随着Internet的不断发展,网络安全已经逐渐成为人们越来越关心的问题,网络流量异常检测系统是继防火墙之后逐渐兴起的防护手段之一。基于流量异常的检测技巧有很多,比如基于域值、统计、小波、马尔可夫等随机过程和基于机器学习、数据挖掘、神经网络等。如何能够实时、准确地判定流量异常成为网络检测中的重点之一。本文将SVM引入到网络流量异常检测系统中,在改进的SMO算法基础上进一步提高了检测网络流量异常的时间和精确度。支持向量机由于其出色的学习性能被越来越多的人所关注,成熟的基础理论体系和逐步形成的各种算法基本框架,成为二十一世纪以来探索网络流量异常检测的一种新思路。本文主要研究的是以支持向量机为核心模块构建一个网络流量异常检测系统,首先介绍支持向量机的关键技术和分类问题,对当前支持向量机的各种经典算法进行比较分析,然后提出了WC-SVM分类机的自适应SMO学习算法,用此算法产生的训练模型作为判别依据,结合加权分类的思想预测检测样本是否存在异常。本文的主要贡献包括:将自适应学习方法引入到支持向量机的训练算法中,加快数据样本的训练、检测速度,在此基础上提高了检测的精确度;在CIDF模型基础上进行改进,提出了网络流量异常检测系统,通过对该系统中各个模块的研究,定义了在系统中所担任的角色和功能,其中SVM作为检测流量异常的核心模块发挥了主要作用;为了进一步提高支持向量机的性能,在验证过程中对当前使用的各种核函数进行了比较,经过不同的尝试,最终确立了适合网络流量异常检测系统的核函数方法。