摘要

由于日常生活中对网络安全需求的日益增长，入侵检测系统（Intrusion Detection System, IDS）已成为所有最新信息通信技术（ICT）系统中不可或缺的防护层。由于攻击类型具有高度不确定性，且高级网络攻击的复杂性持续上升，传统方法已难以有效应对，因此亟需引入深度神经网络（Deep Neural Networks, DNNs）以提升检测能力。本文采用DNN对网络入侵检测系统（Network Intrusion Detection System, N-IDS）中的攻击行为进行预测。实验中，构建了一个学习率为0.1的DNN模型，并训练了1000个周期（epochs），同时使用KDDCup'99数据集进行模型训练与性能基准测试。为进行对比分析，还在相同数据集上对多种经典机器学习算法以及层数从1到5的DNN模型进行了训练。实验结果表明，三层结构的DNN在检测性能上显著优于所有其他经典机器学习算法，展现出更强的识别能力和泛化性能。