王 浩,毛 倩

机器学习以数据驱动为核心，具备自主特征学习、复杂模式识别、动态迭代优化与泛化推理能力，成为构建新一代互联网异常流量检测体系的关键技术。本文围绕互联网网络流量异常检测全流程，系统研究机器学习在数据治理、特征工程、模型构建、系统部署中的应用机制，设计面向网络环境的轻量化高精度检测方案，通过多维度特征提取、混合模型融合、注意力机制增强与半监督学习优化，有效缓解样本不平衡、检测时延高、漏报与误报等关键问题。研究表明，基于机器学习的检测方法检测精度高、实时性强、泛化性好，可稳定支撑高并发场景下的异常识别与安全防御，为互联网智能安全防护提供了有效技术方案。

机器学习；互联网技术；网络流量；异常检测

[1] 郑雯,孟晓青.基于机器学习的网络流量异常检测研究[J].信息系统工程,2025(06):87-89. [2] 赵东明.基于机器学习的网络流量异常行为检测与入侵防御系统研究[J].信息与电脑(理论版),2025,37(12):84-86. [3] 沈德松.基于机器学习的网络异常流量检测[J].安徽科技学院学报,2024,38(01):111-116.

点击下载PDF