入侵检测是一种主动安全防御技术,可以有效识别网络中的入侵行为,但现有网络中不同攻击类型数据的数量差异很大且网络数据呈现海量、高维的复杂特性,导致基于学习的入侵检测模型检测效果不佳且很难识别网络中样本数量较少的攻击类型。针对上述问题,利用集成学习中梯度提升决策树(Gradient Boosting Decision Tree,GBDT)对非均衡数据良好的分类性能,结合深度学习中深度信念网络(Deep Belief Networks,DBN)对海量、高维数据优异的处理性能,提出一种非均衡数据下基于深度信念网络的多分类器入侵检测模型(DBN-MGBDT)。首先,对入侵检测数据进行标准化和归一化等数据预处理形成样本数据集;其次,利用经样本数据集训练后的DBN模型从海量、高维的入侵检测数据中提取出低维、具有代表性的特征数据,同时根据数据对应的标签将特征数据进行二分类;最后,利用一对一法,在任意两类特征数据之间利用GBDT构建一个分类器对网络数据进行最终分类识别。采用NSL-KDD数据集与现有DBN-BP、DBN-MSVM、DBN-SOFTMAX、SVM以及GBDT等模型进行实验对比分析表明DBN-MGBDT模型各项评价指标均稳定且较优;对于随机选取的各组非均衡实验数据,其平均准确率和检测率可高达99.13%和98.63%,优于DBN-BP、DBN-MSVM模型2%左右;对于数量较少的R2L和U2R攻击类型其平均检测率为91.62%和75%,对数量较少的攻击类型也有较好的检测性能。该论文有图20幅,表17个,参考文献51篇。