赖训飞，梁旭文，谢卓辰，李宗旺,4

(1 中国科学院上海微系统与信息技术研究所， 上海 200050； 2 上海科技大学信息学院， 上海 201210；3 中国科学院上海微小卫星工程中心， 上海 201203； 4 中国科学院大学, 北京 100049)(2019年1月25日收稿； 2019年4月3日收修改稿)

随着互联网的发展，网络的规模越来越大，随之出现的网络攻击也越来越多，给计算机设施的安全性和敏感数据的完整性带来严重威胁。因此，网络入侵检测越发受到重视，成为国内外研究的热点之一。网络入侵检测主要是通过提取反映网络状态特征的数据，设计检测模型对正常和攻击的数据进行分类[1]。然而，在真实环境中采集到的网络特征数据基本是一种具有分类变量特征的结构化数据[2]，即是指以表的形式收集和组织的数据，列代表不同的特征属性，行代表不同的样本，结构化数据中最常见的是数值变量和分类变量。在衡量网络流量入侵模式数据的特征[3-4]中，表示连接持续时间、传送字节数、访问控制文件的次数等连续变量特征可以用数值表示，但是，还有许多特征只能以分类变量形式提供元数据，没有表征它们自己的信息，这些分类变量涉及表示协议类型(TCP、UDP、ICMP)、网络服务的类型、网络连接状态等特征属性。

近年来，由于大数据和高性能计算机平台的推动，深度学习成为入侵检测领域越来越重要的研究方法，深度学习将特征提取和分类器结合到一个框架中，能够自动从海量数据中去学习特征，给海量、高维数据的复杂分类问题提供非常有效的途径。……