伴随信息化技术的高速发展以及分布式技术、大数据、虚拟化等新理念、新方法的蓬勃兴起,催生了云计算技术。这些年来,云计算应用到更多领域,发展更加迅猛有力。虽然云计算的运行模式比之前有了很大改进,令云计算环境的安全性以及可控性有了较大的提高,但由于其自身的复杂性及大规模性,使得系统容易出现异常,也更加容易吸引黑客的攻击,对云计算环境的安全性产生了严重的威胁。因此,面向云计算环境的异常检测技术越发显得重要,是云安全的重要组成部分。本文面向云计算环境网络安全,主要针对网络异常进行研究,重点在于提高云计算环境可用性,完成的主要工作包括:(1)针对云环境下数据量大、复杂以及样本存在不均衡的情况,提出了一种基于影响补偿因子的样本差异均衡方法,为小类样本引入影响补偿因子,并增加其对整个模型的影响程度,使得其特性不至于被大类淹没。(2)传统BP神经网络在训练时很依赖初值选取,容易陷入局部极小值,因此引入了模拟退火算法,并对模拟退火算法进行了进一步的分析,针对其存在的寻优能力不足、在低温时发生震荡的问题,本文提出了一种两阶段优化的改进模拟退火算法,在两个阶段中,分别设置不同的控制参数,既保证了全局寻优的特点,又减少了震荡的发生。(3)分析了 BP神经网络梯度下降法的特点,针对训练过程复杂、样本存在关联性的特点,提出了一种基于交叉分组的改进BP神经网络算法,并且对于收敛速度较慢的问题,为神经网络设置了动态自适应学习速率,根据目标函数的变化情况,动态调整学习速率以适应寻优过程,提高了收敛速度。将上面的算法结合起来用于进行异常检测,有效的提升了算法的性能。(4)本文设计并实现了基于三层架构的系统模型,即“数据处理-异常检测-异常响应”,分别对每个功能模块的特性进行详细描述。基于此模型,我们实现了对异常行为的准确检测,提高了云计算环境的安全性。最后进行了实验并对系统性能进行了分析。结果表明,本文算法不仅提高了检测率,降低了误报率,加快了学习速度,同时对小类型也起到了明显的补偿作用,能够有效解决云计算安全中存在的问题。