为了解决真实互联网环境下所面临的网络入侵、网络威胁等实际场景下的各种安全问题，利用机器学习、深度学习等人工智能技术准确地检测网络环境中由网络入侵行为所产生的恶意网络流量，从而提升网络空间安全。开发的基于人工智能的网络入侵检测系统主要包括注册、登录、模型管理、流量预处理、入侵检测、实时入侵监测、攻击态势分析等模块。此外，系统中还集成了团队多年来提出的多个创新性的模型和方法，主要包括：（1）通过分析恶意流量的特点，创新性地构建了基于自编码器及主成分分析的最优特征表示方法，提升对网络流量特征的提取效率；（2）通过获取网络流量的正反双向语义信息，创新性地提出了基于双向时序卷积神经网络的网络入侵检测模型，并采用特征融合技术将提取到的语义信息进行集成以进一步提升模型的检测效果；（3）使用Tshark提取网络流量的PCAP文件信息，根据提取到的信息创新性地建立关联流和图结构，并利用图卷积神经网络开展更准确的入侵检测。基于人工智能的网络入侵检测系统的开发和应用，将进一步促进网络安全领域中网路入侵检测理论与技术的发展，达到维护网络安全、防御网络入侵的目的。

    基于人工智能的网络入侵检测系统可以广泛应用于网络安全、国防等领域，以及政府和企事业单位等层面，能够对网络中出现的恶意攻击行为进行准确的检测，有效维护网络空间安全。