随着网络技术的迅速发展,网络应用日益普及,其安全问题也开始备受关注。根据《2019年上半年网络安全态势报告》,网络攻击数量正呈现逐年上升趋势,企业和教育领域是网络攻击的首要目标。事实上,网络攻击不仅会导致用户信息被窃取,严重时还会损害计算机和工业系统,因此,研究网络攻击检测方法和技术刻不容缓。入侵检测模型通过分析安全日志、网络流量等来检测攻击事件。然而,海量和高维的网络数据使传统的入侵检测模型无法及时精准地对攻击行为作出判断。针对上述问题,本文提出一种基于改进鸡群优化算法(ICSO)与核极限学习机(KELM)的入侵检测模型,使用改进的鸡群优化算法同步处理入侵检测数据集的特征选择和核极限学习机分类器的参数优化问题,力求在保障模型检测性能的基础上减少模型占用的计算资源。本文的主要工作如下:(1)提出了一种改进的鸡群优化算法。考虑到鸡群优化算法在处理维数较高的数据时易陷入局部最优解的缺陷,以加快算法的收敛速率,增强算法跳出局部最优解的能力为目标,对鸡群优化算法进行了以下改进。首先采用混沌序列与反向学习结合的方法初始化种群,得到分布均匀且保有多样性的初始鸡群;然后在母鸡的位置更新公式中引入非线性惯性权重因子,使母鸡向组内公鸡学习的同时向鸡群中适应度值最优的鸡学习;最后在算法早熟收敛时,引入柯西变异赋予算法跳出局部最优解的能力。(2)提出了一种基于ICSO算法的KELM参数与数据集特征同步优化的入侵检测模型(ICSO-KELM)。考虑到特征选择和分类器参数优化的适配问题,以降低数据集特征维度、提升分类器精确率为目标,使用ICSO算法同步处理数据集的特征选择和KELM核参数的优化问题,在搜索最优特征子集的同时寻找KELM的最优核参数。(3)在KDD-CUP99数据集中对ICSO-KELM模型进行了仿真实验,将预处理后的数据使用10-CV方法进行分割,通过优化的KELM对特征选择后的数据样本进行训练检测。实验结果表明,相比PSO-KELM模型、GA-KELM模型和CSO-KELM模型,ICSO-KELM模型获得了更少的特征数和更好的检测准确率;相比SVM、KELM等经典的机器学习算法,ICSO-KELM模型提升了入侵检测的准确率,在一定程度上降低了入侵检测的误报率。