随着大数据、物联网等技术的迅速发展,用户访问信息也呈现出快速的增长。然而,社会各界在享受巨大技术红利的同时,也面临着信息安全所带来的问题。对用户访问日志数据进行异常检测分析是学术界的研究热点之一。但传统针对大规模分布式数据的异常检测方法存在一些缺点。第一,收集到Web日志数据集具有时效性,而在传统异常检测算法中却很少关注;第二,对已有的历史正常用户访问数据进行训练需要大量成本,而且异常检测效率低;第三,大数据时代网络流量呈现数据量大,特征属性维度高,而且属性之间的相关性大等特点,利用传统异常检测方法,会出现检测效率低,检测时间长的问题。因此,如何快速和高效率地对大数据平台收集到的大规模网络用户行为数据进行异常检测已经成为一个巨大的挑战。针对以上问题,本文分析了各类异常检测方法的优缺点,提出了两种基于数据挖掘的异常检测方法,实现了高效率的异常检测,最后并设计与实现了系统。本文的主要贡献如下:(1)针对正常用户访问模式的训练和更新需要大量成本,当Web日志数据量较大时,提取正常用户访问模式时具有时间效率低、检测率低和误报率高等问题,提出了一种基于序列模式挖掘异常的方法。利用基于改进的分布式最大频繁序列提取算法提取正常用户访问模式,通过模拟包含攻击的用户序列与正常用户访问规则库进行序列比对,检测和定位出异常情况;(2)针对网络流量数据量大,数据维度高等特性,提出一种改进GRU的异常检测方法。首先,利用主成分分析对大规模网络流量数据集进行降维,提取有效的属性;然后,对处理过的训练数据集用来训练GRU-SVDD分类器模型;最后,将要检测的实际流量输入到GRU-SVDD比较器,检测出流量中的异常。(3)针对大数据平台上面收集到的网络用户行为数据集,构建从应用层和网络层的多层保护模型。可以有效地保护大数据平台的安全,并在本项目系统中设计与实现了相应的算法。