随着BGP网络协议的广泛应用,路由泄露作为常见的BGP异常,对网络稳定性造成巨大威胁。如何实现对路由泄露事件的有效检测,对维护网络环境稳定具有重要的意义。机器学习技术可以很好地用于路由泄露异常事件的检测。但是现有的机器学习检测算法在进行BGP异常检测时,缺乏针对路由泄露异常的特征研究,其检测结果只能反映出是否发生BGP异常,而不能进一步确定异常类型是否是路由泄露。这将会为解决异常问题造成不便。本课题基于以上问题,提出一种针对路由泄露异常的检测算法。该算法针对路由泄露异常事件,提出区别于其他类型异常事件的特征,同时引入AdaBoost算法改进现有的单分类器检测算法。该算法在真实数据的基础上进行算法实现,具有针对性强,检测准确率较高的特点。论文主要工作包括三个方面。首先,本课题对路由泄露的定义和BGP协议进行分析,挖掘出三个路由泄露的特征。同时加入一些常见的BGP异常事件的特征,将两者联合得到最终的特征集。其次,本课题在真实数据的基础上实现了相关特征的计算和有效性检测。最后,本课题设计并实现了基于AdaBoost算法的路由泄露检测算法。实验结果表明,与已有的算法相比较,本课题提出的基于AdaBoost算法的路由泄露检测算法能够提升算法的准确率,实现针对性的路由泄露异常检测。