧存在着网络流量数据分布不平衡、有限资源与逐渐丰富的个性化需求不匹配、新旧数据更替不兼容等三方面的问题。针对以上问题,本文展开以下研究:(1)针对经典的ISCX数据集样本分布进行研究,分析大小类数据不平衡现象及其对神经网络分类器性能的影响,提出针对不平衡数据集的流量识别方法,通过采用Focal Loss损失函数与采样技术结合,给小类、有区分度的样本赋予更高权重,提升不平衡数据集状态下小类数据分类的性能。实验表明,在ISCX VPN数据集中,与仅使用随机采样方法比整体提升准确率2.3%,小类数据VPN-Streaming准确率提升2.7%。Chat、Email等难分类项性能与过往研究相比提升显著。(2)针对众多场景下标注数据稀缺、算力有限等问题,本文提出基于迁移学习的流量分类方法,通过权重迁移以及神经网络微调来实现少量标注数据集下分类模型的训练。不同于先前借助神经网络对人工设计的特征进行提取的方法,该方法保留了深度学习的端到端学习性能,在减少人为干预的同时降低了遭受概念漂移的风险。实验表明,在仅使用USTC-TFC 2016数据集10%标注数据样本的情况下,分类性能准确率达到94.6%,与全量训练数据结果相近(98.7%)。(3)针对网络流量结构随时间变化、新应用类型不断产生以及旧训练数据难以被长期存储的现状,提出基于Learning Without Forget(Lwf)增量学习的流量分类方法。实验表明,在数据集USTC-TFC 2016上,采用增量学习方法使新增应用准确率达到97%的同时旧应用准确率下降低于5%,优于神经网络微调方法(降低12%)。最后,本文基于上述研究,设计了一个支持个性化需求场景下实现流量细粒度分类的部署方案。