随着网络的发展和信息通信技术的跨越式进步,特别是5G通信技术的大规模商用,网络安全问题面临着重大的考验。入侵检测技术作为一种主动的网络安全防护技术,能够提供给网络系统更加实时、高效、安全的防护,争取在网络系统遭受破坏之前进行相应和拦截。因此入侵检测是网络安全防护中必不可缺的一环。构建入侵检测系统通常是利用机器学习方法训练分类模型,但是目前入侵检测技术的训练样本数据更新慢,机密数据不便公开等因素,对模型准确性有较大的影响。本文研究了国内外入侵检测系统和生成式对抗网络的研究现状以及相关应用方法,在此基础上开展将生成式对抗网络与入侵检测相结合的研究工作。根据生成式对抗神经网络强大的数据生成能力提出了一种将生成式对抗网络用于入侵检测数据生成方法,并且对使用该方法生成的数据与原始数据进行了对比分析。该方法主要有以下主要创新:第一,尝试将计算机视觉中常用的生成式对抗神经网络用于入侵检测数据集的生成,能够解决网络安全中数据隐私性导致入侵训练样本不足和更新慢问题;第二,对因网络流数据采集困难导致数据量少,进而导致训练模型的精度低,提供解决思路;第三,对小样本数据集,能够通过生成网络进行数据生成用以训练有效的分类模型。为了验证生成数据的有效性分别使用生成数据和真实数据训练相同的判别网络,经实验结果证明,生成数据在训练模型上能够基本媲美真实样本训练结果,并且在小样本数据上其分类结果优于真实数据训练模型的分类效果。