摘要：有效发现异常数据对于保护大数据网络安全具有重要意义。针对常规分类检索算法准确性不高、时间开销大的问题,设计一种大数据网络中异常数据的分类检索算法。通过计算影响程度,选取网络大数据特征,包括源IP信息熵、目的端口信息熵、出入度比值、单边连接密度、数据流持续时间、TCP总量、包长度、空闲时间平均值,并实施标准化处理。由数据特征构成特征向量,用于描述网络数据样本。利用改进密度峰值聚类算法对网络大数据样本分类。基于相似度构建检索模型,利用计算异常数据参考样本与每个类别之间的相似度,将相似度最大值对应的簇作为异常簇,由此完成了对异常数据的检索。结果表明:所研究分类检索方法的CH指标更好、Jaccard系数更大以及分类检索总时间开销更少,由此说明所研究分类检索方法的分类检索能力更强,能在更短的时间内完成更为准确的异常数据检索。