随着计算机技术与网络数据通信技术的快速发展,特别是Internet技术的日益广泛深入的应用,网络的安全性问题日益凸现。入侵检测技术是近20年来出现的一种主动保护系统、免受黑客攻击的新型网络安全技术。入侵检测技术发展到今天已经取得了较大的进展,但仍存在高误检率和漏检率以及速度瓶颈的问题。基于监督学习的入侵检测算法要求将数据正确地标记为正常或异常,检测率较高,误报率较低,但无法检测到未知攻击。在现实网络中,存在大量的未标记数据,要正确地标记这些数据,几乎是很难做到的。基于非监督学习方法应用到入侵检测中,能够检测未知攻击,检测率较高,但误报率也较高。半监督学习通过标记数据和未标记数据的联合概率分布,来改进分类器的性能,是机器学习领域中的一个研究热点。基于半监督聚类算法利用少量的标记数据,生成用于初始化算法的种子聚类,然后辅助聚类过程,检测已知和未知攻击。近几年来随着机器学习在数据分析和数据挖掘中的广泛应用,半监督学习的理论研究成果已经部分应用于实际问题的解决。本文针对基于聚类的入侵检测算法误报率高的问题,提出了一种改进的基于半监督聚类的入侵检测算法ASCID(Active-learning Semi-supervised Clustering Intrusion Detection),在半监督聚类过程中应用了主动学习策略,主动查询网络中未标记数据与标记数据的约束关系,利用少量的标记数据生成正确的样本模型来指导大量的未标记数据聚类,对聚类后仍未能标记的数据采用改进的K-近邻法进一步确定未标记数据的类型,并实现对新攻击类型的检测。采用KDD’99数据集对所提出的算法进行仿真,实验结果表明ASCID算法提高了检测率,降低误报率,证实了该算法是可行的,有效的。