快速UDP互联网连接（Quick UDP Internet Connection,QUIC）协议是一个由谷歌提出的、用于替代TCP的数据传输协议。为了拥有比TCP更快的传输速度,QUIC引入了0-RTT这一新特性,它通过减少在握手阶段交换的未加密信息来提高建立连接的速度。换而言之,基于数据包头或有效载荷的流量分类方法的适用性降低了,因此如何对QUIC流量进行分类成为了当前研究中的一个热点问题。当前,在网络流量分类领域中,现有的分类模型大部分都是单任务学习模型,对一些标记样本数量较少并且特征维数较高的任务,使用单任务学习模型容易出现过拟合风险;其次,单任务学习模型往往无法使所有类别的流量的分类性能都达到最佳效果,一个类别的识别效果提升,有可能会导致其余类别的识别效果降低;此外,每个类别的特征模式复杂度不一,模型需要捕获一种能够区分所有类别的特征模式,其分类难度也会随着类别的增加而大幅度上升。为了解决上述问题,本文研究了基于多任务深度学习的流量分类方法,主要研究工作如下:1.基于软参数共享多任务学习的流量分类方法。为了进一步研究多任务学习方法在网络流量分类中的应用,本文提出了一种基于软参数共享多任务学习的流量分类方法。该方法通过数据驱动的方式确定模型的共享结构,设计辅助任务与目标任务并行学习,互相补充学习到的领域知识,平均各自的噪声差异,可以有效降低单个任务过拟合和泛化能力差的风险。实验结果表明,该方法在公开的QUIC流量数据集上取得了较好的表现,在应用程序识别、带宽需求预测和持续时间预测三个任务上的平均准确率都要优于单任务学习方法,也优于基于硬参数共享的多任务学习方法。2.基于分层共享多任务学习的流量分类方法。针对单个流量分类任务中所有类别的分类效果同时提升难的问题,本文提出一种基于分层共享的多任务学习方法。该方法将单个任务中的类别划分到多个任务中,特征模式类似的类别归为同一个任务,不同的任务之间不像其他的多任务学习方法一样共享相同的隐藏层,而是根据每个任务的特性共享不同层次的网络结构,形成一种层级化结构。这样不仅更具有针对性,还能够降低每个任务的分类难度。本文在公开的QUIC流量数据集上进行验证,实验结果表明,模型不但在整体准确率上达到了98.49%,而且大部分类别的查准率、查全率、F1值与单任务方法相比均有提升。