异常流量特征研究对于识别和理解网络异常行为有重要的意义。异常流量特征能够较大程度的反映网络异常行为的攻击方式、攻击来源等特征。能够帮助网络运维人员快速识别网络异常行为类型,并为网络安全防御提供重要支持。近些年来网络安全领域提出了多种流量特征研究方法,这些方法将网络流量的基本物理量作为人工智能模型输入特征,判断网络当中是否存在异常行为。然而这些方法通常只考虑到流量或地址分布等物理参数在单一时空尺度上的行为特征,难以描述整个网络行为的复杂特征,更不能细粒度地刻画网络行为发生、发展和演化过程。为了有效解决这些问题,本文根据熵理论蕴含着整个系统的动力学规律的特点,对网络流量进行熵的分析从而表征其动力学规律。本文基于现有多尺度熵理论的缺陷,创造性地提出了一种欧氏距离多尺度熵方法,将欧氏距离多尺度熵方法应用于异常流量特征的研究上,开展多个时间尺度上的异常流量特征研究。本文主要研究工作及贡献如下:(1)本文针对多尺度熵、复合多尺度熵、模糊熵、复合多尺度模糊熵理论的缺陷进行了阐述,提出了一种欧氏距离多尺度熵理论,并且通过人工合成的白噪声、1/f噪声和滚动轴承故障实验证明了其有效性。(2)研究了欧氏距离多尺度熵的轴承故障检测方法,本文采用欧氏距离多尺度熵与人工神经网络相结合的方法,将熵值作为轴承故障的特征进行了实验,并成功检测出轴承故障。(3)提出了基于欧氏距离多尺度熵的网络异常流量特征研究方法。首先对获取的公开网络异常流量数据集进行预处理,获取异常行为的基本特征,然后根据异常流量数据得到不同网络传输协议时间序列,利用欧氏距离多尺度熵方法对网络传输协议时间序列进行熵值分析,通过熵值序列特征与异常流量的基本特征挖掘出异常流量的特征。