耿嘉炫

（四川大学计算机学院，成都610065）

0 引言

由于计算机网络技术的不断发展，各种类型的设备都连接到了互联网。网络设备的相互连接给生活带来了便利，从而也导致了大数据时代的到来。同时，设备的激增导致了网络系统的复杂性，从而使其容易受到不同类型的网络攻击。越来越多的攻击事件发生也意味着恶意流量的检测与识别成为了网络安全的一大重要挑战。

作为最有效的防御工具之一，入侵检测系统（IDS）有望抵御攻击者并保护网络安全。通常，IDS的主要功能是监视流经设备的网络流量，以捕获潜在的恶意活动并阻止来自攻击者的恶意流量。在入侵检测场景中，IDS的基本目标是从巨大的网络流量中识别恶意流量。根据检测的性质，IDS主要可分为两类，即基于误用的IDS和基于异常的IDS。前者根据预定义规则（也称为签名）识别恶意流量。即使基于误用的IDS可以有效过滤已知的恶意流量，但在检测未知流量方面却显示出较差的适用性。另外，基于异常的IDS依靠机器学习方法来捕获恶意流量。例如，K-means、神经网络、支持向量机等算法均被用于入侵检测问题上。近年来，深度学习技术在计算机视觉、自然语言处理等领域的成功应用也促使研究人员利用深度学习技术来解决IDS的构建问题。

尽管上述工作取得了令人瞩目的成就，但仍然存在一些明显的缺点。例如，尽管基于深度学习的IDS可以高精度地完成检测任务。不幸的是，此类方法十分耗时，这大大增加了系统的响应时间。……