面向入侵检测的生成式对抗网络构建方法文献综述

文献综述

研究背景：随着互联网时代的发展,在网络空间中的恶意攻击行为日益增加。

1) 2020年上半年国家信息安全漏洞共享平台（CNVD)共发现通用安全漏洞11073个，同比增长89.0%。

2) 在拒绝服务攻击方面，分布式拒绝服务攻击（DDoS）依然是最常见的网络安全威胁之一，大流量DDoS攻击事件对互联网用户造成了较大的影响。

3) 在网站安全方面，主要存在网页仿冒、网站后门和网页篡改等问题，其中我国境内约3.59万个网站被植入后门，数量较2019年上半年增长36.9%。

4) 在云平台安全方面，云平台上网络安全威胁形势依然很严峻，我国主要云平台上发生了较多的各类网络安全事件。

从上面的数据可以看出，网络安全变得越来越重要，而入侵检测已成为网络攻击检测的一种重要手段。

随着大数据技术的出现，深度学习、强化学习、可视化等技术得到了广泛的应用,已有学者提出了基于神经网络技术的入侵检测方案。

但是，在实际环境中，网络中的异常流量远少于正常流量，这导致训练出的神经网络模型具有明显的偏向性，在多数情况下会偏向于正常流量，从而严重影响对异常流量的检测准确率。

研究意义：目前网络空间中的大多攻击是通过挖掘操作系统和应用服务程序的弱点或者缺陷来实现的。