网络流量异常检测是利用各种检测技术分析判断网络流量，发现网络中潜在的攻击，是一种有效的网络安全防护方法。针对高维海量数据和不同攻击类别的网络流量数据不均衡而导致检测准确率低、误报率高的问题，提出一种融合一维卷积神经网络（1D-CNN）和双向门控循环单元（BiGRU）的类不平衡流量异常检测模型。首先，针对类不平衡数据，通过使用改进的合成少数类过采样技术（SMOTE）即Borderline-SMOTE和基于高斯混合模型（GMM）的欠采样聚类技术进行平衡处理；然后，使用1D-CNN提取数据的局部特征，并利用BiGRU更好地提取数据中的时序特征；最后，在UNSW-NB15数据集对所提模型进行验证，所提模型的准确率为98.12%，误报率为1.28%。结果表明，所提模型提高了对少数攻击的识别率，检测精度高于其他经典机器学习和深度学习模型。

针对云边环境下用户需求不确定导致微服务组合逻辑会随着用户需求的变化而动态调整的问题，提出了云边环境下的微服务组合系统的动态演化方法（DE4MC）。首先，自动识别用户的操作并进行相应的算法策略；其次，在部署阶段，用户提交业务流程之后，系统通过所提方法中的部署算法选择较优的节点进行部署；最后，在动态调整阶段，用户调整业务流程实例后，系统通过所提方法中的动态调整算法进行动态演化。所提方法中的两个算法均综合考虑微服务实例的迁移代价、微服务与用户的数据通信代价和微服务之间的数据流传输代价以选择较优的节点进行部署，从而缩短了运行时间，降低了演化开销。在仿真实验中，在部署阶段，所提方法的部署算法与启发式算法（HA）+二代非支配排序遗传算法（NSGA-Ⅱ）的算法组合相比，各个规模的平均运行时间缩短了9.7%，演化总开销降低了16.8%；在动态调整阶段，所提方法的动态调整算法与HA+NSGA-Ⅱ的算法组合相比，各个规模平均运行时间缩短了6.3%，演化总开销降低了21.7%。实验结果表明，所提方法保证了云边环境下微服务组合系统能在演化开销低和业务流程时间短的条件下及时演化，并且能够提供用户满意的服务质量。