在互联网蓬勃发展，信息飞速传播的今天，网络已成为人们生活和工作中必不可少的部分，然而，与之伴随着的各种异常攻击、病毒入侵等也给人们的互联网生活造成了极大影响，网络安全作为一个与人们工作生活息息相关的课题，愈来愈显示出其重要性。网络流量异常检测是网络安全方面的一个重要课题，它是指网络流量行为偏离其正常行为的情形。当前网络环境日趋复杂，规模不断扩充，突发流量异常时有发生，这对网络异常检测系统的快速性和实时性方面提出更高要求，如何能快速准确地对流量异常进行感知，是当前网络异常检测方面新的需求。传统的网络流量异常检测大多基于特征匹配，该类方法必须事先建立特征库并进行训练和学习。方法大致可分为离线模式和在线模式两种。离线模式意味着数据收集，特征库生成均在检测之前形成，其缺点是显而易见的，灵活性差，网络状况甚至系统的变化都会引起所有状态的重置。在线模式克服了离线模式的不足，采用在线学习的方式不断地更新特征库，灵活性和准确性都得到提高。但这两种方式下均需要事先了解网络分布，建立特征库，其自适应性和应对突发状况的能力较差。且这种特征库是主观建立的，无法反映网络本身特性，故仍很难保证其精确性。上述方法的侧重点均在于异常检测的准确性，然而，随着因特网的发展，网络环境日趋复杂，各种突发的快速异常和攻击常常令异常检测系统猝不及防，我们需要更加快速准确的检测方法来应对不断出现的新问题。针对传统检测方法在检测速度方面的不足，本文提出了一种快速的网络流量异常检测方案。该方案基于对网络流量自相似性的研究，通过对Hurst指数的迭代估算，然后根据估算出的Hurst值判断异常是否发生。首先，我们对迭代算法进行研究，并针对其算法的准确性提出了对算法的改进方法，并使用分形高斯噪声对改进后的方法的准确性进行验证和分析，证明其有效性，并针对其在网络流量异常检测中的适用性做出了一些改进；然后，我们使用真实网络流量数据在MATLAB中对方案进行仿真，分别作了正常流量和异常流量两种情况的仿真研究，结果表明，该方案与同类的基于流量自相似性的方案比较，有快速准确的特点，可以作为快速网络流量异常检测的一种新的思路和选择。