当前,随着网络技术的大力发展,网络应用深入到社会的每一个角落,但同时网络安全问题也日益突出。新型网络攻击技术的出现使得网络攻击行为往往极具威胁。针对这一问题,目前主要采用入侵检测系统(IDS)进行主动的网络防御,而该系统也因为其可靠性、可拓展性以及可自主学习性而成为当今最热的研究课题,但是现阶段入侵检测系统普遍存在识别准确率不高、泛化能力不强等问题。因此,本文引入人工智能算法中的深度神经网络,提出了改进后的多尺度卷积神经网络来完整地提取网络流量空间域特征,并提出了基于深度神经网络的入侵检测系统来解决上述现实问题。论文主要的工作与创新点如下:1、论文介绍了人工智能算法与网络入侵检测系统的相关知识和国内外研究现状,讨论了经典算法的性能特点以及缺陷。本文还将深度神经网络引入网络入侵检测系统并且分析了这种新型算法如何成功解决了现有模型检测率不高、泛化能力不强等问题。2、论文提出了一种由多重卷积核构成的多尺度卷积神经网络算法(MSCNN),并探讨如何将神经网络框架运用于网络入侵检测领域。本文设计了横向对照实验,充分分析了MSCNN算法在CNN优化改进算法中的优势。MSCNN对于整个系统的建立具有较强的适用性,弥补了CNN网络运用在入侵检测领域时检测准确率低、特征提取不全面以及输入输出不匹配的缺陷。3、论文提出了一种基于多尺度卷积神经网络和长短期记忆网络融合检测算法(MSCNN-LSTM)的入侵检测模型MCL-IDS,其中,该模型首先使用多个不同尺度卷积核的卷积神经网络(MSCNN)对数据底层空间域特征进行处理,随后融合长短期记忆(LSTM)网络处理数据顶层时间域特征,从数据最优特征角度来完成对网络流量的分类工作。本文详细介绍了模型各阶段的工作流程,并设计对照实验进行仿真。仿真实验结果表明,本文提出的MCL-IDS模型有效地提高了网络入侵检测的准确性,降低了误检率和漏检率。4、论文搭建了实验验证平台,编程实现了MCL-IDS模型,并选取了新型的入侵检测数据集UNSW-NB15作为基础构建了训练算法所需的大规模网络流特征数据库。本文将MCL-IDS模型加载在验证平台上,在实际网络环境中针对稀有入侵攻击设计了对照实验,验证了MCL-IDS模型的泛化能力优于经典模型。