曹 磊，李占斌，杨永胜，赵龙飞

1.国家海洋信息中心，天津 300171

2.清华大学 公共安全研究院，北京 100084

随着信息技术的不断发展，网络空间安全日益受到关注。恶意的网络活动时刻威胁着人们的信息基础设施、应用和数据安全，并带来许多严重的后果，如服务器宕机、未经授权的非法访问、信息泄露篡改破坏等。因此，实施有效的入侵检测手段来应对这些恶意网络活动已成必然。

网络入侵检测技术是网络安全防护体系重要组成部分，异常流量检测和分析是网络入侵检测领域常用的研究方法[1]。研究人员通常使用机器学习方法来构建网络活动模型，通过评估与正常行为差异性来检测恶意网络活动，较常用的有随机森林[2]、SVM[3]、KNN[4]、GBDT[5]、K-means[6]等浅层学习算法。深度学习是机器学习的一个子集，与浅层学习模型相比，深度学习模型拥有更强的拟合能力，将深度学习技术应用于网络入侵检测已成为许多研究者关注的热点。刘月峰等人[7]借鉴Inception结构，提出了一种9 层网络结构的CNN，并利用多尺度卷积核来提取不同维度的特征，最后在KDDcup99数据集上进行实验仿真。饶绪黎等人[8]构建了一种MLP神经网络模型，实现信息不完全条件下的入侵检测。Devan等人[9]使用深度神经网络（DNN）自动对流量数据进行分类，首先通过XGBoost 算法来减少不必要的特征，然后利用DNN模型对网络入侵行为进行分类训练。在文献[10]中，提出了一种主成分分析法和LSTM 相结合的入侵检测模型，并在UNSW-NB15数据集上进行了仿真实验。汪盼等人[11]通过改进的DBN深度置信网络进行特征降维，并在NSL-KDD数据集上进行了分类实验。……