با افزایش سرعت خطوط ارتباطی و نیز مطرح شدن کیفیت سرویس‏های ارائه شده توسط شبکه، جدا کردن جریان‏های متمایز در مسیریاب‏های اینترنت به عنوان یکی از راهکارهای بالا بردن سرعت و کارایی مسیریاب‏ها همواره مورد توجه بوده که هدف اصلی این تحقیق نیز، هست. در این فرآیند که دسته‏بندی ترافیک اینترنت نامیده می‏شود، کلیه‏ی بسته‏های متعلق به یک جریان مشخص، تحت تأثیر یک قانون خاص قرار گرفته و به‏صورت یکسان پردازش می‏شوند. به‏عبارت دیگر، جریان‏ها براساس یک یا چند مشخصه مانند آدرس مبدأ، آدرس مقصد، پورت مبدأ، پورت مقصد و شماره‏ی پروتکل از همدیگر متمایز شده و با هر کدام براساس قوانین تعریف شده برخورد می‏شود. در این پایان‏نامه، هدف به‏کارگیری روش‏های یادگیری ماشین به‏منظور دسته‏بندی کارای ترافیک اینترنت است. در این راستا، از مجموعه‏داده‏ی جمع‏آوری شده در مرکز تحقیقاتی دانشگاه کمبریج استفاده شده است. در ابتدا، عملیات پیش‏پردازش بر روی داده‏ها اعمال شده و از آن‏جا که این مجموعه‏داده نامتوازن است یعنی، نسبت داده‏ها در کلاس‏های متفاوت با هم اختلاف زیادی دارد، از یک الگوریتم انتخاب ویژگی مناسب براساس محاسبه‏ی ضریب بایاس ویژگی‏ها، استفاده شده است. سپس، از یک روش دسته‏بندی ترکیبی جهت دسته‏بندی جریان‏ها و تخصیص آن‏ها به کاربردهای خاص، پیشنهاد و پیاده‏سازی شده که کارایی آن برابر 99.51% ارزیابی شده است.