随着互联网的发展,网络安全问题日益严峻,如何高效检测网络攻击行为需求日益紧迫。因此,入侵检测技术应运而生。将传统的机器学习方法应用于入侵检测系统一直是研究者们研究的方向。但是,机器学习方法有很强的特征依赖性,这对研究者们又提出了一个新的难题。近年来,深度学习的兴起为网络入侵检测提供了新的方向。因此本文在卷积神经网络(Convolutional Neural Networks,CNN)入侵检测系统研究的基础上,提出了基于特征图谱算法的卷积神经网络入侵检测模型。论文主要的工作与创新有如下四点:1、论文阐述了深度学习和入侵检测系统相关的概念和国内外研究现状;讨论了深度学习和入侵检测系统结合应用和传统入侵检测模型相比的优势;分析了深度学习中卷积神经网络应用于入侵检测系统如何解决的现有入侵检测系统泛化能力不强、训练过慢等问题。2、论文介绍了基于卷积神经网络入侵检测系统的设计架构。研究了NSL-KDD数据集,并对其进行归一化、标准化处理。提出了基于特征图的卷积神经网络入侵检测模型,并做了随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)、单层卷积神经网络(CNN-1)、基于特征图的卷积神经网络(Feature map-CNN,F-CNN)四组对比实验。验证了卷积神经网络入侵检测模型识别性能上要优于传统机器学习入侵检测模型。并且,本文提出的基于特征图的卷积神经网络入侵检测模型在识别性能上高于单层卷积神经网络入侵检测模型。3、论文在基于特征图的卷积神经网络入侵检测系统基础上,介绍了基于特征图谱算法的卷积神经网络入侵检测系统设计架构。由于KDDTrain+数据集存在样本不均衡问题,因此本本提出了数据及均衡采集模型用于解决样本不均衡问题。在模型改进上,本文提出了子空间权重共聚算法以及其改进算法—特征权重矩阵算法,并设计了两种入侵检测模型:基于子空间权重特征图谱算法卷积神经网络(Subspace Weighting Co-Clustering-CNN,SWCC-CNN)、基于特征权重特征图谱算法卷积神经网络(Feature Weight Matrix-CNN,FWM-CNN)。与其他基于CNN网络提出的改进模型相比,本文提出的两种模型识别性能更好;与不使用特征图谱算法的模型相比,本文提出的两个基于特征图谱算法模型对于攻击类别的识别性能有了显著提升。在模型复杂度性能上,FWM-CNN比SWCC-CNN算法复杂度更低,更易于工程实现。4、论文通过对验证平台的功能分析,设计了一个基于网络流量识别的实验验证平台;通过对平台搭建难点分析,详细阐述了整个平台设计方法。为了验证平台的有效性,本文利用kalilinux攻击服务器模拟网络攻击对平台中靶机进行渗透攻击,将捕获到的攻击流量处理后传入识别模块进行识别验证,最终证明验证平台能够识别网络攻击。