随着云计算、大数据等信息技术以及电子产品的普及,网络得到了进一步的发展,然而网络攻击、网络诈骗等危害网络安全的问题日益增加,由于网络入侵模式和攻击手段不断更新变化,对实时网络入侵的检测工作难度越来越大,对网络入侵检测领域的要求更高。传统的入侵检测系统虽然在网络安全防护方面具有优势,但存在依赖手工特征工程选取,难以提取海量高维流量数据的关键特征等问题。为了应对入侵检测面临的上述挑战,提高模型入侵检测的准确率和速率,本文基于深度学习的实时入侵检测技术开展相关研究。主要工作如下:1、为提高实时网络入侵检测准确率,使用结合注意力机制的CNN和LSTM的网络入侵检测模型。CNN和LSTM先后学习网络流量的局部特征和长时间依赖特征,注意力机制对不同特征的重要性权重的优化。通过和其他网络模型实验检测结果的对比分析,可得本文给出的网络入侵检测模型,准确率相比单一 CNN网络入侵检测模型高4.4%,比单一 LSTM网络入侵检测模型高11%,比CNN-LSTM网络入侵检测模型检测准确率高2.83%。2、针对模型检测速度慢,不易在网络环境进行实时检测的问题,对所提的网络入侵检测模型,采取了三种特征优化策略进行了模型优化:第一、统计学的特征降维方法,通过引入卡方检验、相关性检测和信息增益三种常用的特征选择算法根据UNSW-NB15数据集特征重要性进行排序,在所研究的模型中检测,选取特征子集。第二、主成分分析法,研究保留不同的信息量的比例,对比分析检测结果,确定选择保存信息量的比例。第三、堆叠稀疏自动编码器,将保持原始数据的信息的前提下有效压缩降维,通过设置不同的稀疏系数,然后输入所提网络模型对检测结果分析,得出合适的稀疏系数。通过三种优化策略实验对比,确定了数据集的特征子集的选取,从而平衡了模型检测的精度和时间。3、设计和开发实时网络入侵检测系统,实现对实时流量的捕获和解析,使用训练好的入侵检测模型对实时网络入侵检测,对检测出的入侵结果进行预警并提供流量统计信息查看等功能。