入侵检测系统是维护网络数据安全的重要防御机制,通过入侵检测技术识别网络攻击行为,给出警告可以提高网络的安全。但是,高维数据中大量的冗余信息直接降低了系统的实效性,同时,数据缺失造成特征提取不完全,使得系统出现较高的误检率,而直接删除缺失数据可能会降低检测性能,并导致数据存在近似偏差。除此之外,不平衡和偏斜的数据样本分布是入侵检测算法中的通用问题,这些分布偏斜和过时的数据集会对算法的性能造成严重影响,导致算法难以检测到未知的攻击类型,降低入侵检测系统的检测的准确性。入侵检测系统如何快速判别并准确检测新的攻击成为当前的研究重点。针对入侵检测中恶意网络攻击数据的高维性和复杂性,为了自动提取完整的数据特征,提高入侵检测系统识别未知网络攻击的分类精度,我们提出一种对称代价约束算法（Symmetric and Cost Constraint Algorithm,SCCA）。该算法主要由三个部分组成,首先,在预处理阶段,使用对称约束方法改进低秩矩阵分解的矩阵补全模型,主要对分解后的矩阵因子用共同的对称矩阵加权,结合块坐标下降和交替最小二乘法优化方法获得数据补全矩阵。通过预处理快速补全具有缺失的数据,使算法提取到更完整的特征信息。其次,在特征提取阶段,对攻击类别分开进行平衡采样,提高少数类数据的特征学习。并基于栈式稀疏自编码器（Stacked Sparse Autoencoder,SSAE）构建入侵检测模型,通过训练隐藏层神经网络自动为分类模型提取相关特征。最后,在分类检测阶段,根据样本分布生成的代价矩阵约束目标函数,并利用反向传播微调神经网络模型参数,训练算法的分类精度和函数损失。通过样本的分类结果惩罚数据的错误分类,可以减少少数类攻击的误报率,提高检测未知攻击的精度。为了验证算法的有效性,使用模仿现实网络流量变化的UNSW-NB15数据集进行仿真分析。首先对预处理数据补全的误差进行分析,验证了SCCA算法在数据缺失情况下,是否具有可靠的攻击识别精度。其次,对比了算法特征提取的重要性,并分别对不同攻击数据的特征进行评估,分析数据特征对入侵检测准确率的影响。接着将所提SCCA算法与CSDE算法、FAE算法和STL-HDL算法的检测精度进行对比分析,采用准确率（Accuracy）、召回率（Recall）、精度（Precision）、F-score值和误报率（FAR）等指标进行验证。同时利用多分类混淆矩阵分析算法对类不平衡数据的检测性能。最后对算法的时间复杂度进行综合评估,探究算法检测攻击的速度。仿真结果表明,在面对缺失和类不平衡数据时,SCCA算法在入侵检测精度和收敛性方面有更好的提升,可更快速准确的检测攻击,有效提高系统性能。