随着近些年来高校教育信息化的不断发展,校园网为在校师生访问校内外资源提供了诸多便利,开阔了学生的视野,且有越来越多的业务转到线上办理。但由于校园网用户的不断增加以及管理人员的有限性,当校园中有的区域的网络服务质量出现问题时,难免会有处理不及时的情况。在此背景下,本文利用数据挖掘技术和大数据处理技术定期检测异常网络,为网络管理员及时掌握校园网网络服务质量提供技术支持。本文所做的主要工作如下:(1)定时向校园网在线用户发送测试数据包,测得时延、抖动、上传速度、下载速度、丢包率等指标数据,使用Flume框架实时采集数据文件并上传到搭建的集群中的HDFS进行存储。(2)研究了用于检测异常网络数据的K-means聚类算法。针对传统的K-means算法的不足之处,本文对原始算法进行了改进,采用间隙统计法改善K值难以确定的问题,并利用二分法降低对初始聚类中心点选取的敏感性。然后通过KDD99数据集验证了改进算法能有效降低迭代次数,且能够产生更好的聚类效果。(3)研究了对网络综合质量进行评估的方法。针对典型的主观赋权法之层次分析法主观性强的问题,本文使用采集到的部分数据作为数据集,采用熵值法确定客观权重分配值,并利用客观修正主观对二者进行组合优化,得到更优的指标权重分配,从而确定了本文计算网络服务质量的公式。(4)设计并实现了校园网网络服务质量主动感知系统。系统的后端实现数据的采集、处理、分析、统计等模块;系统的前端展示当前的网络服务综合质量、异常在线用户的数据记录、告警信息以及一些统计信息。为管理员及时了解当前校园网的情况提供了依据,管理员可通知相关管理人员对产生告警信息的网络进行处理。