Actualmente, con el rápido aumento de las escalas de datos en las clasificaciones de tráfico de red, seleccionar características de tráfico de manera eficiente se está convirtiendo en un gran desafío. Aunque se han propuesto varios métodos tradicionales de selección de características utilizando el marco Hadoop-MapReduce, el tiempo de ejecución seguía siendo insatisfactorio debido a los numerosos cálculos iterativos durante el procesamiento. Para abordar este problema, se propone en este artículo un método eficiente de selección de características para el tráfico de red basado en un nuevo marco de computación paralela llamado Spark. En nuestro enfoque, el conjunto completo de características se preprocesa primero en función de la puntuación de Fisher, y se emplea una estrategia de búsqueda secuencial hacia adelante para los subconjuntos. Luego, se selecciona el subconjunto óptimo de características utilizando las iteraciones continuas del marco de computación Spark. La implementación demuestra que, bajo la condición de mantener la precisión de clasificación, nuestro método reduce el costo de tiempo de modelado y clasificación, y mejora significativamente la eficiencia de ejecución de la selección de características.