随着文件共享、移动支付、即时通讯等互联网新技术的出现,网络安全形势日益复杂,同时网络攻击者变得更加隐蔽,严重威胁着网络安全环境,使计算机网络安全问题已经成为一个备受关注的重大问题。网络安全防护措施有很多例如防火墙技术、入侵检测、杀毒软件等,其中入侵检测技术是信息安全保障的关建技术之一,但由于传统入侵检测系统人工的参与过多,导致在检测的准确率上偏低,且不够智能化。并且在实际检测的情况下,由于入侵数据的不均衡性,检测时会出现数据不均衡问题,高维且不平衡数据给入侵检测系统带来了巨大挑战。针对上述分析出的问题,本文首先对入侵检测系统的基本知识、技术分类以及目前仍存在的问题进行简要讲述,接着,对深度学习的基础知识及其经典模型进行分析,最后对不平衡数据处理的主要方法进行简要概括,经过一系列对在高维且不均衡数据下的入侵检测调查研究后,决定采用基于Borderline-SMOTE的Adversarial autoencoder(AAE)集成学习对入侵检测系统中所存在的数据量大且不平衡的问题进行检测。本文的主要工作如下:(1)针对高维数据带来的数据分布稀疏、冗余及不相关特征多的问题,本文采用具有优秀降维功能的对抗自编码器算法对其进行降维处理,并通过实验验证所采用方案的有效性。但这一步仅仅是解决了入侵检测中的高维数据到低维数据的有效映射,对抗自编码器对不平衡数据的检测效果并不理想。(2)针对不平衡数据带来的少数类攻击数据流量难以被检测出来的问题,虽然集成学习在处理不平衡数据上也取得了不错的效果,但在处理高维数据上存在一定的局限性,所以本文将Borderline-SMOTE过采样和EasyEnsemble集成学习相结合来处理不平衡数据,解决数据不平衡带来的误报率高的问题。(3)针对高维且不平衡数据带来的有效信息获取难且少数类攻击信息识别难的复杂问题,本文提出基于Borderline-SMOTE过采样和对抗自编码器集成学习的入侵检测技术。并通过SMOTE-Borderline-AAE、EasyEnsemble-AAE、SMOTEBorderline-EasyEnsemble-AAE对比实验,验证了所提方案SMOTE-BorderlineEasyEnsemble-AAE相比其模型体现出优越的性能。实验结果表明,本文提出的基于Borderline-SMOTE的AAE集成学习的网络入侵检测模型能够对网络攻击行为有更准确的识别,在实际应用环境中,具有更高效的使用价值。