王 月，江逸茗，兰巨龙

（战略支援部队信息工程大学，郑州 450001）

0 引言

信息通信系统（包括服务器、网络通信设备等）通常要处理大量敏感的用户数据，而这些数据容易受攻击。网络威胁和攻击带来了严重的安全问题由此激发了组织和个人对安全工具和系统越来越大的需求［1］。灵活、可靠、检测准确率高的实时入侵检测系统随着网络攻击技术的不断更新而成为应对安全问题的基本需求。

入侵检测系统根据网络数据来源可以分为基于网络的入侵检测系统和基于主机的入侵检测系统。基于网络的入侵检测系统通过从网络设备如交换机、路由器等收集获得的网络流量分析和检测攻击行为；基于主机的入侵检测系统可以从不同种类的日志文件、计算机资源利用率中提取系统活动事件，进而对异常进行检测。基于网络流量的入侵检测是本文的主要关注点。近年来，深度学习技术在入侵检测领域迅速发展并且出现了很多包括有监督分类方法［1-5］和无监督聚类方法［6-8］在内的相关方法。在基于深度学习的入侵检测方法中，基于深度神经网络的入侵检测系统（Deep Neural Network in Intrusion Detection System，IDS-DNN）和基于卷积神经网络与长短期记忆（Convolutional Neural Networks and Long Short Term Memory，CNN-LSTM）的检测模型是其中的典型代表。IDS-DNN的特点是具有多层隐藏层并且相邻隐藏层之间是全连接方式，使得该模型具有很强的表征能力；但IDS-DNN 的网络规模会随着输入样本的维度线性增加并且计算效率降低。在CNN-LSTM 模型中，CNN 的共享卷积核能够缩小神经网络规模并提高计算效率，LSTM 能够学习时序特征；……