邵凌威 ，郑灿伟 ，渠振华 ，黄 博 ，李世明 ，2

(1.哈尔滨师范大学 计算机科学与信息工程学院，黑龙江 哈尔滨150025；2.上海市信息安全综合管理技术研究重点实验室，上海200240)

0 引言

网络攻击行为检测成为网络安全的必备保障技术之一，而入侵检测系统(Intrusion Detection System，IDS)已经成为一种重要的安全检测技术，其能够判别网络中的异常流量数据，从而达到检测网络是否遭受入侵攻击的目的。

目前，入侵检测系统的研究技术较多[1]，本文主要基于深度学习网络进行研究，经不完全调研，业界相关典型研究成果主要有：RNN-IDS 模型[2]，其性能优于传统机器学习分类算法，但训练时间较多；文献[3]、[4]采用CNN 和LSTM 混合的入侵检测方法提高模型性能；基于多尺度卷积神经网络[5]的入侵检测方法，其分类准确率达到93.05%，但模型中的参数无法达到最优化，对精度有一定的影响；对KNN 超参数调整和交叉验证的入侵检测系统[6]，提高了模型准确率，但是无法识别新型攻击；文献[7]针对DoS 攻击采用更大的卷积核，表现出较高的性能；文献[8]提出一种简化的残差网络模型S-ResNet，更适合低维和小规模数据；文献[9]提出一种带有平均卷积层的CNN-MCL 模型学习流量的异常特征；文献[10]通过GRU-MLP 模型识别网络入侵，证明GRU 比LSTM 更适合作为存储单元。 综合上述，多数方法在入侵检测系统的性能和准确率方面均有提升，但神经网络在入侵检测系统中的应用仍停留在层数较少的模型上，随着网络层数增加退化现象越严重。

针对上述问题，本文提出一种基于M-DRN(Multiscale-Deep Residual Network)模型的入侵检测方法，多尺度地提取数据特征。……