因特网技术的不断普及和发展,使得社会对网络的依赖越来越多,网络已成为经济社会发展的重要基础设施。网络在带给人们方便的同时也给社会和个人带来安全威胁。网络入侵检测技术通过对网络流量数据中潜在的入侵攻击行为进行检测识别,为社会和个人提供防护,维护网络安全,抵御网络安全威胁。传统的网络入侵检测技术需要依靠专家知识人工设计特征集对网络数据进行特征匹配,或使用基于机器学习的分类、聚类算法进行检测识别任务。上述方法的效果严重依赖特征选择设计的质量,仍缺乏一定的“智能”。论文在以往研究工作的基础之上使用深度学习技术对网络入侵检测技术加以改进,利用深度学习技术可以实现自动化提取特征的优势,直接对网络流量数据进行处理,将网络数据图像化,使用神经网络进行特征学习,避免人工设计流量数据特征。针对Web入侵检测任务,论文提出了一种基于注意力机制的Web入侵检测方法,对网络数据进行one-hot编码重构成二维图像,构建基于注意力机制的神经网络模型进行特征学习。通过注意力机制计算数据各部分的注意力概率并加权求和得到最终的特征向量,使用softmax分类器完成识别检测任务。并使用Dropout技术和Gelu激活函数对模型加以优化,防止模型陷入过拟合。论文还提出了基于流量特征图像的入侵检测方法,针对网络流量数据,将数据映射到RGB值空间,生成具有三通道的流量图像,同时计算网络数据的信息熵作为透明度加入到RGB流量图像中生成RGBA四通道流量图像,构建卷积神经网络对生成的流量图像进行特征提取,实现流量数据的特征学习。鉴于网络数据中的不平衡问题引入Focal loss损失函数改善模型在非平衡数据集下的检测效果。通过相关对比实验,论文中的两种方法在入侵检测任务中都取得较好的检测结果,分类精确度在95%以上。论文针对网络入侵检测任务,通过对网络中的数据进行特征提取和分类,实现对网络流量数据中异常入侵行为的检测,实验结果证明论文所提出的方法可以达到预期效果。