李俊， 夏松竹， 兰海燕， 李守政， 孙建国

(1.国家工业信息安全发展研究中心，北京 100040； 2.哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001)

网络安全包括承载载体的完整性、可用性及机密性。任何企图破坏机密性或者绕过网络安全机制的活动都可以视为网络入侵[1]。网络入侵检测系统是一种用于检测网络入侵的安全管理系统，是网络安全系统中不可或缺的一部分[2]。网络入侵检测系统通常会抓取检测特定网络中全部的出流量及入流量，以确定其中一些数据包是否含有入侵迹象[3]。

近年来，机器学习的许多研究应用在入侵检测领域。例如，支持向量机、人工神经网络和遗传算法在入侵检测领域取得了不错的成绩。但是由于入侵呈现多样化，现有的机器学习方法暴露出很多局限性。尤其在自动提取入侵特征和分析中，需要更好的学习方法。

Hinton等[4]研究发现，深度学习被广泛应用在自然语言处理、图像识别和天气预报领域。深度学习中应用高度非线性结构，在处理复杂数据时表现出出色的识别能力。并行计算硬件设施的高速发展也为深度学习算法提供了强有力的硬件支撑。通过设计合理的网络结构，深度神经网络可有效控制神经网络的参数量，确保网络性能的同时，降低神经网络的运行成本[5]。

由于训练和计算复杂性，递归神经网络(recurrent neural network,RNN)在过去的一段时间未能成为主流深度学习的网络模型。近些年，RNN开始进入快速发展时期，在手写识别[6]和语音识别[7-8]领域有了广泛的应用。……