随着互联网不断的快速发展,所需的Web服务器数量越来越多、规模也越来越大。带来的网络安全问题也日益严峻,但传统的服务器安全监视系统因功能单一、告警响应处理不及时等缺点,并不能满足现在的服务器对于安全性、稳定性方面的需求。在目前的信息通信技术时代中,入侵检测技术在实现网络基础设施和保护服务器资源安全等方面发挥着至关重要的作用。大部分入侵检测方法无法处理目前的海量数据,且无法检测一些高级恶意威胁。因此,设计一个高效的入侵检测模型,并将其部署在服务器安全监视系统中也是一个值得研究的课题。根据以上的研究思路,首先对国内外已有的服务器安全监视系统进行了研究。在分析了各系统存在的优缺点后,找到了可以优化的部分。接着深入研究了入侵检测技术、网站污损检测和自编码器等深度学习模型相关技术。围绕着需求分析,设计并实现了一个面向多源数据的服务器安全监视系统。系统的核心功能为入侵检测、防火墙配置管理与网站污损检测。在入侵检测模块中,设计并实现了基于Spark MLlib中的机器学习方法融合基于卷积自编码器的深度学习模型作为入侵检测的算法模型。防火墙配置管理模块针对服务器的防火墙进行管理,提供用户自定义过滤流量的功能。网站污损检测模块主要是对网站上的网页进行监控,检测常见的Web攻击。综上所述,设计并实现了一种面向多源数据的服务器安全监视系统,该系统主要包括可视化、防火墙配置管理、入侵检测、网站污损检测、日志监控和告警通知六大功能模块。经过测试和实验,系统能够很好地运行在当前的主流服务器中,满足用户的基本需求。