随着信息技术的迅猛发展和广泛应用,互联网已经融入到现代人们日常生活中的方方面面,对网络的安全性提出了更高的要求。入侵检测是保护网络安全的重要手段之一,研究人员对于入侵检测技术的探索给予了极大的关注。机器学习的兴起给入侵检测的识别准确率带来了很大提升,然而,如何对不断出现新型攻击进行识别仍然是一个严峻的问题。近年来,零样本学习在计算机视觉、自然语言处理、故障诊断等领域取得了显著的效果。通过模拟人类对于从未见过的对象的推理过程,零样本学习可以运用学习到的已知类的知识去认识未知类。针对入侵检测所存在的问题,本文通过对零样本学习方法的研究,将其应用到网络入侵检测中,实现对训练集中没有的新型攻击进行识别。本次研究完成的任务如下:(1)对当前的入侵检测技术和零样本学习方法进行研究与分析,提出将基于样本生成的零样本学习方法应用于入侵检测,把如何实现对未知攻击的识别问题看作是想象问题,研究如何生成未知攻击的样本数据,使得对未知攻击的入侵检测转化为传统分类问题。(2)基于入侵检测数据集中语义知识库的缺失,提出入侵检测数据集攻击语义知识库的构建流程。通过收集数据集中各个攻击类别的描述信息,使用自然语言处理技术,将攻击的语义描述信息转化为机器可读的向量表示,从而生成攻击语义知识库,为零样本学习模型提供可学习的知识。(3)提出基于零样本学习的入侵检测模型,通过使用自动编码器学习攻击样本的特征空间与判别嵌入空间、语义嵌入空间之间的映射关系。编码器中通过使用判别嵌入对类内进行聚类,对类间进行边界分离,使得所提取到的特征更具有区分性。通过使用回归反馈作为解码器的正则化器,使得能够从样本特征和攻击语义信息中恢复所包含的足够的信息,从而重构出最佳的生成样本,并使用生成样本训练分类器实现对未知攻击的识别。本文使用公共数据集NSL-KDD进行了实验验证,实验结果表明,本文所提出的方法,在性能上相较现有的基于零样本学习的入侵检测方法有所提高。因此,本文的研究内容对于零样本学习在入侵检测领域的进一步研究有重要的参考和学术价值。