林 英 李元培 潘梓文

(云南大学软件学院 云南 昆明 650500)

0 引 言

随着计算机与网络技术的飞速发展，人们的生活越发依赖电子设备带来的便利，但与之伴随的计算机安全问题也越发尖锐。根据2018年Windows平台漏洞数据统计，Windows主机系统漏洞提交量总体呈逐年上升趋势，并且2018年相较之前三年同比上升最高超过40%[1]，针对主机漏洞发起的入侵层出不穷。如何对入侵进行有效检测，成为了网络安全研究的重点之一。一般来说，根据检测数据的来源，入侵检测可以分为基于网络的入侵检测及基于主机的入侵检测。基于网络的入侵检测通过使用原始的IP数据包作为数据源，检测是否存在入侵。基于主机的入侵检测则一般通过检测系统、事件、系统日志等方式来发现入侵。

随着机器学习技术在各个研究领域的应用，基于机器学习的入侵检测模型也逐渐成为目前的研究趋势[2-4]。然而，诸如贝叶斯算法、决策树等传统的机器学习模型与深度学习模型相比，在特征不明显或内部约束较复杂的数据处理及特征关联等方面的表现有所欠缺[5]，因此基于深度学习模型来进行入侵检测成为了研究热点之一。如Javaid等[6]提出一种基于深度学习的自学习技术，从未标记的数据中学习良好的特征表示，再进行入侵分类。Yin等[7]使用递归神经网络进行入侵检测，提高检测的准确性。Qu等[8]提出基于深度置信网络的入侵检测模型。Shone等[9]提出基于无监督特征学习的非对称深度自动编码器(Nonsymmetric Deep AutoEncoder，NDAE)。……