随着信息技术的飞速发展,人们的日常生活与互联网之间的联系越来越紧密。每天无数的服务器、计算机和移动设备通过互联网相互传输大量的数据。在这些数据之中往往存在着大量的恶意网络入侵行为,例如病毒、蠕虫、恶意程序等。为有效检测出这些恶意网络入侵行为并将其进行隔离或删除,人们开发了入侵检测系统,以避免网络入侵流量对计算机设备造成损害。目前,主流的入侵检测系统是基于网络的,通过构建异常网络入侵流量检测模型,入侵检测系统可以及时检测出网络流量中存在的入侵行为。为构建性能优良的网络入侵流量检测模型,许多学者采用机器学习算法来设计网络入侵流量检测算法,并把它们运用到真实的网络入侵流量检测中来。传统的网络入侵流量检测算法采用的机器学习算法主要有支持向量机、决策树和神经网络等,这些算法在维护计算机网络和系统安全中发挥了重要作用。然而,传统的网络入侵流量检测算法在处理网络流量数据时往往会忽略两个关键性问题:1)网络流量中只有少数网络入侵行为可以被标注;2)网络流量往往由不同的计算机终端产生,并且这些流量数据之间存在分布的差异。换言之,为达到较好的网络入侵流量检测效果,传统的网络入侵流量检测算法通常依赖足够多的已标注网络流量数据来训练其算法。与此同时,这些算法并没有考虑计算机终端等网络设备中数据分布的差异,从而导致网络入侵流量检测模型在处理不同终端上的网络流量数据时不能很好地理解数据之间的异同,和不能为不同的计算机终端提供针对性更强的安全防护。为克服传统网络入侵流量检测模型中存在的问题,本文提出基于自步多任务学习的网络入侵流量检测技术,该技术主要包含两个部分。第一部分为多任务网络入侵流量检测模型。第二部分为灵活自步多任务学习算法。通过基于自步多任务学习的网络入侵流量检测技术,可以有效应对真实网络中已标注网络流量匮乏和网络流量分布存在差异的挑战。针对网络流量数据类不平衡的特点,本文首先基于过采样算法在数据级层面对网络流量进行处理,有效提高网络流量数据中少数类样本的数量;在此基础上,针对网络流量数据分布在不同计算机终端上的特点,建立多任务网络入侵流量检测模型,并采用多任务学习算法来利用不同计算机终端中网络流量数据的共享信息。为更好地检测网络流量中隐蔽性更强的网络入侵,本文提出灵活自步多任务学习算法。该算法通过引入自步学习机制,在训练过程中由易到难地对网络流量样本进行训练,从而更好地提高了网络入侵流量检测算法的鲁棒性。另一方面,该算法采用多任务学习机制,更加充分地利用了不同计算机终端中网络流量数据的异同,从而为不同的计算机终端提供了更加针对性的安全保障。最后,本文设计了两个实验对所提方法进行验证。第一个实验在仿真数据集上测试灵活自步多任务学习算法的分类性能及鲁棒性。第二个实验基于最新的两个网络安全数据集UNSW-NB15和CICIDS2018,对不同的网络入侵流量检测算法进行对比。通过分析表明,基于自步多任务学习的网络入侵流量检测技术可以有效检测出计算机终端中存在的网络入侵流量,降低网络入侵流量检测模型的漏警率与虚警率。