随着全球通信技术的发展,网络环境越来越复杂,非法盗取信息的情况越来越多,信息安全受到了严重威胁。为了应对网络信息安全问题,通常在网络中添加包括防火墙、WEB应用防火墙、入侵检测、MAC网络准入等安全防护措施。其中入侵检测根据检测方法的不同分为误用入侵检测和异常入侵检测。异常入侵检测受到了广泛的研究,它能够利用流量的特征对入侵行为进行判定。本文针对现有异常检测方法中数据样本不平衡和检测效果不好的问题,对网络异常流量的生成与检测展开研究,主要工作总结如下:首先,本文提出了一种基于自编码和生成对抗网络的网络异常流量生成方法。该方法是为了解决异常检测方法中存在的正负样本数量不平衡的问题,同时也试图解决对未知攻击检测率不高的问题。利用该方法可以生成一定量与被训练的异常流量相似的流量数据,即生成的流量数据是具有攻击特性的异常数据,以达到数据增强的效果。实验结果说明,提出的算法所生成的流量数据能够有效逃避各种异常检测方法的检测,即表示生成的网络流量不仅具有攻击特性,并且在原有的基础上进行了自身优化,可以躲避检测系统的检测。然后,本文提出了一种基于注意力机制和双向长短期记忆算法的网络流量异常检测方法。该方法是为了解决现有使用机器学习方法的异常检测系统存在的弊端,即大多只关注单个流量样本自身特征对检测结果的影响,而忽略了流量数据序列间的相互关系对检测结果的影响作用。该方法同时考虑到了特征项和数据序列对异常检测结果的影响作用,从而提高异常检测结果。实验结果表明,该方法提高了异常检测的准确率。最后,本文提出用可视化的方法对网络流量数据进行展示。通过多视图能够清楚的了解网络流量数据的特点,也可以对用机器学习方法无法有效分析的数据通过可视化的方法进行数据分析,为异常检测提供信息辅助。可视化系统展现数据项与攻击类型之间的关系,同时利用Adaboost方法进行特征选择,将多项特征进行可视化对比,展现特征项之间的联系。同时,还使用可视化的方法将前面生成的数据和检测结果可视化的展现出来。