面对复杂的网络环境,网络安全问题日益严峻,网络攻击不仅会造成用户隐私泄露,同时会带来巨大的经济损失。面对大规模的网络数据,深度学习成为一种有效的检测网络攻击的方法。深度学习方法通过在大规模的数据上对模型进行训练,进而学习到正常数据和攻击数据的特征,可以更高效更准确地对网络攻击进行检测。本文对网络安全数据进行编码将其转化为二维灰度图的形式,通过卷积神经网络对数据进行分类,从而实现入侵检测。现有网络安全领域的数据存在类别不均衡的问题,对于一些攻击类别,我们往往只拥有少量的数据,导致深度学习模型无法有效地识别这些类别的攻击。针对这一问题,我们提出了基于对抗生成网络的数据集扩充方法,对数量较少的类别的数据进行生成,将生成的数据加入原有的训练集中,再对模型进行训练,以解决类别不均衡问题。通过实验验证,我们提出的方法相较于现有的解决类别不均衡问题的方法,为模型的整体效果带来了更大的提升。深度学习模型虽然在网络安全领域取得了较好的数值效果,但由于深度学习模型从数据中提取的是高维抽象的特征,对于网络安全领域的用户,如何更高效地对深度学习模型进行选择,并对该模型做出的决策进行理解从而信任模型做出的决策,是深度学习模型在网络安全领域的大规模应用中需要解决的问题。本文结合了可视分析的方法,为网络安全数据检测方法设计了一个可视分析系统,通过模型选择和特征分析两个主要模块,帮助用户对比不同结构的深度学习模型的区别,并对模型做出判断的依据进行分析。最后我们通过具体的案例分析,从多个角度验证了我们的可视分析系统的有效性。