随着智能移动设备的广泛使用和安全问题的日益凸显,基于流量的属性特征的应用程序识别技术在恶意软件监控和网络数据管理领域起到越来越重要的作用。如今网络中的智能手机往往来自于不同的厂商和型号,并安装有不同的操作系统。但现如今的研究者们尚未做到专门针对来自不同智能手机平台的流量数据进行高性能的应用程序种类识别。针对这一问题,本文提出一种针对多设备源加密流量的应用程序特征提取方法。该方法基于流量级属性的频率分布,使用的属性包括TCP流长度以及SSL/TLS流状态转换信息。之所以选用流量级属性,原因是这种属性从完整的网络流中提取而出,更能表征应用程序的行为或功能,同时避免后续识别过程中的过拟合现象。该方法的核心思想为:统计以上流量级属性值的出现频率,并将其转换为频率分布向量的形式。基于这种方法,本文又提出了一套针对多设备源加密流量数据属性特征的应用程序识别系统。该系统使用机器学习的方法,从按照以上特征提取方法构建的特征向量中训练出相应的分类模型。本文使用收集自3台不同的Android智能手机的数据对该系统的多设备源加密流量识别性能进行了评估,其识别的平均真阳率可达99.3%,相对应的平均假阳率为0.2%。这个结果表明,本文提出的识别系统在对多设备源加密流量进行应用程序种类识别时能够实现高性能。而为了寻找到过去的研究中导致多设备源加密数据流量识别性能低下的原因,本文设计实验,基于以上针对多设备源加密流量数据属性特征的应用程序识别系统,对应用程序浏览内容差异、应用程序行为种类差异、同型号设备的个体差异和设备品牌差异四种因素对多设备源加密流量数据识别性能的影响进行了探究。实验显示,应用程序行为种类的不同对本识别系统的识别性能影响最大,其平均真阳率最高仅能达到52.3%（对应的平均假阳率为11.9%）。而在后续的工作中,本文通过混合现有数据集,制备出更符合现实网络环境的混合应用行为数据集。该数据集之上的识别性能评估结果显示,识别结果的好坏同训练集和测试集中不同应用行为流量混合比例的相似度有关。当训练集和测试集中不同应用行为的流量样本比例相同时,其平均真阳率可高达99.9%（对应的平均假阳率为0.1%）。