近年来,随着信息技术的不断发展,网络逐渐成为人们学习、工作和生活不可或缺的一部分。与此同时,网络入侵规模不断扩大、信息泄露事件不断发生、入侵手段不断更新,这严重破坏了网络环境,影响人们的工作、学习和生活,甚至严重的会危及社会稳定和国家安全。网络安全问题已成为当下急需解决的重要问题。不同于防火墙、加密技术、访问控制等被动防御,网络入侵检测能够主动识别,动态防护,有效的检测尝试攻击、正在攻击以及已经发生的攻击行为,极大的弥补了传统网络安全检测技术的缺陷。尤其是随着机器学习、仿生计算、人工智能等技术与入侵检测有效结合,极大的提高了入侵检测效率和准确率。近几年,深度学习技术得到了极大发展并在多个领域取得突出成绩,其出色的特征学习能力受到越来越多的关注和研究。鉴于此,本文提出了基于差分进化与深度学习的入侵检测系统。本文在深入研究当前网络安全背景、入侵检测的研究现状、研究热点后,对入侵检测技术、深度学习以及进化算法进行了详细的分析,并在此基础上提出了基于差分进化与深度学习的入侵检测模型。首先,该模型通过基于WinPcap的数据包获取模块对网络数据进行采集和协议解析,获取入侵检测的数据集;其次,采用多层限制玻尔兹曼机与BP网络构建入侵检测模型的特征学习模块,通过无监督学习进行特征降维,同时通过梯度约束对BP参数进行微调,解决其收敛性和局部最小等问题,从而实现更好的特征表达;最后用支持向量机对入侵数据进行分类和识别,并通过实验对该模型进行检验。实验结果表明,采用DBN-SVM模型的入侵检测识别率较其他传统入侵检测模型均有改进,较仅使用DBN提高了1.12%。同时,采用不同深度、不同隐藏层节点数的入侵检测模型的检测率不同,而较优的模型结构往往依赖先验知识或尝试分析。因此,本文提出了差分进化算法优化的深度学习入侵检测模型,利用差分进化算法的适应性、优化能力以及全局寻优能力,对DBN结构的学习层数及相关参数设定进行优化,通过重建误差函数来优化、构建性能良好的深度结构,提高处理效率。试验中,对5层结构、3层结构的DBN预设隐藏层节点数为150,经训练优化后获得隐藏层节点分别为:100-80-50-25-10、100-50-25,并获得较优的检测率,提高了结构稳定性和检测效率。总而言之,基于深度置信网络的入侵检测方法较传统方法检测率、效率更高,进化算法能够对深度结构的学习层数及相关参数设定进行优化,从而获得更稳定、效率更高的深度结构。