异常检测在电信、保险、银行、灾害气象预报、医疗领域等多个领域得到了广泛应用,特别在计算机图形图像、网络安全等研究领域,基于数据挖掘、机器学习等智能技术的异常检测研究尤为活跃。基于机器学习的异常检测方法需要收集大量样本,尤其是异常样本。然后,基于这些异常样本,通过某种智能学习方法或模型进行规则集的训练,最后使用训练后的规则集进行异常分析与检测,是本领域的一个研究热点。基于聚类分析的异常检测方法是一种典型的无监督学习技术,可以直接训练未标识数据集上的数据,建立异常检测模型,检测异常数据不需专家手动建立规则库,这对提高异常检测系统的效率具有重要的现实意义。然而,现有的模糊C-均值聚类方法(fuzzy C-means,FCM)存在缺点,其在异常检测中的应用并不令人满意。基于上述研究背景,本文提出了一种基于FCM为基础的网络异常检测研究方法,为了提高异常检测系统的检测率以及降低误报率。FCM对初始值的选取很敏感,而且容易陷入局部极值。基于此的异常检测算法检测效果也不甚理想。因此,引入具有较强全局搜索能力的人工鱼群算法,对其加入自适应机制,自适应调整视野值的大小,从而提高了人工鱼群算法的局部和全局优化能力,减少算法迭代的次数。然后将其应用于FCM中,利用自适应人工鱼群算法得到的最优解进行FCM聚类分析,从而解决以上FCM存在的种种问题。最后,设计基于自适应人工鱼群FCM的异常检测算法,充分利用自适应人工鱼群的优势来提高异常检测算法的检测性能。实验表明,该算法在提高对数据的检测效率的基础上,检测性能也表现出了很好的水平,它为解决异常检测模型中与检测率和误报率相关的问题提供了有效的解决方案。通过自适应人工鱼群全局与局部的搜索能力,减少了FCM算法对初始值的依赖。减少了系统在检测过程中的计算量以达到提高系统实时性的目的。这对于异常检测的实际应用,意义重大。