RTEDResearch on Teacher Education and Development3066-89993066-9006Art and Technology10.61369/RTED.2026090046Article面向网络入侵检测的深度模型对比与展望https://artdesignp.com/journal/RTED/2/9/10.61369/RTED.2026090046叶健,刘坤2026292026-02-27随着网络攻击越来越智能化、隐蔽化、规模化，传统的以特征匹配为基础的入侵检测技术已经不能有效地对抗未知的攻击、变种的攻击和高级持续性威胁。深度学习依靠自动特征提取、非线性建模以及高维数据处理，成为网络入侵检测技术的主要发展方向。本文对卷积神经网络、长短期记忆网络、Transformer、生成对抗网络以及混合深度学习模型的原理和入侵检测的适配性进行梳理，分析各个模型的技术优势、固有的缺陷和适用范围。在此基础上，指出目前深度学习入侵检测存在数据不平衡、可解释性差等主要问题，并提出轻量化、可解释、联邦化的未来发展方向，给入侵检测系统的建立和改善赋予实践参照。深度学习,网络入侵检测,卷积神经网络,Transformer,模型对比,网络安全

[1] 宋亚龙. 基于深度学习的物联网网络入侵检测方法研究[D]. 郑州大学,2024.[2] 周文刚. 基于双向生成对抗网络的网络入侵检测方法[D]. 长安大学,2024.[3] 朱鹏. 基于特征选择与深度学习的网络入侵检测模型研究[D]. 辽宁科技大学,2024.[4] 杨晓文, 张健, 况立群, 等. 融合CNN-BiGRU 和注意力机制的网络入侵检测模型[J]. 信息安全研究,2024,10(3):202-208.[5] 杨超, 杜琪琪, 范波, 等. 深度学习下时序特征提取的网络入侵检测模型[J]. 保密科学技术,2024,(1):51-60.[6] 吴瑕. 深度学习在网络入侵检测系统中的实用性与效率研究[J]. 信息记录材料,2024,25(1):222-224.[7] 王瀚文. 基于自编码器和GoogLeNet 的入侵检测研究[D]. 辽宁工程技术大学,2023.[8] 杜佳玮. 基于联邦学习的网络入侵检测技术研究[D]. 西京学院,2023.[9] 谷文杰. 基于深度学习的网络入侵检测方法研究[D]. 西京学院,2023.[10] 白文荣, 马琳娟, 巩政. 基于菌群优化深度学习的网络入侵检测模型[J]. 南京理工大学学报,2023,47(5):636-642.