随着信息数字的到来,互联网飞速发展,各种新业务不断涌现。随之而来的是各种网络问题也相继出现,给网络监测带来更大的挑战。网络监测的过程是:采集相关网络数据,通过对数据的统计分析,发现网络中存在的异常情况,然后做相应操作,比如向网络管理员发出告警信息。其中,网络异常监测是网络监测的核心部分,对保证网络的正常运行具有重要的意义。 论文分析了当前的网络异常监测方法,根据它们的特点分为静态监测方法和动态监测方法两类。然后通过对这些方法的实现原理,计算复杂度,实现复杂度等的研究,总结它们的适合环境及优缺点。同时,对目前存在的各种流量模型进行分析,根据各种模型的依赖性特点,分为短相关流量模型和长相关流量模型。并通过具体分析,说明各种模型的适合环境,实现复杂度等。 在对现有技术研究的基础上,论文针对校园网这个特殊的大型局域网环境,通过分析校园网的特定用户群——学生的生活和学习规律,采集并汇总校园网流量数据,提出采用自适应阈值方法实现异常监测的方案。实现过程是:首先利用采集来的流量数据,经过多次尝试建立符合校园网实际情况的季节性ARIMA模型——ARIMA（1,1,1）（1,1,1）²⁴,并对建立的模型做了各项参数评估、残差序列分析和拟合程度分析。然后,利用历史观测数据和模型预测值,计算阈值范围,即边界值。最后,制定相应的异常判定规则。异常判定规则分两步:第一步判定是否有异常产生;第二步当监测到异常时,根据一个时间区间内超出边界值的观测值数量占整个时间区间内观测值总数量的比例判定异常的等级。论文利用模型,边界值和定义的异常判定规则实现自适应阈值监测。