随着网络技术的不断发展、网络规模的不断扩大,互联网已经覆盖了社会的各个方面,给工作生活带来了前所未有的变革,但是,网络安全问题也随之而来,给正常的网络运行造成了巨大隐患。因此,通过网络防护手段及时发现网络的异常变得越来越重要。在常见的网络防护手段中,网络流量异常检测是一种通过学习网络流量数据从而发现网络异常行为的方法。其中,基于分类的异常检测方法结合了热门的数据挖掘领域的各种技术,受到研究人员的重视并且得到了广泛应用。在对网络流量进行异常检测时,基于分类的异常检测方法主要通过学习网络流量数据特征从而构建网络流量分类模型,依赖于网络流量数据集提供丰富的信息,因此流量大数据是网络流量异常检测的重要支撑。但是,研究者们发现,网络流量数据本身存在着不平衡的问题。例如,在识别正常和异常网络流量数据时,经常存在正常和异常流量数据规模差距较大的情况,此类数据不平衡问题容易导致后续构建的异常检测模型向数量多的正常流量数据过拟合,数量少的异常流量数据不能被有效识别,影响异常检测的效果。为解决流量数据不平衡问题,可以通过数据增强技术提升原始数据集中少数类的信息,从而进一步提高流量异常检测的效果。目前,常用的数据增强方法通过加强边界样本识别、优化少数类样本选择、聚类预处理少数类、噪声清洗等手段提升对少数类样本信息的增强效果。但是现有方法大都难以解决数据集中经常存在的同类数据分离、数据分布不均匀等问题。同时对于多分类的数据集,还存在不同类别重要特征不同、噪声样本难以识别等问题。因此,针对当前网络流量数据不平衡问题,本文提出面向异常检测的网络流量数据增强方法,并且针对二分类和多分类两种场景分别提出对应的解决方法。本文的研究工作具体如下:（1）面向流量异常检测的二分类的数据增强方法:在识别两种出现频率差别较大的网络行为时,针对网络流量二分类数据集中的同类数据分离、数据分布不均匀等问题,提出基于第一近邻聚类和多层感知器的数据增强算法。首先通过第一近邻聚类筛选出少数类样本聚类,接着根据聚类中样本分布自适应分配每个聚类合成样本数量,然后对聚类中样本分配初始权重,最后在数据合成时利用多层感知器进行噪声样本清洗。实验结果表明,本文提出的方法能够有效增强不平衡二分类网络流量数据集的中的少数类样本信息,最终提升网络流量异常检测效果。（2）面向流量异常检测的多分类的数据增强方法:在识别多种出现频率差别较大的网络行为时,针对网络流量多分类数据集中的不同类别重要特征不同、噪声样本难以识别等问题,提出基于降维合成和XGBoost（eXtreme Gradient Boosting）的数据增强算法。首先,基于少数类样本的信息熵进行合成样本的选择。然后通过主成分分析法对数据进行特征值分解,使得特征互不相关,再进行数据合成。最后,使用基于XGBoost的投票决策机制对合成的新样本进行噪声清洗。实验结果表明,本文提出的方法能够有效增强不平衡多分类网络流量数据集中的多个少数类的样本信息,最终提升网络流量异常检测效果。