随着互联网的不断发展以及计算机的普及,网络安全问题层出不穷。异常检测作为一种动态的网络安全防御技术,能够较好的弥补传统保护机制的缺陷,越来越受到网络入侵领域专家学者的关注。本文在郑思维等人研究基础上,以降低误报率和计算开销为主要目标,对TCM-RNE网络异常检测方法存在的训练样本集规模大、网络数据特征维数过多导致异常度量不精确、误报率高等问题进行了优化,提出了相应优化策略和改进算法。主要研究工作如下:1、基于粒子群优化思想,研究提出了一种面向TCM-RNE的粒子群样本规模优化策略和相应算法。针对TCM-RNE算法正常训练集规模过大的问题,利用粒子群优化算法快速收敛的特点从正常训练样本集中选取少量高质量的样本建模。UCI数据集上对比实验表明,粒子群样本规模优化策略能够有效减少训练样本数量和算法的运行时间。2、研究提出了一种基于ReliefF和CFS的组合式样本规模优化策略和相应算法。针对TCM-RNE算法熵计算时出现的维数灾难,结合过滤式特征选择方法中的ReliefF算法和CFS算法,提出了一种组合式样本规模优化算法应用于精简样本特征空间。UCI数据集上对比实验表明,组合式样本规模优化策略能够在较小时间代价下有效去除样本集中无关特征和冗余特征。3、采用粒子群和组合式两种优化策略对TCM-RNE算法进行优化,提出了一种基于粒子群样本规模优化的TCM-RNE异常检测算法和一种基于组合式样本规模优化的TCM-RNE异常检测算法。同时,将两种优化策略结合TCM-KNN算法进行对比,KDD Cup1999数据集上实验表明,本文所采用的样本规模优化算法能同时降低TCM-KNN和TCM-RNE算法训练集规模带来的计算开销,并且优化后TCM-RNE算法有更好的检测性能。