随着“互联网+”时代的进步和大数据技术的快速发展,接入网络的应用和设备越来越多,网络拓扑结构也越来越复杂多变,从而使网络流量数据量更大、网络安全问题更棘手。对复杂的网络流量进行分析和异常检测,进而了解网络环境信息,提高网络用户管理、优化网络质量和网络安全保障都有重大意义。传统的基于阈值、静态规则匹配等入侵检测方法在动态、复杂的网络环境中难以检测出未知异常和用户异常行为、不能满足海量网络流量数据检测需求,同时存在检测效率低、模型规则更新繁琐、无法进行自学习和自演化的更新模型等缺点。本文结合神经网络对网络异常检测展开研究,通过采集网络流量,进行流量分析和规则匹配获取网络环境中用户详细信息和异常攻击行为等相关属性,并利用网络流量分析的特征建立神经网络异常检测模型进行网络异常和用户异常行为检测。本文主要研究内容和创新如下:1.构建分布式流量采集和网络流量分析系统,完成网络流量采集、分析和检测。采用旁路镜像端口的方式采集校园网流量数据,通过bro和snort进行网络流量分析检测,将网络流量数据重构为日志文件存储,最后针对各层数据进行分析并提取上层应用特征建立标识库。2.在网络异常检测识别中,针对BP神经网络网络结构难以确定、易陷入局部最优、收敛速度慢和检测精度低等问题。本文提出一种粒子群优化BP神经网络的网络异常检测方法,通过采用自适应学习率和粒子群算法对BP神经网络算法的网络结构和参数优化调整,使检测模型的迭代次数减少,精度更高等。3.对异常用户行为检测识别,通过对上层应用分析建立的标识库来自定义用户异常行为,对网络环境进行更细致的用户行为管理。本文提出一种基于深度神经网络的自定义用户异常行为检测模型,通过实验验证,本模型能有效解决传统用户异常检测方法无法快速对未知异常类型和恶意软件做出响应、没有自定义用户行为管理等缺点。4.对网络流量进行预测,将预测未来流量不符合常规情况下的真实流量数据结合细粒度的网络流量分析、异常检测和用户行为检测,实现有针对性的智能预防检测。本文提出一种基于长短期记忆神经网络的网络流量预测模型,通过该模型有效克服了传统网络流量预测方法对网络流量存在数据量大、随机突发性和依赖性强等情况无法准确预测和泛化能力不足等问题。