支持向量机等人工智能算法具有适用范围广、识别准确率高等优点,因此被广泛应用于垃圾邮件过滤、入侵检测、恶意代码识别等网络安全应用中。同时,它们也具有明显的局限性。由于智能算法大多基于“内容”的方法建立样本,这使得系统在不可信的环境下很容易受到攻击。攻击者可以向训练样本中注入有毒样本,从而降低系统识别的正确率；攻击者也可以伪装恶意样本,从而躲过智能系统的识别。课题以提高支持向量机对“注入攻击”和“伪装攻击”攻击的抵御能力,建立非可信环境下的智能系统为目标,从鲁棒的支持向量机变型算法和攻击支持向量机策略分析两个角度展开研究。在前人的基础上,主要做了以下工作并获得了一些成果：1.分析了攻击者“注入攻击”的最优算法,提出了一种基于贪婪法的连续攻击策略。另一方面,提出了抵抗“注入攻击”的自滤式支持向量机变型。变型算法被规约成半正定规划的凸优化形式。实验表明,新算法能有效检测并滤除注入的有毒样本,提高了对正常样本的识别准确率。2.提出了两种抵抗“伪装攻击”的鲁棒支持向量机变型。算法基于二次锥规划与线性规划的凸优化形式。实验表明,新算法能有效提高系统对伪装攻击的鲁棒性。3.特征提取在基于人工智能的安全系统中具有重要地位,文章提出了一种基于半监督典型相关性分析的特征提取算法。该算法特别适合应用于网络安全等数据规模较大的场合；4.文章设计了专用的集成电路模块分别加速支持向量机与主成分分析这两种典型的智能算法。