随着当今社会迈入了网络时代,网络应用已经逐渐的融入到我们的日常生活当中。由于网络爆炸式的发展,许多安全问题接踵而至,网络中都存在着或潜伏着多种多样的网络攻击或网络安全威胁。因此,异常流量检测作为抵御网络攻击的重要的一环,为保障网络安全提供了最初的防护罩,提供准确的异常流量检测是保证网络安全的关键。本文通过阅读大量的文献来研究异常流量检测技术,从多种角度来分析统计异常流量的特征,以及关于异常流量的相关工作。选择机器学习算法,通过对机器学习算法中的算法提出使用运用动量法与Adaboost算法相结合的方法以及设置消除冗余的阈值来控制原有Adaboost算法的迭代数,提出基于Adaboost算法的improved-Adaboost算法并设计和实现一个异常流量检测模型进行实验验证。实验总体分为三个部分:先将KDD CUP99数据集进行预处理之后,第一部分对本文提出的improved-Adaboost法与Adaboost算法、Randomforest算法、GradientBoosting算法、DecisionTree算法和Extratree算法在准确率、召回率及F1方面来检验算法的性能以评估出较好的算法。第二部分中将每一种算法分类的过程进行可视化,通过树图的形式直观描绘出每个算法在此模型当中发挥的作用,这样在多角度得知算法的优缺点。第三部分本文在对每一种分类算法中算法极值的范围尝试可视化表现,将每一种算法对于极值的范围使用散点图的形式展示出来,最终由实验数据可得到由improved-Adaboost算法有效应用在异常流量检测中。