目的：探讨 5G 网络在工业互联网与远程医疗等行业的应用场景，因架构复杂、终端多样、业务开放面临的架构、 终端接入、数据传输、业务应用四类安全威胁，以及传统入侵检测方法（特征码检测、异常行为检测、协议分析）存在检 测准确率低、实时性差、泛化能力弱的问题，构建响应 5G 网络安全挑战的入侵检测体系。方法：深入审视 5G 网络技术的 特性及其潜在的安全挑战，指明传统方法的局限；再构建含数据采集、预处理、特征提取、深度学习检测、响应处置的系 统架构，采用 CNN-LSTM-AE 模型实现多特征的整合，结合 HDFS 分布式存储、Spark 分布式计算及数据采样等实时性 优化技术提升性能；对 UNSW-NB15 和 CSE-CIC-IDS2018 数据集进行分析，从准确率、实时性、泛化能力维度与传统及 单一深度学习模型对比。结果：该系统在 UNSW-NB15 数据集准确率达 98.2%，CSE-CIC-IDS2018 数据集达 97.5%；该 检测的平均时延值介于 0.8 到 1.2 毫秒，跨数据集准确率下降仅 1.8-2.3 个百分点，整体表现略胜一筹于对比模型，结论： 该系统在 5G 网络安全威胁面前展现强大应对力，为 5G 网络安全稳定运行提供技术支撑。