网络流量分类对许多网络应用程序都很重要。 机器学习被认为是对网络流量进行分类的最有效技术之一。 在本文中,我们采用基于快速相关性的过滤算法来过滤网络流量中包含的冗余属性。 该算法选择的属性有助于降低分类复杂度并实现高分类精度。 由于流量属性包含大量的用户行为信息,因此恶意用户可能会泄露用户的隐私并非法使用用户的隐私。 因此,要求使用某些帧片段对流量进行分类,其中要包含受保护的与隐私相关的信息。 分类后,结果不会泄露隐私信息,而仍可用于数据分析。 因此,我们提出了一种基于不同数据属性顺序之间关系的随机扰动算法,可以保护它们的隐私性,从而确保分类时的数据安全性。 实验结果表明,该算法对数据进行了分类,具有较高的准确率和实用性。