袁梦娇，董育宁

（南京邮电大学 通信与信息工程学院，江苏 南京 210003）

随着互联网和多媒体技术的进步，网络视频服务也随之迅速发展起来。根据CISCO发布的白皮书，到2022年，视频流量将占整个互联网总流量的82%［1］。网络视频流分类可以使网络供应商更好地分配网络资源，为不同的视频业务提供精细化的服务质量（QoS）［2－3］。

传统的流分类方法包括基于端口的和基于有效负载的方法［4］。这些方法需要检查数据包的有效载荷或包头信息［5］。从网络供应商的角度来看，涉及到侵犯用户的隐私权［6］。另外，这些方法对加密数据无效［7］。

近年来，基于统计特性和机器学习（ML）的方法已成为主要的研究趋势之一［8］。由于该方法一般是基于流级别的信息，因此其有效性在很大程度上取决于从流中提取的特征［9］。通常根据网络流数据或单个数据包［10］来提取特征，例如源目标端口号、目标端口号、数据包长度以及包到达时间等［11］；这些特征对于每种特定类型的应用程序都是唯一的，因此可用于区分不同的应用程序［12］。由于该方法避免了对包内容的检查，克服了传统方法的不足，可用于加密数据［13］。

目前，在特征融合（Feature fusion，FF）方面已取得一些成果。FF主要包括以下两个方面：基于特征选择（Feature Selection，FS）方法［14－15］和基于原始特征提取新特征［16］。文献［17］使用了简单相加和的融合规则。文献［18］通过多项式核函数进行FF来完成加密的网络应用程序分类。文献［19］提出了两种不同的融合方法，即相加和拼接的融合规则，用于中文文本分类。……