针对高速骨干网中海量数据动态变化性和异常流量难以被识别的问题，提出一种基于异常流量粗粒度检测的自适应抽样方法。首先，在ASTUTE模型基础之上设计了异常流量粗粒度检测算法；接着，在对所有流进行初步的异常流量检测之后，进一步对检测到和未检测到的异常流量采取不同的抽样方法；然后，在OMNeT仿真平台上构建了DDoS攻防仿真模型并予以实现。仿真实验验证了算法的有效性。仿真结果表明，与单独的自适应抽样和分组抽样算法相比，提出的自适应抽样算法在精确度相同时，可以减少抽样报文数；在抽样报文数相同时，可以提高短流的抽样精度。