随着社会性行为的智能化不断加深,互联网迅猛发展,网络安全边界模糊化日益严重,均增加了网络入侵的风险,而网络入侵后造成的损失也将随之不断扩大,网络安全重视程度日益有待提升。近年来,云网端融合计算体系成为新型网络技术发展的热门方向,并且进一步促进了精工艺工业、虚实融合空间等新兴应用的出现,但随着网络为基础、算力为平台、数据为核心的智能网络的深度发展,网络入侵的攻击方式和攻击工具也变得越来越多样化。数据的安全保护和安全流通就成了数字化社会发展的两难问题。其中,数据不均衡更是网络入侵攻击中不可忽视的重要的一环,真实网络攻击中,攻击行为类别上往往很多,但各类攻击行为数量上又极其的少,通常各类攻击数据占总流量数据的比例不到0.1%,更多的攻击数量仅有几个,这就导致了很多入侵检测方法在识别过程中会无法学习到完整的数据特征,甚至将其遗漏,成为“漏网之鱼”。本文内容正是针对这些问题进行研讨,具体工作包括::严格意义上,各类攻击行为的分布规律存在的差异性不一,简单融合后的数据分布情况会随着数据的分散程度导致难以准确拟合。因此,少数类融合的方案存在一定程度上的缺陷。以NSL-KDD数据集为例,原始数据中列出23类行为数据,其中12例均占比少于0.1%,往往网络的安全就取决于少数类能否成功识别防御。基于此,本文提出了基于c GAN的虚假数据注入入侵攻击攻防策略。实验结果可看出,23分类的结果明显好于传统单独基于决策树算法的分类结果,其中少数类12类的宏平均precision、recall、f1-score结果均在93%以上,23分类准确率可达98.65%。传统以全连接层为基础的神经网络在训练过程中由于在具有攻击行为某个特征的广泛区域展开点分布中断往往不能完整学习到数据的局部特征,导致数据最终的特征拟合效果存在健壮性差的问题。基于此,提出了基于深度学习卷积和反卷积网络的生成对抗网络的虚假数据注入入侵攻击攻防策略,AEC-GAN。经验证,提出的AEC-GAN入侵网络攻防策略在局部特征提取上的优势要明显好于传统构架条件对抗网络构架方式的提取结果。对比之下,AEC-GAN生成的样本数据具备的对抗细节更多,更加拟合真实样本,并且分类效果也更加优秀,提升了分类准确性和对稀缺数据的稳健性。该策略对存在各种程度的数据类别及数量分布不均衡的分类问题尤为有效,可以应用于识别网络中存在的虚假数据注入入侵网络问题。