张全龙，王怀彬

（天津理工大学计算机科学与工程学院，天津 300384）

（*通信作者hbwang@tjut.edu.cn）

0 引言

计算机技术飞速发展，它已经渗透到人们的工作和日常生活中，给人们带来了极大的便利；但同时网络攻击变得越来越频繁，网络安全已成为人们必须面对的挑战［1-3］。入侵检测技术是网络安全的重要组成部分，而入侵检测技术是分类问题，需要做的事情是建立入侵检测模型，使其能够有效地对各种网络攻击进行分类识别，以便及时采取安全防范措施。

当前，广为人知的入侵检测方法之一是使用不同的机器学习技术来降低错误率，例如K 最近邻（K-Nearest Neighbor，KNN）［4］、神经网络（NeuralNetwork，NN）［5］和支持向量机（Support Vector Machine，SVM）［6-8］已广泛用于入侵检测。文献［9］中提出了一种基于KNN 回归的动态多间隔预测模型；文献［10］中提出了一种混合的机器学习技术，结合了K-means 和SVM 来检测攻击。集成分类器（例如Adaptive Boosting［11］、随机森林（Random Forest，RF）［12-13］）通常由多个弱分类器构成，避免在训练过程中过拟合，可以实现更强大的分类功能。Al-Yaseen 等［14］使用SVM 和改进的K-means 算法来构建多层混合入侵检测模型；但是，对于KDD CUP99 数据集中U2R（User to Root）和R2L（Remote to Local）的低频攻击样本，此模型的检测率非常低，远低于其他高频样本的检测率。尽管基于机器学习的网络入侵检测模型具有强大的检测能力和适应网络环境变化的自适应能力，但是它们仍然受到不平衡数据的影响。卷积神经网络（Convolutional Neural Network，CNN）［15］是深度学习研究的重点，在计算机视觉、语音识别和自然语言处理方面取得了出色的研究成果。与传统的特征选择算法相比，它可以自动学习更好的特征。……