随着互联网技术的不断发展,边界网关协议(Border Gateway Protocol,BGP)网络中的自治域节点数量迅速增加,拓扑结构日趋复杂,伴随而来的是频繁发生的BGP网络异常事件。针对当前BGP网络发展趋势,研究相关异常检测算法愈发重要。在已有的基于机器学习的BGP异常检测研究中,研究某一区域BGP路由状态的为多,研究特定IP前缀异常检测的较少;研究内容为单模型算法的为多,研究组合模型算法的较少。本课题以IP前缀作为研究对象,研究了组合模型算法在BGP异常事件检测问题中的应用,设计了梯度提升决策树组合线性回归、梯度提升决策树组合隐因子分解两种方式检测异常。课题将研究过程分为特征数据采集、特征处理和异常检测。首先通过分布式算法计算事件特征数据,经过特征处理去除无关和冗余特征,最后经过机器学习算法检测异常。在算法研究的基础上,本课题设计并实现了相关检测系统。系统实现了对IP前缀的异常检测,并验证了在BGP异常事件检测中组合模型算法优于单模型算法。