从小型移动设备到大型云平台,我们日常生活中所使用的设备大多是联网的,并且潜在地遭受网络入侵的威胁。随着网络技术和大数据的快速发展,网络攻击变得越来越复杂并且具有威胁性。对于大规模的网络,能够及时捕获入侵是至关重要的,也是非常有挑战性。网络入侵检测系统对计算机网络中的异常活动进行监视和分析,以确定是否有人试图非法地访问、修改、破坏网络系统或数据的安全性。与传统的机器学习算法相比,深度学习通过自动学习特征,能够处理高维数据并且能很好的检测网络攻击。然而,传统的入侵检测方法无法充分学习到数据的特征,导致检测能力不足,这可能显著地降低入侵检测系统整体的有效性;另外,入侵数据集中存在不平衡问题,导致模型对少数类的检测率低。因此为了解决上述问题,本文在充分了解入侵检测和机器学习等相关知识后,研究了基于深度学习的网络入侵检测方法。主要研究工作有以下几个方面:1、本文提出了一种基于全局交互注意力的串行网络入侵检测模型。针对入侵检测长时序数据遗忘和检测率低的问题,为了提高模型的检测率,该模型融合了长短期记忆网络和注意力机制,利用长短期记忆网络能很好地处理时间序列数据的特征,并引入注意力机制,通过关注所有时间步的输出来过滤无关信息,从而使模型充分学习到数据中的特征。此外,为了提高模型的泛化能力并防止模型训练过程中的过拟合,添加了Dropout层,运用Focal loss损失函数关注数据类别较少的样本。在NSL-KDD和UNSW-NB15数据集上的实验表明,与经典深度学习算法CNN、RNN和LSTM相比,不管是二分类还是多分类任务,我们提出的模型都有更高的准确率和F1值。2、本文提出了一种基于混合采样的网络入侵检测数据平衡方法。为了提高模型检测少数类样本的能力,充分学习到少数类样本的特征,该方法利用WGAN对少数类攻击样本进行数据增强,扩充少数类攻击样本,其中WGAN模型使用卷积神经网络和全连接网络组合的方式;利用随机欠采样技术从正常流数据中随机选择我们所需要的样本数量。WGAN克服了原始生成对抗网络的训练难和模式崩溃等问题,可以生成更加真实的少数类样本。该数据平衡方法能有效提升模型对少数类数据的检测率。实验结果表明,在利用本文方法平衡数据集之后,模型对少数类样本的检测率明显升高,与其他传统数据增强算法相比,本文方法都有更好的表现。