《表3 深度学习代表性工作》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《网络入侵检测技术综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（注:“\\”表示该方案无法参与该评分项。）

深度学习技术的发展促进了入侵检测研究的进步，能够利用分层结构对数据进行无监督特征学习和模式分类，可以将特征提取器和分类器集成到一个框架中，不需要安全专家手动提取特征。深度学习能够有效处理大规模网络流量数据，相比于浅层的传统机器学习方法，具有更高的效率和检测率，但是其训练过程较复杂，模型可解释性较差。表3总结了深度学习代表性工作及方法特点的对应关系。由于常用的入侵检测数据集中存在3.1节中所述的问题，因此在使用深度学习方法对其进行检测之前，也需要对数据进行预处理。表4总结了深度学习方法解决的问题对比。由表可知，目前基于深度学习的IDS解决的问题有:1)网络中异常流量数据远远少于正常流量数据的类别不平衡问题；2)网络数据量较大、特征维度增加、浅层机器学习技术难以对海量高维数据进行检测、难以提取数据中非线性特征信息；3)对算法模型本身进行改善。