支持向量机是自上世纪90年代提出的一种基于统计学习理论的机器学习算法,与传统的统计学研究样本产生的规律或样本数目趋于无穷大时的暂进性能不同,它更注重研究样本本身所提供的信息,其解决问题的核心思想是利用核函数把样本空间的问题映射到特征空间中去解决。作为结构风险最小化准则的具体实现,支持向量机方法具有全局最优、结构简单、推广能力强等优点。
　　入侵检测实质上就是一个模式识别问题,利用支持向量机进行建模,不仅可以解决在建立入侵检测模型时因无法收集所有入侵样本而导致模型推广性能差的问题,而且可以提高入侵检测检测率,降低漏报率和误报率,提高入侵检测系统的实用性。本文详细研究了支持向量机理论和入侵检测理论,在此基础上做了如下工作:
　　(1)将支持向量机用于检测,需要支持向量具有很快的训练速度,为了提高它的训练速度,一种可行的办法就是删减训练样本,减少训练数据的规模。本文提出了aσ?SV M,并将该算法对训练数据进行删减,实验表明该算法在保证正确率的同时,大大的减少了训练时间。
　　(2)在中心距离比的基础上提出了TSDM-SVM算法,通过该算法对数据样本进行抽样,从而加快训练的速度,并将该算法成功的应用到入侵检测中。