随着移动互联网的快速发展,网络空间所面临的安全形势日趋严重,如何有效监测并防护网络入侵行为已经成为网络安全领域的研究重点。大数据时代的到来和网络攻击手段的多样化使传统的入侵检测方法已经不能满足现今的网络环境要求。深度学习作为一门新型的前沿技术,自出现后就得到了迅猛的发展,在各个学术领域都有了成功应用的案例,这给入侵检测技术的发展和变革提供了一个新的思路。从机器学习被首次提出,之后被广泛应用在各个行业领域。它也给入侵检测技术注入了新的血液和动力,它改变了入侵检测的机制,从被动变为主动。深度学习是机器学习发展到一定阶段后出现的新型技术,它在图像处理领域有着卓越的表现。本文将深度学习的思想和入侵检测技术相结合,提出了一种基于ResNet的入侵检测模型。本文的主要工作如下:第一,选用UNSW-NB15作为入侵检测模型的数据集,对其进行了深入的分析研究,将其与目前被广泛使用的入侵检测基准数据集进行分析对比,论述了UNSW-NB15数据集的优势。第二,数据集的标准化处理,比如删除冗余的属性特征、符号类型的属性特征的数值化、整个数据的归一化等操作。第三,本文采用将网络流量数据转换为图像的方法,把一维的网络流量数据用二维的灰度图像的形式表示出来,用图像的识别方式来处理入侵检测问题,从而将深度学习技术应用到入侵检测中。第四,对卷积神经网络及其经典模型(LeNet-5、AlexNet和ResNet)进行了深入分析,构建了基于ResNet的入侵检测模型。第五,通过仿真测试,分析对比了基于LeNet-5、AlexNet和ResNet的入侵检测模型的性能;对比分析了不同激活函数、网络参数等条件下,基于ResNet的IDS的模型性能,进而调整模型结构和网络参数提升模型的整体性能。