近年来,机器学习方法被广泛用于网络流量分类和入侵检测,但是随着数据量和新型攻击的增加,如何减少误报漏报,准确快速地检测出攻击行为变得更具挑战性。针对上述问题,论文基于卷积神经网络来构建攻击检测模型,通过减少卷积神经网络隐含层的层数,对提高检测准确率和速度的相关技术进行了研究。论文构建了基于简化LeNet-5卷积神经网络的攻击检测模型,在模型网络结构上,去掉了 LeNet-5网络后一层全连接层,减少了模型计算量。在模型算法优化上,正向传播网络采用线性整流层作为激励层,在输出层采用逻辑回归模型进行分类。反向传播网络采用交叉熵损失函数计算损失,采用自适应矩估计方法作为梯度计算方法,并采用L2正则化的权值衰减方法避免过拟合。在简化LeNet-5网络模型的基础上,论文进一步提出了 LeNet-4网络模型,引入特征选择算法,使用随机森林分类器进行递归特征消除,根据特征重要性排名序选取了排名前49的特征,并重新构建网络模型。在模型网络结构上,去掉了第一层池化层,降低了网络复杂性,通过双卷积层+单池化层的结构加强网络自学习能力。论文使用CICIDS2017数据集对提出的模型进行了实验验证,使用数据集中所有实例和攻击族进行联合检测。实验结果表明,在简化的LeN et-5网络模型上,多类攻击分类获得了 97.1%的准确率,组合类攻击分类获得了 97.4%的准确率,而二值攻击分类获得了 98%的准确率。在LeNet-4网络模型上,递归特征消除算法的引入使攻击检测精度提高的同时还减少了检测耗时,多类攻击分类获得了97.9%的准确率,组合类攻击分类获得了 97.8%的准确率,而二值攻击分类获得了 98.5%的准确率。