随着互联网技术和产业的不断发展，如何保障网络接入设备的安全已经成为一个重要的议题。入侵检测系统可以很好地区分网络连接中的正常和异常行为，是保障网络安全的一个重要手段。然而现在的网络入侵方式往往使用多种机制来伪装攻击并逃避检测，这对入侵检测系统提出了新的挑战。
　　虽然有许多来自机器学习和模式识别领域的监督和无监督学习算法已经被用于提高入侵检测系统的效率，但是它们还是存在一些问题。无监督学习的算法不需要大量的已标记数据，然而其检测的效果不佳。监督学习算法的检测效果要优于无监督学习，但是监督学习的算法需要使用足够的标记的样本来训练分类器，要获取足够的训练标记样本耗时耗力。监督学习的另一个问题是在现实的网络中，异常的网络连接行为发生的频次必然会远小于正常的网络连接请求，这就导致了已标记的样本中异常类别的数据稀少，所以即使获得了足够的标记样本，也可能因为异常类别的样本量稀少而导致算法模型检测效果不佳。
　　小样本学习是机器学习的一种特例，它旨在仅使用少量有限的样本进行学习并达到一个好的学习效果。为了解决网络检测中样本难以获得和异常样本量不足的问题，将小样本学习算法思想应用到入侵检测系统中。本文使用基于度量学习的小样本学习模型，在NSL-KDD和UNSW-NB15入侵检测数据集上验证了模型的检测效果。
　　同时为了提高最终算法模型的检测效果，本文将人脸识别中的损失函数应用到算法模型中，实验结果表明，和其他算法模型相比，基于小样本学习的算法模型使用最少的数据，但是检测效果超过了别的算法的检测准确度和检测率。