张师鹏，李永忠，杜祥通

（江苏科技大学计算机学院，江苏镇江 212100）

（*通信作者电子邮箱1099682749@qq.com）

0 引言

入侵检测系统是保护信息和通信技术基础设施免受网络攻击的最重要实体之一，是学术界和工业界不可忽视的研究主题［1］。随着人工智能的迅猛发展，越来越多的机器学习模型被应用在入侵检测领域的研究中。

杨宏宇等［2］提出了一种基于改进卷积神经网络（Improved Convolutional Neural Network，ICNN）的入侵检测模型，一定程度上解决了模型的过拟合问题；丁红卫等［3］利用改进的和声搜索方法（Harmony Search，HS）对反向传播（Back Propagation，BP）神经网络的初始值进行优化，提出了一种基于改进的HS 算法优化BP 神经网络的入侵检测模型；Zegeye等［4］提出了一种基于隐马尔可夫模型等多种机器学习方法的多层入侵检测模型，该模型可以解决维度灾难问题；Xiao 等［5］针对误检率高且泛化能力差的问题，提出了基于深度卷积神经网络的入侵检测模型。

上述方法都是基于监督学习的入侵检测模型，监督学习的特点是稳定，效果相对较好，但获取大量的标注信息是一项巨大的工程。然而，当网络遭受攻击时，会产生大量未知攻击的数据，如果单纯地凭借人工进行标注，将会大大降低对于攻击的检测效率。

半监督学习在近些年中也越来越多地被用在了入侵检测的领域中［6-7］。然而已有的基于半监督学习的入侵检测模型大都是基于二支决策的，即对于一个网络行为，应该立即对其作出决策，决定其是正常行为还是异常行为。在一些情况下，尤其是利用基于半监督学习的方法进行分类的过程中，分类器获取到的信息不充足，若盲目对所有网络行为作出决策，可能会出现大量错误；……