在信息技术高度发展的今天,计算机与互联网为各行各业带去巨大推动力的同时,不法分子藉由计算机与互联网实施的犯罪行为也日益增多,来自互联网的攻击与来自网络内部的威胁层出不穷。目前现有的异常检测系统往往只强调将算法模型应用于分类预测的过程,较少关注不同数据集与模型间可能存在的适配问题,也较少考虑模型超参数对检测效果带来的影响,此外还缺乏对于异常处理代价的相关考量。针对上述问题,本文首先提出了样本依赖的代价敏感模型决策阈值调整方法,从数据样本中提取代价信息,并通过经验阈值调整方法,对模型的决策阈值进行调整,旨在降低数据样本的平均处理代价,并通过实验验证了方法确实有效。基于该模型决策阈值调整方法,本文在后续内容中提出了异常干预优化配置方法,以指导系统用户在有限的系统资源下进行尽可能高效地异常处理。在此基础上,本文实现了一个完整的安全异常学习感知系统,提供异常学习感知与处理功能,用户可参考异常学习结果进行异常感知,并对感知到的异常数据进行处理。其中模型学习参数配置过程中,系统可为用户生成推荐的超参数,为用户提供重要的配置参考信息,以提升异常感知的准确度;在系统架构设计与功能实现上,将系统拆分为多个子系统,各个子系统上部署不同的系统服务,基于Dubbo框架进行远程过程调用,实现了系统各个模块间的高度解耦,使系统具备良好的可扩展性。此外,本系统通过界面友好的人机交互,对系统关键数据进行可视化呈现,使系统用户可以更好地掌控系统功能的执行过程与结果,易于展开进一步的异常处理与分析工作。本文首先先对系统使用的机器学习方法进行了概述,并介绍了系统开发中的主要技术栈,并对系统的进行功能需求分析与非功能需求分析。接着,本文介绍了样本依赖的代价敏感机器模型决策阈值调整方法,对代价模型进行了原型定义与实例化说明并在此基础上利用Hyperopt进行了阈值优化,并对优化结果进行了解释与评估。之后对系统的具体架构设计与服务间的调用逻辑、系统部署方式等进行了阐释,介绍了超参数推荐服务、异常干预优化配置服务等关键服务的实现细节。最后,对本系统进行了功能测试与性能测试。测试结果显示,系统各个功能实现符合功能需求,系统启动部署耗时与关键服务的执行耗时符合设计预期。