随着计算机与互联网高速的发展,网络的范围逐渐突破了传统计算机网络的限制开始融入人们生活的点滴之中。智能家居,智慧医疗等等这些例子都是互联网高速发展并与人类身边事物结合所产生的物联网的鲜明写照。随着人类对网络的依赖逐渐扩大,个人信息生活点滴也全部融入互联网中,这就使得互联网成为了一个巨大的信息仓库。互联网在为人类的生活带来便利的同时也为用户的信息安全留下了不小的隐患,大型服务器遭受攻击,用户私人信息泄露等等。而这种网络攻击发生在医疗军事,金融等领域时,造成的危害则尤为巨大。所以一款准确率高且易自革新的入侵检测系统的开发就显得尤为重要。网络入侵检测系统基于深度学习框架一共分为两个部分:其一是基于深度学习模型的入侵监测模块,另一部分则是信息展示与业务处理模块。对于入侵检测模块,采用的是ANN,CNN,RNN等深度学习主流框架,通过KDD cup99数据集进行模型训练,训练完成的模型可通过信息展示模块展示每个完成训练的模型的性能,并由用户选择最终进行检测的模型。同样用户也可以使用已有数据集对检测模块进行重新训练。信息展示及业务处理模块则以主流ssm框架为基础,spring MVC进行业务调度,后台采用active MQ进行入侵检测日志备份,通过发布与订阅的方式将本地检测模块检测的信息实时在除本地外的另外两台日志服务器上进行备份。对检测数据的收集可采用Redis非关系数据库缓存来应对高并发数据的激增,这对大量的DDOS以及恶意扫描的情况都十分有效。本系统现已成功应用。并以较高准确率和较低虚的警率完成实时网络数据入侵检测,并能按照用户提供的数据进行自我更新。整个系统能在高并发环境下平稳运行,并进行实时数据备份。