本發(fā)明公開了一種基于噪聲網(wǎng)絡(luò)與強(qiáng)化學(xué)習(xí)的入侵檢測方法，通過向網(wǎng)絡(luò)頂端的全連接層加入高斯噪聲的方式在網(wǎng)絡(luò)訓(xùn)練過程中引入不確定性，以促使系統(tǒng)學(xué)習(xí)如何應(yīng)對復(fù)雜多樣的網(wǎng)絡(luò)攻擊，提高系統(tǒng)的入侵檢測能力。首先對入侵檢測系統(tǒng)的環(huán)境進(jìn)行建模，并利用強(qiáng)化學(xué)習(xí)算法來進(jìn)行入侵檢測，再通過使用Noisy DQN算法向系統(tǒng)中加入不確定性因素，并采用累積獎賞的策略對系統(tǒng)進(jìn)行評估，以獲得具有最大獎勵(lì)的最優(yōu)策略。本發(fā)明提出了一種新穎的基于強(qiáng)化學(xué)習(xí)的入侵檢測方法：Noisy DQN，同Q?Learning等方法相比，Noisy DQN進(jìn)一步解決了在大流量網(wǎng)絡(luò)報(bào)文檢測時(shí)算法收斂過慢的問題，并在訓(xùn)練過程中引入不確定性因素以提升系統(tǒng)對不確定性攻擊的檢測能力。