近几年来,计算机网络发展异常迅猛。网络规模不断扩大,复杂性不断增加,网络的异构性越来越高。导致网络出现各种性能问题的可能性增大,而且传播得更为广泛,发现和诊断问题的难度增大。另一方面用户对网络服务性能提出了更高的要求,这些都增加了网络管理的难度。因此如何实时检测这些网络异常成为目前重要的研究课题。网络流的异常检测是网络异常处理中的一个重要环节。对网络流量进行实时监测和管理,及时地发现网络流量异常,对提高网络的可靠性和可用性具有重要意义。本文的主要工作如下:本文首先介绍了异常检测的发展概况和相关技术,对常用的检测算法进行分析和评价,为基于流分析的网络异常实时检测方法的研究提供理论基础。为了实现异常检测的实时性,提出一种基于稳态模型的流异常检测算法,采用加权均值和方差计算相结合的统计学方法对网络流量进行稳态建模和更新,并使用ROC曲线进行异常检测模型的性能评估。研究表明,该算法复杂度较低,资源占用小,能够很好的实现实时自动报警功能。实验结果对进一步探索实时的网络流异常检测方法和预测算法具有参考价值。针对实际流量的非平稳特征,提出基于时序分解的流量异常检测算法。通过计算随机部分参数的边缘分布和残差,从高维、非平稳流量中分离出包含异常的随机部分,揭示了流量异常对随机部分参数的影响。实验结果表明,由于不必将整个时间序列进行分片和单独拟合,算法可以直接处理非平稳流量数据,实现了真正意义上的网络流异常检测功能。最后以一种常见的网络异常IP Forwarding异常为个案提出大规模网络中异常检测框架。通过高性能测量和在线分析网络流和路由信息对初始网络异常产生实时报警,提出基于路由变化、流变化和包延迟建立网络行为模型的网络异常检测算法。