为保护网络安全,在机器学习以及深度学习技术的加持下,诞生了智能网络异常流量的入侵检测技术,通过使用网络攻击数据集完成智能模型训练,优化对网络攻击的检测能力。但伴随而来的问题是智能检测模型缺乏训练数据,导致分类效果不佳。基于上述问题,本文设计并实现了网络攻击仿真系统,以产生更多的真实攻击流量,同时提出了使用生成对抗网络技术进行流量数据生成,补充智能检测模型训练数据的方法。网络攻击仿真系统,用攻击图来引导渗透攻击路线,借助分布式技术使用多台主机生成真实攻击数据,对目标网络进行渗透攻击,为入侵检测平台提供异常攻击行为输入。本文的具体工作内容如下:1)提出了一种基于生成对抗网络技术的仿真流量生成方法。通过生成器和辨别器的对抗训练,得到能够拟合真实流量分布的生成器模型,为检测平台提供训练数据,增强训练集的平衡性,提升分类模型准确率。2)设计了一种基于攻击图的攻击路径选择算法,通过漏洞关联关系绘制攻击图,在攻击图的基础上获得最优的攻击路径。3)设计了渗透攻击功能,能够对目标主机或目标网络进行扫描,获取主机信息、系统信息、服务信息、漏洞信息,基于收集的信息向目标主机发起渗透攻击,获取普通用户权限,并提升权限,以管理员的身份登录目标系统,完成渗透攻击,为入侵检测平台提供异常攻击行为。4)设计了分布式攻击,使用Kafka框架,通过负载调度算法合理的利用多个攻击节点的算力资源与内存资源,协作完成扫描与攻击任务。5)将上述多个功能模块进行整合,设计了网络攻击仿真系统,基于前后端技术与渗透技术完成对系统的实现。系统分为用户端、服务端、攻击端三个部分。用户端提供可视化界面供用户使用,并为用户使用系统服务提供接口,展示返回结果;服务端提供攻击仿真功能、攻击路径生成功能、数据存储功能,使用Kafka框架对攻击端节点进行调度;攻击端完成渗透攻击的扫描和攻击功能。6)通过对系统的测试,实现了生成对抗网络补充训练数据集,提高模型的分类准确率。实现了对目标网络发起渗透攻击,产生攻击流量,为入侵检测平台提供异常攻击行为数据的目标。