随着信息技术的发展,网络空间安全越来越受到重视,入侵检测技术成为防御网络安全入侵的中坚力量。然而,现有的入侵检测系统性能方面普遍存在问题,并且依赖人工的维护和更新。机器学习作为计算机科学中一门融合了概率统计及数论分析等领域的新型学科,近年来受到了非常多的关注。在入侵检测技术中融合机器学习算法进而解决其存在的问题,是一个十分具有研究前景的课题。机器学习方法对训练集合十分依赖,然而网络环境下真实攻击样本难以采集,具体表现为首先恶意攻击淹没在大量正常流量中,从相当规模的正常流量中只能分离出很少一部分有价值的攻击数据,数据利用率低;其次清洗出的恶意攻击样本种类繁杂,需要人工进行分类筛选。针对数据利用率低的问题,本文提出了利用机器学习生成模型对入侵检测样本集合进行样本生成的方法。本文以生成对抗网络作为生成模型的基本框架,并将长短期记忆网络的结构应用于网络结构中,在模型梯度回传的过程中采用了策略梯度的方法,使训练结果稳定收敛,同时设计了实验证明模型生成样本具备真实样本特征,实验结果表明,这种生成模型生成效果良好。针对样本需要进一步分类的问题,本文设计了基于蜜罐技术的攻击样本采集系统,通过对特定攻击方式的针对性部署进行攻击样本收集。