目前，公知的基于深度学习的加密流量识别算法可分为基于端口、基于有效载荷和基于流的识别方法。在这一框架下，基于端口的流量识别方法假设大多数应用程序使用默认的TCP协议或UDP端口号来推断服务或应用程序的类型。因此，端口伪装、随机及隧道技术等方法失效。而基于有效载荷的识别方法需要匹配数据包内容，因此无法处理加密流量。和前两种方法不同，基于流的识别方法通常依赖于统计特征或时间序列特征，采用机器学习方法对流量数据进行建模，再给出识别结果。 然而，机器学习方法存在的局限性包括：（1）难以自动提取和选择特征，需要依赖专家经验进行手动提取特征、选择特征等，使得识别效果难以保证；（2）离线提取特征的方式使得识别算法难以应对在线流量识别的场景，需离线更新特征，重新训练识别模型，难以实时提供流量识别结果。因此，解决上述问题，是流量识别算法设计的重中之重。