互联网日益普及,网络攻击的种类和数量随之快速增长,此时入侵检测系统应运而生。它的实现原理是将已捕获的网络数据特征与数据库中的数据特征进行匹配。因此,选择适合比对的特征子集至关重要,而特征选择实质是一个组合优化问题,群智能算法则是解决该类问题的有效工具。众多群智能算法中,烟花算法因具备便捷性、并行性、多样性等优良特性更适用于解决特征冗余的问题。本文结合烟花算法和特征选择方法的特点,提出一种新的特征选择方法——FSMIFWA。首先,基于烟花算法提出一种改进算法。该算法针对初始烟花分布不均匀的问题,提出初始烟花分散技术,使得烟花初始化位置均匀覆盖解空间。针对选择策略计算过程较复杂的问题,提出迭代烟花适应度值筛选技术,降低时间复杂度的同时,避免选择寻优能力相似且劣质的火花,从而达到有效的提升烟花算法寻找最优解的能力和搜索效率的目的。其次,将上述改进算法与特征选择问题相映射,提出本文特征选择方法,该方法给出编码解码的过程,使其可涵盖所有的特征子集,且计算开销小,容易理解、实现简单。最后,构建一种基于FSMIFWA的入侵检测模型,即保留了改进烟花算法快速寻优的能力,又降低了特征维度,减少了入侵检测浪费在冗余特征上的时间,进而保证网络中数据的安全。为了验证本文提出的特征选择方法在入侵检测系统中的效果,采用KDD CUP 99和NSL-KDD数据集来进行实验测试。实验证明,与基于传统烟花算法、改进蚁群算法所构建的典型入侵检测模型相对比,本文所提的特征选择方法可以有效降低特征维度,提高检测速度及准确率,能更好地分析网络数据特征,具有一定的稳定性和可用性。