互联网信息技术更新迭代不断发展,改变用户日常生活方式的同时极大程度提升了工作效率。与此同时网络攻击技术呈现智能化多样化发展,网络安全问题日趋严重,如何安全高效地保障信息安全成为越来越多学者致力研究的问题,而异常流量检测技术是信息安全防护中的重要一环。通过实时对网络流量进行监控并及时发现异常行为,能够保证当前网络的安全性,持续为用户生活、工业生产、信息交互等领域提供便利。现有异常流量检测方法依赖的行为特征通常由高维流量特征组成,其检测准确率不够高,泛化能力较差,不能够满足在高度信息化时代产生大量流量背景下实现异常流量检测的要求。本文的主要工作如下:（1）为解决现有方法没有考虑特征重要性对异常流量识别结果的影响,提出一种基于网络行为的异常流量检测方法。首先通过机器学习算法进行特征降维并除去冗余的特征信息,筛选出表征网络流量行为模式的特征子集,接着引入皮尔逊系数用于衡量筛选出的特征重要程度,最后将多个弱分类器集成为强分类器实现异常流量检测。实验利用该方法在KDD-CUP99数据集上进行了验证评估,最终集成学习分类器达到97.1%的平均识别准确率。（2）为减少异常流量检测技术中流量特征的信息冗余,对不同类型流量多层面进行特征提取,提出一种基于设备行为的异常流量检测技术,对流量数据进行深度学习特征提取,综合提取到的数据时序特征、流量统计特征、协议,得到能够表征设备行为的特征。利用引入注意力机制的长短期记忆网络训练数据提取时序特征,利用卷积神经网络模型训练由时序特征矢量、流量统计特征、协议组成的高维流量特征完成深层次特征提取,最后使用交叉熵进行模型评估。实验评估在ISCX-2012数据集上进行,实验结果表明,该方法识别准确率达到97.6%,召回率达到97.4%,迭代次数为38次时,模型F1值最高达到97%。