1.一種協議自動識別中所用分類器的構造方法，包括：

步驟11）、采集原始數據樣本，從中提取出訓練集；其中，

所述訓練集中的一個元素對應原始數據樣本中的一個數據，每一元素表示為：(x⁽ⁱ⁾,y⁽ⁱ⁾)，其中的y⁽ⁱ⁾為賦予給第i個數據的類標，表明該數據屬于哪一種協議；x⁽ⁱ⁾表示特征值，反映了數據的內在特性；

步驟12）、利用步驟11）得到的訓練集構造分類器。

2.根據權利要求1所述的協議自動識別中所用分類器的構造方法，其特征在于，在所述的步驟11）中，通過Tf-Idf方法求取所述特征值；包括：

步驟11-1）、根據原始數據樣本中的數據構建詞典；所述詞典表示詞匯的取值范圍，所述詞匯表示組成原始數據的字符串中若干個字符的組合；

步驟11-2）、將原始數據樣本中的各個數據與步驟11-1）所得到的詞典進行比較，根據比較結果得到各個數據的特征值。

3.根據權利要求2所述的協議自動識別中所用分類器的構造方法，其特征在于，在所述的步驟11-1）中還包括：計算所述詞匯與詞典的關聯程度，將關聯程度低的詞匯從所述詞典中刪除。

4.根據權利要求1所述的協議自動識別中所用分類器的構造方法，其特征在于，在所述的步驟12）中，采用k類樸素貝葉斯方法構造分類器。

5.一種基于權利要求1-4之一所述方法所構造的分類器實現協議自動識別的方法，包括：

步驟21）、接收到數據后，提取出該數據的特征值；

步驟22）、將步驟21）所得到的某一數據的特征值代入所述分類器中，得到該數據所屬協議的類別。

6.根據權利要求5所述的協議自動識別方法，其特征在于，所述步驟22）包括：

步驟22-1）、將步驟21）所得到的某一數據的特征值代入分類器中，得到該特征值屬于各個協議的概率值；

步驟22-2）、將步驟22-1）所得到的各個概率值與一用于表示顯著性的閾值進行比較，若均小于該閾值，所述數據不屬于任何已知協議，屬于未分類，否則將概率最大值所對應的協議作為所述數據所屬的協議；

步驟22-3）、對分類后的數據做進一步分析，將分析結果與實際情況較大的數據歸為誤分類。

7.根據權利要求6所述的協議自動識別方法，其特征在于，在所述的步驟22）之后還包括：

步驟23）、記錄并保存屬于誤分類或未分類的數據，達到一定量后，將這些數據按照權利要求1-4之一所述方法提取訓練集，并與之前的訓練集合并，形成新的訓練集，進而構造另一分類器。

8.根據權利要求6所述的協議自動識別方法，其特征在于，在所述的步驟22）之后還包括：

步驟24）、當刪除的協議達到一定數量后，修改之前保存的訓練集，從中刪除所有屬于刪除協議的數據條目，得到新的訓練集，然后按照權利要求1-4之一所述方法得到新的分類器。