基于卷积神经网络的互联网流量异常检测研究

随着蓝牙技术的广泛应用，其网络流量日益增大，安全问题日益凸显。传统的异常检测方法在处理复杂、高维网络数据时存在效率低、依赖人工特征提取等局限性。本文提出一种基于卷积神经网络（CNN）的蓝牙网络异常检测模型。首先，利用随机森林算法对网络流量特征进行重要性评估与筛选，排除IP地址、端口等易误导模型的属性；随后，基于公开数据集ISCX-IDS-2012进行数据预处理，将原始流量划分为统一长度的数据流；最后，构建包含四个卷积层、一个池化层和一个全连接层的CNN模型进行训练与验证。实验结果表明，该模型在准确率和损失率方面均随迭代趋于稳定，验证了CNN在蓝牙网络异常检测中的有效性与可行性。