در دنیای امروزی استفاده از شبکه جهانی اینترنت و سرویس‌های ارائه شده در بستر شبکه‌ها بمنظور انجام امور روزمره اعم از خریدهای اینترنتی، پرداخت‌های بانکی، استفاده از شبکه های اجتماعی و غیره روز به روز در حال افزایش است. نرم افزارهای کاربردی در این شبکه‌ها جهت اتصال به سرورها و دریافت خدمات مذکور شروع به تولید ترافیک و ایجاد ارتباط بر بستر شبکه مینمایند. از سوی دیگر مدیران شبکه و امنیت بمنظور مدیریت بهتر و در برخی موارد کنترل ترافیک نرم افزارها، نیاز به شناخت و بررسی ترافیک مربوط به این نرم افزارها دارند. تا زمانیکه جریان مربوط به این نرم‌افزارها بصورت رمزنشده در حال انتقال بود و رمزنگاری و حفظ حریم خصوصی تا این حد مورد توجه قرار نداشت و نرم افزارها از پورتهای مشخصی استفاده می‌نمودند ابزارها و روش‌هایی بمنظور تشخیص تولیدکننده ترافیک وجود داشت و در اکثر مواقع تا لایه کاربرد را مورد بررسی قرار میداد و نتایج قابل قبول و کاربردی را جهت بهره‌برداری تحویل مدیران شبکه و امنیت میداد. واضح است امروزه کمتر نرم افزاری را میتوان یافت که بمنظور برقراری ارتباط نقطه به نقطه از رمزنگاری استفاده نکند. بر خلاف دیدگاه حفظ حریم خصوصی که رمزنگاری را بسیار جذاب و پرکاربرد کرده است از منظر مدیریت شبکه و امنیت رمزنگاری بسیار چالش برانگیز است، چراکه کار را برای تشخیص جریان برنامه های موجود در شبکه بسیار سخت و گاهی نا ممکن میسازد. از این رو راهکارهای مختلفی بمنظور گذر از این چالش مورد تحقیق و بررسی قرار گرفته است که یکی از آنها استفاده از الگوریتمهای یادگیری ماشین و یادگیری عمیق جهت رفع این چالش می باشد. در این پایان‌نامه سعی شده است روش‌های مختلف تحلیل و نظارت بر ترافیک رمز شده معرفی و مزایا و معایب هر یک مورد بررسی قرارگیرد و بدنبال آن راهکاری مبتنی بر یادگیری ماشین بمنظور طبقه‌بندی جریانهای ترافیک رمز شده ارائه گردد.
