基于深度学习的入侵检测系统：综述

1 引言

万物互联的愿景通过互联网将人、过程、数据和设备连接在一起 [46]，为世界带来了便利和高效。然而，这种连接所带来的不可避免的安全漏洞也可能被恶意攻击者利用。随着高级持续性威胁（APT）等攻击手段日益复杂，攻击者具备了破坏网络系统或窃取敏感数据的强大能力。因此，基于深度学习（DL）的入侵检测成为网络安全社区的一个重要研究课题。

通常，入侵检测过程通过软件或硬件系统自动完成，这些系统被称为入侵检测系统（IDS）[4, 14, 54, 112, 142, 143, 162, 215]。入侵检测是指监控和分析计算机或网络中发生的事件，以识别可能的入侵行为。当攻击者通过互联网访问系统，或者授权用户滥用其权限或尝试获取未授权权限时，均可被视为入侵行为。

IDS 在保护计算机和网络系统方面发挥着关键作用。IDS 的局限性可能导致企业遭受严重损失。例如，最近发生的 Colonial Pipeline 勒索软件攻击事件 [17]。2021 年 4 月，黑客组织 DarkSide 使用一个未使用的 VPN 账户对美国最大的输油管道公司 Colonial Pipeline 发动了勒索攻击。此次攻击导致 5,500 英里的输油管道被迫关闭，影响了美国东海岸近 45% 的燃油供应。Colonial Pipeline 最终支付了 440 万美元的赎金，并损失了超过 100GB 的数据。如果能够及时检测到恶意软件的入侵行为，此次攻击的影响本可大大减缓甚至完全避免。

1.1 艰难而光明的入侵检测系统

几十年来，IDS 一直面临着应对复杂入侵行为的巨大挑战。如图 1(a) 所示，CVE¹ 漏洞记录数量呈加速上升趋势，尤其在 2016 年出现了急剧增长。此后，CVE 数量持续快速增长，预计到 2024 年将达到约 30,000 条。此外，CNNVD² 报告（见图 1(b)）显示，几乎所有（即 97.2%）的漏洞属于中等或更高风险级别，其中高危和严重风险占比达到 40%。漏洞数量的快速增长以及高风险漏洞的占比增加，均表明 IDS 面临的形势异常严峻。

然而，图 1(a) 中还有一个值得关注的现象：DL-IDS 相关论文的数量从 2016 年开始迅速增长，其增长趋势几乎与 CVE 漏洞数量保持一致。推测其潜在原因在于，DL 技术为 IDS 提供了强大的泛化能力，使其能够应对传统方法难以发现的零日攻击。一些研究 [200, 216, 229] 验证了这一推测：在实验中，DL-IDS 的检测准确率均超过 90%，而传统 IDS 有时仅为 50%左右。

可以说，尽管未来 IDS 的发展面临挑战，但也因 DL 技术而充满希望。2024 年，基于 DL 的 IDS 论文已占 IDS 总论文数量的 65.7%，从 2016 年几乎为零的占比快速上升。这一现象体现了网络安全研究界对 DL-IDS 的极大兴趣和愿景。如今，DL-IDS 的发展已有近十年历史，因此是时候系统回顾 DL 与 IDS 的融合历程，识别当前趋势，并引导未来研究方向。

1.2 相关综述与本文研究范围

遗憾的是，过去十年中尚无综述系统性地研究 DL-IDS。一方面，一些相关综述仅关注 DL-IDS 的部分环节，如日志解析 [122, 168, 232]、数据集 [181] 和攻击建模 [10, 181]；另一方面，尽管部分综述 [19, 71, 82, 91, 111, 112, 123, 131, 142, 143, 238] 涉及 DL 方法，但并未从 DL 的角度专门审视 DL-IDS。

关于 DL-IDS 的局部研究 ：一些综述如 [10, 122, 168, 181, 232] 是典型的只覆盖 DL-IDS 局部内容的文献。Adel [10] 主要研究了应对 APT 攻击的相关技术与解决方案，并探讨了如何提升 APT 检测系统的智能性；Scott 等人 [122] 与 Tejaswini 等人 [168] 详细分析了在线日志解析器及其在异常检测中的应用；Branka 等 [181] 回顾了 APT 数据集的构建方法和特征工程策略；Zhang 等 [232] 则对系统日志解析器构建了全面的分类体系，并实证评估了 17 个开源日志解析工具的关键性能与操作特征。显然，这些工作对于推动 DL-IDS 理论的发展和理解仍显不足。

与 DL-IDS 角度不同的综述 ：另一类文献尽管涉及 DL-IDS，但其出发点并非基于 DL 的视角。例如，综述 [91, 112] 主要全面介绍了 IDS 方法，包括签名检测与异常检测；文献 [71] 基于日志数据探讨了自动化日志分析在可靠性工程中的应用，包括异常检测、故障预测与诊断；Nasir 等人在 [142] 中分析了群体智能方法在 IDS 中的有效性及其多目标优化面临的挑战。

此外，不同数据类型也影响了现有综述的研究重点，如主机型 IDS（HIDS）[19, 111, 123, 131, 238] 与网络型 IDS（NIDS）[5, 143]。Bridges 等 [19] 关注利用主机数据实现企业网络 IDS；Martins 等 [131] 将 HIDS 的概念引入物联网；作为 HIDS 数据的一种形式，溯源图 [111, 123, 238] 及其缩减技术 [82] 也被广泛研究；而在 NIDS 领域，Nassar 等 [143] 探讨了基于机器学习的网络入侵检测技术；Ahmad 等 [5] 更进一步，融合 ML 与 DL 方法，并详细分析了下游学习方法。

总的来看，现有综述对 DL-IDS 的研究覆盖仍较为缺乏，DL 技术往往只是“涉及”，而非研究的核心焦点。

本文的研究范围 ：本综述区别于现有文献的关键在于，从 DL 的角度出发，对 DL-IDS 进行了全面、系统的文献回顾。我们提出了一套通用的 DL-IDS 工作流程，并基于该流程构建了所有模块的研究分类体系。此外，我们还讨论了 DL-IDS 当前面临的挑战与未来研究愿景，涵盖多个现有综述尚未涉及的 DL 相关问题。

1.3 本文贡献与结构

总的来说，本文作出了以下贡献：

• 意识到在 DL 技术的推动下，IDS 取得了显著进展，本文对 DL-IDS 进行了全面的综述，形式化其定义并明确其类型定位；

• 本文提出了 DL-IDS 的通用工作流程，包括数据管理阶段与入侵检测阶段，并系统性地介绍了各模块的研究进展，创新性地从 DL 技术角度对相关文献进行分类；

• 从 DL 的视角出发，探讨 DL-IDS 面临的挑战与未来研究方向，尤其强调了 DL-IDS 所特有的问题，以支持当前研究者的进一步探索。

文章结构 ：第 2 节介绍本文的研究方法，第 3 节回顾 DL-IDS 的基础知识。第 4 和第 5 节分别深入探讨数据管理与入侵检测的最新研究趋势。第 6 节总结了常用的基准数据集及其特征维度，第 7 节展望未来研究挑战与方向，第 8 节为全文总结。

专知便捷查看，访问下面网址或 点击最底端“阅读原文”

https://www.zhuanzhi.ai/vip/26401d21b85c44153b988496a90ee37f

点击“ 阅读原文 ”，查看下载本文