徐东方，徐洪珍，2，3+，邓德军

(1.东华理工大学 信息工程学院，江西 南昌 330013；2.东华理工大学 软件学院，江西 南昌 330013；3.东华理工大学 江西省网络空间安全智能感知重点实验室，江西 南昌 330013)

0 引 言

网络入侵检测可分为基于误用和基于异常的检测方式[1，2]。基于误用的网络入侵检测采用预定义的已知攻击模式，对已知网络攻击具有较高的检测准确率，但不能检测新的网络攻击类型，具有一定的局限性[3]。基于异常的网络入侵检测通过分析用户行为，对网络入侵进行监测，定义常规用户活动特征模型，将网络入侵事件分为正常或异常。因此，该方法可以检测新的攻击。基于异常的网络入侵检测通常通过训练由机器学习或深度学习组成的网络模型来检测网络中存在的异常行为[4]。但随着攻击类别的多样化和网络流量的激增，传统机器学习算法对大规模网络入侵数据的高维性和非线性特征的处理具有一定的局限性，难以适应新型的网络攻击环境，而深度学习算法由于具有较优的深层特征提取能力而被广泛用于网络入侵检测领域[5]。

本文提出一种基于CNN-BLSTM-XGB的混合网络入侵检测方法，从入侵检测数据时间和空间层面进行特征提取，采用XGBoost完成对特征信息的识别、分类，在NSL-KDD和CICIDS2017两种数据集上可以更高效、更准确地实现网络入侵数据的多元分类。

1 相关研究

针对基于深度学习领域网络入侵检测方法的研究，Jia等[6]使用信息熵来确定深度置信网络(deep belief network，DBN)中隐含神经元的数目和网络深度，获得较高的检测精度。……