近年来,互联网技术的普及,给人们的工作和生活带来了极大的便利。然而,伴随着互联网的发展,网络安全事件也频频爆发,危害着互联网用户的隐私和财产安全。使用机器学习模型对HTTP网络传输流量进行安全检测可以有效识别攻击行为,保障用户的隐私和财产安全。然而,基于机器学习模型的流量检测方法也面临着流量特征提取困难、难以检测未知攻击和难以检测大规模网络流量数据等问题。本文通过对基于机器学习模型的流量检测方法中存在的问题进行研究,提出了基于增加了字符标志位的N-gram和Word2vec相结合的流量特征提取方法,该方法可以有效的对流量数据进行特征提取,解决了流量特征提取困难的问题。本文设计了基于向量空间距离的相似攻击聚类算法,将该算法应用于实际流量聚类,通过对聚类结果的人工分析,验证了该算法的有效性,解决了基于机器学习模型的流量检测方法中难以检测未知攻击方式的问题。结合以上的特征提取方法和聚类算法,本文设计并实现了HTTP流量检测平台。通过该平台的实际环境搭建、平台部署和平台功能测试,验证了平台的准确性和有效性。