随着互联网产业的快速发展,无论是日常生活还是工作办公,网络已经成为人们生活中不可缺少的一部分,通过网络连接使用电子设备的同时,随处潜伏着的网络攻击也在伺机破坏着网络的安全,从而影响到人们的生活。越来越多的网络攻击事件防不胜防,保护和维护网络空间安全已经成为当今亟待解决的重要问题。网络入侵检测作为保障网络安全的重要手段之一,在网络安全领域起着举足轻重的作用,其中网络恶意流量识别作为网络入侵检测的重要环节,也是不容忽视的。因此,如何在海量的网络流量数据中快速且准确的识别出恶意流量是维护网络空间安全的重中之重。此外,机器学习在网络恶意流量识别上也取得了一些不错的成绩,但是大多数识别方法都是基于监督学习进行的,随着越来越多未知网络攻击的出现,对这些攻击流量进行标注也是不现实的。因此,半监督学习这种用少量标注样本和大量未标注样本的方式受到了越来越多学者的关注。本文即是在原有半监督网络恶意流量识别的基础上,进一步开展了以下的研究:1.提出一种基于半监督阶梯网络的恶意流量识别方法。首先,用随机森林算法对网络流量的统计特征进行特征重要性排序,选择最优的前20个特征;然后,对有标注流量和无标注流量进行数据预处理后输入到阶梯网络中训练模型,将参数最优化;最后用验证集在训练好的模型上进行评估实验,依据精准率、召回率和F1值三个指标对半监督阶梯网络和有监督卷积神经网络两种算法进行对比评价。2.提出一种基于半监督多视图协同训练的网络恶意流量识别方法,能够使用大量的未标注数据协同训练分类模型,以提升分类模型的泛化能力。使用同一数据集的原始字节流特征和网络流统计特征构建两种特征视图,以协同训练的模式训练分类模型。其中,协同训练使用的特征视图一由堆叠自编码器再编码自动提取最优的中间特征构建,特征视图二由基于随机森林的特征选择算法选择最优的特征子集构建。实验中,分别使用CIC-IDS2017和USTC-TFC2016两个公开数据集进行模型训练和测试。实验结果表明,提出的两种半监督深度学习网络恶意流量识别方法,不仅能够在只有少量标注样本和大量未标注样本的条件下对恶意流量有良好的识别效果,而且在特征方面,使用堆叠自动编码器对网络流量数据的特征进行了无监督的特征提取,通过编码再解码的方式输出更有效的高级特征,提高了对网络恶意流量的识别性能。