网络技术的发展为人们生活带来便利的同时,也使得信息安全问题日益突出。入侵检测技术是信息安全学科的重要组成部分,是一种主动且有效的动态网络防御技术。传统入侵检测技术存在检测性能差、自适应能力低等问题,且由于网络的快速发展,网络数据的体量与维度都在日益增长,网络中充斥着大量无标签数据,传统入侵检测技术已很难适应当前复杂的网络环境。深度信念网络(Deep Belief Network,DBN)是深度学习领域的一门前沿技术,在特征学习方面具有一定优势,且其模型训练时采用逐层初始化的无监督学习方式,可有效利用网络上大量存在的无标签数据,已在语音识别、自然语言处理等领域取得了显著成果。基于此,本文探讨深度信念网络在入侵检测领域的应用,以解决当前网络安全面临的问题。以下简述本文所做工作:1.针对DBN检测模型的顶层BP网络对模型检测准确率的限制,本文构造了一种深度信念网络和极限学习机(Extreme Learning Machine,ELM)相融合的入侵检测模型:DBN-ELM检测模型。该模型将深度信念网络在特征学习方面的优势与极限学习机在单隐层前馈神经网络学习方面的优势结合在一起,有效解决了DBN检测模型的不足。文中基于NSL-KDD数据集构造了DBN-ELM检测模型与DBN检测模型的对比实验,实验结果表明,与DBN检测模型相比,DBN-ELM检测模型在误报率和准确率方面都得到了一定提升。2.针对DBN-ELM检测模型对未知入侵检测准确率较低的问题,本文在DBN-ELM检测模型的基础上,提出一种深度信念网络(D)、极限学习机(E)以及特征元素选择与组合(R)相融合的入侵检测模型:DRE检测模型。该模型能够在ELM模块对数据特征进行检测识别之前,通过对DBN模块提取的原始数据特征进行元素选取与组合,来获取原始数据较优的特征元素组合。本文最后基于NSL-KDD数据集对该模型进行了实验分析,构造了其与DBN-ELM检测模型的对比实验。实验结果表明,DRE检测模型改善了对未知入侵的检测准确率,且其与DBN-ELM检测模型在对网络行为分类识别方面具有互补优势。因此,实际应用中,可结合使用这两个检测模型,来提升入侵检测系统对当前复杂、高维的网络环境的适应能力。