工程技术论坛Engineering Technology Forum

基于人工智能的网络入侵检测系统研究与实现

薛钰丰

湖北商贸学院计算机科学与技术学院 2021级电子信息工程1班，湖北省武汉市，434200；

摘要：随着网络攻击手段日益复杂化和智能化，传统入侵检测系统在应对新型、未知威胁时暴露出检测精度低、误报率高、响应滞后等问题。为提升网络安全防护能力，本文研究并实现了一种基于人工智能的网络入侵检测系统。该系统综合利用机器学习与深度学习算法，对网络流量数据进行特征提取与分析，构建高效的异常行为识别模型。通过采用如随机森林、支持向量机、卷积神经网络（CNN）或长短期记忆网络（LSTM）等先进算法，系统能够自动学习正常流量模式，有效识别包括DDoS、端口扫描、恶意软件传播在内的多种攻击行为。实验基于公开数据集（如NSL-KDD、CICIDS2017）进行模型训练与评估，结果表明，所实现的系统在检测准确率、召回率及误报率等关键指标上均优于传统方法，具备较强的泛化能力与实时检测性能。本研究为构建智能化、自适应的网络安全防御体系提供了有效解决方案。

关键词：人工智能；入侵检测系统；机器学习；深度学习；网络流量分析；异常检测

参考文献

[1]张荣华,周路,高川,等.用于厄尔尼诺-南方涛动(ENSO)研究的海气耦合模式：纯数据驱动的人工智能(AI)模型的最新进展与挑战[J/OL].海洋与湖沼,1-40[2025-10-14].https://doi.org/10.11693/hyhz20250700158.

[2]任娜.将全学段普及人工智能教育[N].西安日报,2025-10-10(005).

[3]顾男飞.人工智能数据垄断风险预警及治理[J/OL].情报杂志,1-8[2025-10-14].https://link.cnki.net/urlid/61.1167.G3.20250930.1105.002.

[4]袁宇瑞,韩世炯,曹成刚,等.基于机器学习的方铅矿微量元素数据判别铅锌矿床成因类型[J/OL].吉林大学学报(地球科学版),1-17[2025-10-14].https://doi.org/10.13278/j.cnki.jjuese.20250175.

[5]徐基平.基于机器学习的建筑能耗检测预警平台构建[J].粘接,2025,52(10):218-221.DOI:CNKI:SUN:NIAN.0.2025-10-057.