网络经常由于路由器传输率变化,设备重启蠕虫攻击发生异常波动。网络异常的尽早发现对于避免未来严重问题的发生和灾难的快速恢复起到至关重要的作用。这为提供稳定的网络传输提供了保障。在本论文中我们采用了统计的方法来分析网络流量的分布情况来识别出网络正常情况下的流量情况。然而不同协议带来的流量有不同的统计特征。没有一个单一的分布能匹配网络流量的分布情况。很多的研究工作已经为这个结论提供了很多依据。我们在实验中通过对实际数据的分析也验证了这一论断。我们采用了在人工智能领域广泛使用的期望最大化算法来估计高斯混合模型的分布参数。一旦出现统计特征的异常波动或者网络流量的突发变化并且超过一定阈值警报将会被触发。我们采用时间序列分析的方法来处理统计分析所得结果数据。在第一种方法中,通过分析确定出上界和下界。假如参数超出上下界就判定为异常发生。另一种时间序列分析方法通过两条称做K,D指标线的交错来反映网络的异常波动。这两条指标线刻画的是类似历史数据的均值。其中的一条对于最新数据的波动比较敏感而另外一条则较迟钝。第三种方法为MACD指标线方法。这种方法和K,D方法十分类似但是对于波动相对不太敏感。通过实验我们发现他对于异常的判断反而更加正确。我们的实验最终证明了方法的有效性。