王佳坤 缪祥华，b 邵建龙

（1.昆明理工大学a.信息工程与自动化学院；b.云南省计算机技术应用重点实验室）

由于网络数据的快速增长和可用计算资源的有限性，传统的入侵检测技术已经难以维持较高的检测效率，基于人工智能技术的入侵检测技术比起传统的入侵检测技术具有更大的优势，因此该技术的发展至关重要。

攻击类型逐渐多样化，不再局限于攻击者的技术或知识水平，利用深度学习可以产生复杂的攻击，当然也可用于攻击的防御。 许多研究人员致力于用深度学习算法开发智能入侵检测系统，提高应对日益增长的网络威胁的能力。

入侵检测是发现网络数据中与正常数据存在差异的异常数据。 传统的机器学习方法，如监督异常检测方法，需要进行数据标记，可在平衡的数据集上获得较好的效果，然而，数据集中大多存在数据不平衡的现象。 数据集中的不平衡性会使得某些攻击类型数据偏少，降低了入侵检测技术在训练过程中对少数攻击类型的敏感性，最终导致入侵检测系统存在缺陷，易让攻击者利用少数攻击类型进行攻击。

入侵检测技术不仅是网络安全研究的重点领域，同时也是学术研究的重点领域。 Gao X W等使用NSL-KDD数据集通过自适应集成学习模型测试，其中包含决策树、随机森林、K邻近和深度神经网络，通过NSL-KDD测试集验证，决策树算法的准确率为84.2%， 自适应算法的准确率为85.2%，提高了检测精度［1］。文献［2］提出了一种用于异常检测的在线过采样主成分分析方法，利用在线平台解决大量数据的入侵检测问题，通过对数据类型中的少数攻击类型进行过采样，实现了对少数攻击类型检测的功能；……