随着互联网技术的快速发展,网络规模不断扩大,网络应用急剧增长,网络行为也日益复杂,这对于网络的管理和维护提出了新的挑战。准确地预测未来时段的网络流量可以帮助运营商更加合理地分配网络资源,提供更好的服务质量,还有利于评估网络的承载能力,分析网络的健康状态。实时的异常检测则可以帮助运营商及时发现网络中的异常数据,快速地找到问题存在的根源,以避免不必要的损失。因此,面对日益复杂的网络环境,如何建立有效的流量预测模型以及如何实时检测网络异常对于云服务提供商来说是至关重要且有现实意义的。为了帮助运营商更好地解决资源分配和网络安全等网络管理问题,本文提出基于结合Savitzky-Golay（SG）滤波器、时间卷积网络（Temporal Convolutional Network,TCN）和长短期记忆网络（Long Short-Term Memory Network,LSTM）的集成流量预测方法ST-LSTM以及基于结合频谱残差（Spectral Residual,SR）和卷积神经网络（Convolutional Neural Network,CNN）的异常检测方法SR-CNN。文中采用的数据来源于维基媒体基金会提供的所有维基项目下的所有的页面访问量数据。数据提取方式是将同一个维基项目下的所有的页面访问量以小时为单位进行聚合,然后按照时间顺序连接起来形成一条时间序列,最后进行预测分析。本文研究的主要贡献在于以下两个方面:首先,提出基于ST-LSTM神经网络的网络流量预测方法。该方法将SG滤波器、TCN和LSTM进行有效的结合。首先,SG滤波器可以应用于对时间序列的平滑处理,能够在保证序列整体趋势的情况下,减少序列中的噪声和异常。其次,TCN是一种特殊的卷积神经网络,可以用于学习序列中的短期局部依赖,提取出序列中的高低频信息。最后,LSTM是一种天然适合序列问题建模的模型,能够有效地捕捉序列中的长时间依赖。与此同时,为了验证本文提出模型的有效性和预测精度,本文工作搭建自回归差分移动平均模型（Autoregressive Integrated Moving Average,ARIMA）、反向传播算法（Backpropagation,BP）、LSTM和TCN等多种基线模型进行对比实验。其次,提出基于SR-CNN的异常检测方法。本文基于上述预测研究的基础上,进一步提出基于SR和CNN的网络流量异常检测方法。该阶段目标是去判别流量时序数据中存在的集合异常,并及时向运营商发出警报。针对SR方法手动设置阈值鲁棒性低的问题,本文向经过SR变换后的显著性图数据人工注入异常,最终生成新的合成数据。然后利用CNN对新生成的合成数据进行有监督的学习,学习一个决策准则,比直接在原始问题上学习要简单的多。SR-CNN方法将无监督问题转变为有监督问题,可以自适应数据分布,极大地提高异常检测的精度,降低误警率。