入侵检测系统是保护网络空间安全的关键技术,近年来深度学习技术以优越的性能促进了入侵检测系统的发展。然而对抗攻击的出现影响了深度学习模型的性能,一些对抗攻击方法生成的对抗样本可以使神经网络模型对其几乎完全误判。而入侵检测系统对安全性的要求较高,只有其本身的安全得到保证的情况下才可以为网络空间安全提供保障。由于对抗攻击首先出现于图像领域,现有有关对抗攻击及其防御的研究较多地集中于图像领域,在入侵检测领域的相关研究相对较少。因此研究入侵检测场景下的对抗攻击及其防御方法对于推动深度学习技术在入侵检测领域的应用至关重要。本文基于UNSW-NB15数据集使用快速梯度法、投影梯度下降、动量迭代式快速梯度法针对DNN、RNN、LSTM、GRU四种模型实施了对抗攻击,并从以下四个角度分析和评估了各对抗攻击方法的性能:（1）对抗攻击方法使模型性能下降的程度;（2）对原样本的修改幅度;（3）修改频率最高的特征;（4）对抗样本的可转移性。实验表明迭代式的攻击方法可以以较小的修改幅度造成较明显的攻击效果。统计结果表明对抗攻击方法主要针对样本的基本特征进行了修改。此外,实验还表明虽然针对某一模型生成的对抗样本对其他模型同样具有攻击效果,但这一攻击效果是有限的。本文基于这一特点借鉴移动目标防御的思想提出了一种入侵检测系统对抗攻击防御方法,简称MTDIDS。在MTDIDS中,防御者仅仅需要动态地在不同的入侵检测系统间进行随机动态切换即可削弱对抗攻击者的攻击效果,不需要对模型本身进行改变。防御者的最佳切换策略通过将入侵检测系统防御者和用户的互动建模为贝叶斯斯塔克尔伯格博弈并求解博弈均衡解而获得。本文对比了在对抗攻击下MTDIDS、单个模型及统一随机策略切换模型的检测准确度。实验表明,MTDIDS相较于单个模型检测准确度获得了明显提升,且优于基于统一随机策略的切换模型。