网络异常流量分类和检测技术是网络运维管理中重要的技术,因此受到网络安全研究者的广泛关注,并提出了可行的异常流量分类和检测方法。近年来不断恶化的网络安全事件促使着网络异常流量分类和检测技术的不断进步,新的技术不断被提出。但是随着更大的规模和更复杂拓扑结构的网络不断被建设和使用,传统的基于端口或流特征统计的网络异常流量检测方法无法满足超大流量的数据流的冲击,在时间复杂度上无法满足目前实时检测的需求。网络异常流量检测中主要的时间消耗集中在网络流数据的预处理和规则集的建立中,因此解决大规模网络量级中异常流量分类和检测技术瓶颈的重点就在数据的预处理和规则集的建立中。本文在研究了信息的粒度表示、网络异常流量特征参数提取和大数据技术的基础上,提出了一种基于行为分析的网络异常流量分类和检测方法,该方法在对网络流量进行行为分析的基础上,结合机器学习算法和大数据处理工具,能在保证实时检测的基础上,有效降低检测算法在数据预处理和规则集建立过程中的时间消耗。仿真实验表明,该方法除了在网络异常流量的分类和检测中表现良好之外,还具备聚集未知攻击的能力,可以有效保障网络的平稳正常运行。