近年来,随着机器学习模型的日益成熟和在各领域的广泛应用,其存在的安全问题也逐渐显现。攻击者通过精心构造与真实数据差别不大的对抗样本,可以使机器学习模型做出错误的决策,这对机器学习应用造成了巨大的潜在威胁。尤其是在入侵检测领域,对抗样本可以躲避入侵检测模型的检测,导致系统遭受恶意攻击。但是目前针对入侵检测对抗样本的生成研究都忽略了样本中存在的特征约束,不满足特征约束的对抗样本很容易被检测出来而无法攻击成功。所以,本文提出了基于特征约束的入侵检测对抗样本生成方法,选取深度神经网络模型作为研究对象,成功实现了在满足特征约束的前提下的入侵检测对抗样本攻击。本文针对入侵检测具体场景,在已有的对抗样本生成研究的基础上重点关注了网络流量数据的特征间约束关系,探索了基于特征约束的入侵检测对抗样本生成方法。基于此,本文提出了基于Pearson相关系数矩阵的特征约束分析方法和基于C-IFGSM的入侵检测对抗样本生成方法。首先,本文分析了网络流量数据集的三方面特点,多样的特征类型、特定的恶意载荷和特征间约束关系。其中,重点对特征间约束关系进行了分析,定义了四种特征约束,函数约束、相关约束、范围约束和条件约束。提出了基于Pearson相关系数矩阵的特征约束分析方法(下文简称Pearson矩阵),以特征间相关性分析为主,以专家经验分析为辅,最后分析得到网络流量数据集中存在的四种约束关系。然后,基于对特征约束分析结果,本文提出了基于特征约束的入侵检测对抗样本生成方法,由基于深度神经网络的入侵检测模型搭建和基于C-IFGSM的入侵检测对抗样本生成算法两部分构成。通过搭建入侵检测分类模型获取其模型参数,然后根据四种约束关系,在IFGSM算法的基础上增加约束矩阵限制,保证在添加噪声的过程中样本的特征约束不改变,最终生成满足特征约束的入侵检测对抗样本。最后,本文使用NSL-KDD标准数据集训练并搭建了入侵检测分类模型,并在其上验证了本文提出的入侵检测对抗样本生成算法。基于在NSL-KDD数据集中分析得到的四种特征约束,C-IFGSM算法成功生成了满足约束的对抗样本。通过将C-IFGSM生成的对抗样本与FGSM、IFGSM算法进行多方面比较,发现CIFGSM方法可以将特征约束满足率由0.37提升至1,并能够在满足特征约束的前提下使入侵检测模型的准确率由0.8下降至0.42。