云计算、大数据、人工智能等这些新型科技的不断出现及快速应用,不仅推动了我国的信息化进程,同时也使得互联网技术逐渐深入到人类社会生产和日常生活的方方面面。信息技术带来的丰富资源充实且便捷了人类的日常生活,但是人类在享受信息技术带来便利的同时,也由于计算机网络自身的自由与开放特性,加之管理制度的不完善,促进了计算机漏洞、病毒的产生与传播,使得网络安全问题层出不穷。面对网络安全问题的不断出现,传统的入侵检测方法虽然具备一定的攻击防御能力,但已经无法达到目前对网络安全防御的要求。目前针对恶意软件检测的方法有很多种,但由于恶意软件攻击类型会持续地升级变换,而传统的异常检测方法却无法检测未知的攻击类型,所以很难检测到最新的异常攻击行为。而基于神经网络等人工智能方法的异常检测技术,由于其自身的自学习、自适应能力以及动态监控能力让网络安全技术有了质的提升,不仅能够保护用户数据,而且还可以利用人工智能方法的自动化复杂程序来对异常攻击行为进行检测,同时对异常攻击行为做出及时响应,另外还可以利用其模型来做预警检测,挖掘出潜在的异常行为。正因为如此,这种基于神经网络的异常检测技术已成为网络安全领域的关注焦点。本文首先对目前云服务环境下关于网络安全问题的现状进行了综述,分析了目前存在的网络安全问题,由此引出了入侵检测相关技术,然后将其中用于检测与可接受行为之间偏差的异常检测技术与云服务特性结合,设计搭建了基于BP神经网络算法的异常检测系统模型。本文主要研究工作如下:(1)详细研究了关于异常检测的相关技术,然后通过对比这些技术的优缺点,提出了本课题采用的基于BP神经网络算法的异常检测系统模型。(2)重点对BP神经网络算法进行了研究,其中详细研究了 BP算法原理及具体推导步骤,然后对传统BP算法存在的问题进行分析,并提出相应的改进措施,从而在一定程度上对其缺陷进行优化改善。(3)搭建基于BP神经网络算法的异常检测系统模型,并对该模型的整体架构安排进行详细描述,紧接着通过对非结构化日志信息进行数据清洗、模式转换等预处理后从中提取事件信息作为特征,然后将其应用到搭建的系统模型中进行训练,并在检测准确率、漏报率、时间开销等评价指标方面完成对模型性能的评估测试,测试结果表明该模型在检测正确率和漏报率方面表现较好。