屈耘野 姜咏琪

（中国海洋大学 山东省青岛市 266100）

1 引言

网络攻击与入侵很可能会带来广泛的负面影响，包括数据损失、经济损失和多维度的安全威胁。网络攻击与入侵所导致的业务中断，很可能引发数据泄露，面临敲诈勒索等威胁。对医疗系统的攻击，使非法入侵者获取关键信息，更是让医疗检测和器械的准确性大打折扣；无人驾驶系统中的攻击与入侵，更关乎每个公民的人身安全。

近年来，基于机器学习的检测技术在诸多领域进行了应用。2017年，Litjens[1]等人调查了在医学领域使用机器学习技术的状况，特别是在医学图像分类、目标检测、分割和其他任务中的应用。2018年，Mohammadi[2]等人提供了用于物联网大数据的机器学习算法与框架背景。Kiran[3]等人总结了应用于时空数据检测的机器学习模型，并研究了相关评估标。

这些应用的实际成果表明，机器学习可能拥有超越传统算法的优势。本文提出通过数据噪音和马氏距离差值项改进最新深度自编码器（Autoencoder, AE）的方法，能够更为有效的进行高维流量降维与入侵检测，有助于弥补自编码器难以学习深层特性和克服数据损坏的缺点，并为日后希望实现或研究入侵检测技术的研究人员和工程师们提供经验与参考。

2 自编码神经网络算法

2.1 神经网络结构

自编码器的结构分为编码器和解码器两部分。它将输入编码并降维，提取数据关键的特征，然后解码并重建原始的高维输入数据，使得解码后的数据与输入本身尽可能一致[4]。……