张师鹏，李永忠

（江苏科技大学计算机学院，镇江 212100）

随着网络技术的不断发展，尤其是5G 等技术的成功应用，网络越来越多地改变着人们的生活。在以网络构建的互联网中，每天都在传输用户的大量隐私，因此对互联网的攻击每天都在发生，如何确保网络的安全，已经成为学术界以及企业界都在关注的研究方向。检测入侵是确保网络安全的一个重要的步骤，入侵检测系统是对入侵行为进行检测的重要安全机制之一，它可以监测活动的网络流量并识别出可疑或者异常的网络行为［1］，因此对于入侵检测的研究一直都是一个网络信息安全领域的一个重要的研究方向。

随着人工智能等技术的发展，研究人员逐渐发现了机器学习等算法在入侵检测领域的应用前景，基于机器学习算法的模型可以通过经验的累积自动提升性能，符合入侵检测系统针对外部入侵行为通过自我学习进行入侵检测的原则［2⁃3］，因此机器学习算法越来越多地被应用到入侵检测的研究中。例如，Zhou 等［4］基于改进的曲线下面积自适应增强算法构建了入侵检测模型，该模型可以更有效地检测网络入侵；Alzubi 等［5］提出了一种改进的特征选择算法并应用于入侵检测模型，提升了入侵检测系统的性能；Tao 等［6］根据遗传算法和支持向量机的特点，提出了基于遗传算法和支持向量机的入侵检测算法，加快了算法的收敛速度，提升了检出率，降低了误报率；Zhao 等［7］针对基于神经网络的入侵检测模型训练时间长，易陷入局部最优等不足提出了一种基于深度信念网络和概率神经网络的入侵检测方法，利用深度信念网络获取原始数据的低维表示，并利用概率神经网络进行分类。……