随着信息时代的蓬勃发展,不仅使互联网的网络结构日趋复杂,而且网络传输的信息量也越来越多,随之而来的各种安全威胁,对社会稳定和经济发展带来了不同程度的损害。入侵检测技术能够在网络攻击造成广泛的破坏前检测到攻击行为,从而为防御策略的制定提供重要依据,减小了网络入侵的破坏。为提高网络入侵检测的有效性和分类性能,本文就入侵检测的研究现状为起点,对入侵检测中因庞大的数据特征数量而造成的数据冗余问题以及因SVM分类模型中参数选取不当而造成分类性能低下的问题进行研究。其主要研究工作如下。(1)提出一种改进二进制鲸鱼优化(IBWOA)算法。在求解数据特征维度较高的寻优问题时,鲸鱼优化算法存在收敛速度慢以及容易陷入局部最优的缺点。本文通过对鲸鱼优化算法中收敛因子的改进和更新机制中融入粒子群策略的方式,提出一种IBWOA算法来改善它的收敛速度和跳出局部最优的能力。(2)基于IBWOA算法的入侵检测特征选择方法。为了减少网络入侵检测时因数据集维度较高、数据量较大所造成的特征冗余问题,需要对数据集进行特征选择来降低冗余特征。本文采用IBWOA算法的入侵检测特征选择方法,来提取数据集中贡献度大的特征,删除冗余特征,以提高网络入侵检测的有效性。(3)基于IBWOA算法优化SVM的入侵检测方法。为了提高网络入侵检测的分类准确率,需要对SVM的参数进行优化以寻求最优的惩罚因子和核参数,建立最优的分类模型。本文就SVM参数优化问题采用IBWOA算法对其进行实验,以此来提高入侵检测的分类准确率。基于本文提出的IBWOA算法的特征选择方法和SVM参数优化方法,将采用多个UCI和KDD CUP 99数据集进行测试,并与遗传算法、粒子群算法、鲸鱼优化算法进行对比实验。实验结果表明,基于IBWOA算法的入侵检测特征选择方法能够选择较少的特征子集且准确率偏高,基于IBWOA算法优化SVM的入侵检测方法同样能够取得较好的分类性能。