随着互联网技术的发展,整个网络环境的数据流量迅速增多,同时也面临着各种各样网络攻击的威胁,严重影响到了用户的安全。软件定义网络作为目前新型的网络架构,为网络流量管理和优化提供了一种新的解决方案,如何实时精确地在软件定义网络环境下,对多样化和复杂化的网络流量进行监控与检测,成为学术界一大研究热点。本文对软件定义网络中基于K近邻算法的异常流量检测技术的原理进行了阐述,在深入分析国内外相关技术的基础上,针对目前存在的问题,提出了一种改进的基于DPTCM-KNN的异常流量检测算法,定义独立度概念,以奇异度和独立度共同作为标准,计算双概率p值判断流量异常状态,在保证算法时间复杂度的前提下,降低了检测过程中的误报率,具有较高的准确度。为了提高异常检测的效率,本文还提出一种优化的特征选择算法FACO,设计特征选择适应度函数,以特征长度和检测性能为标准,优化蚁群路径转移概率,同时还采用二阶段信息素更新规则,对更多的路径进行信息素增值,避免特征选择过程中陷入局部最优化,通过实验表明该改进的特征选择算法能够有效排除冗余特征,筛选出最优特征子集,提高异常检测机制的性能。本文设计软件定义网络下的异常流量检测架构,将DPTCM-KNN检测算法和FACO特征选择算法应用于架构中,通过Mininet模拟器和Ryu控制器构建软件定义网络环境,实现对海量流量的异常检测,实验表明本方案在软件定义网络环境下拥有良好的检测性能,具有较强的实用性。