张翼英，阮元龙，尚 静

(天津科技大学人工智能学院，天津 300457)

近年来，随着网络技术的进步，网络安全问题日益严峻，各种各样的入侵方式层出不穷.根据中国互联网应急中心2020年2月发布的《网络信息安全与动态周报》[1]的数据显示，境内感染网络病毒的设备数量达到132万个[2].网络入侵威胁着用户的信息安全，因此入侵检测[3]的重要性日益凸显，建立一套有效的检测机制尤为必要.

随着人工智能的兴起，有学者[3-4]将机器学习引入入侵检测系统.但是，基于深度学习的入侵检测方法存在3个问题：第一，深度学习结构复杂，需要花费大量时间训练参数，检测实时性不好[5]；第二，训练需要大量完备的数据，以增强模型的训练效果[6]；第三，神经网络复杂的结构决定了其强大的拟合能力，但同时容易导致过拟合.

目前，国内外基于深度学习方法的入侵检测研究均取得一定成果.针对训练效率，Khan等[7]结合主成分分析方法(principal component analysis，PCA)和贝叶斯网络，基于PCA提取数据主要特征，基于贝叶斯网络进行入侵分类，但检测时效性不好.Gurung等[8]采用基于深度置信网络(deep belief network，DBN)与支持向量机(support vector machine，SVM)相结合的模型，模型的检测准确率高，但在训练时长上存在不足.Lopez-Martin等[9]采用基于稀疏自编码器(sprarse auto-encoder，SAE)的特征提取方法，并用自学习(self-taught learning，STL)的方式对数据进行有监督的训练，检测准确率在90%以上，但训练时间过长.冯文英等[10]设计了一种完全基于前馈神经网络的检测模型(simplified feed-forward intrusion detection，SFID)，模型通过神经元个数逐级递减，消除样本数据中的冗余……