随着互联网的飞速发展,计算机网络以其快速开放式、自由任意传播信息的特点给人们带来了极大的便利,与此同时用户在共享资源时却不得不面对隐私保护问题,尤其是近几年电子商务和电子政务等应用的推广,使得网络安全成为各大公司和研究机构关注的重点。谈到网络安全,公众首先想到的就是防火墙、访问控制等技术。然而这些技术具有一定的局限性,主要缺点是不能良好地防御来自网络内部的攻击,实际上几乎一半的严重攻击和入侵都来自内部用户。入侵检测技术为了弥补这一缺陷被提了出来,其逐渐成为网络主动安全防御的重要组成部分。传统的入侵检测系统(Intrusion Detection System,IDS)普遍存在性能不足、效率底下等问题,选择合适的算法、设计高效率的入侵检测模型,已成为网络安全领域研究的热点。针对以上入侵检测方法中存在的问题,本文首先提出了一种基于改进烟花算法的SVM特征选择和参数优化的模型。支持向量机(Support Vector Machine,SVM)是通过寻求结构风险最小化来实现实际风险最小化的机器学习算法,其目标是追求在有限信息的条件下得到最优结果。它通过构建非线性映射模型,有效地解决了高维度、非线性及小样本问题。但是其模型参数(如惩罚因子、核函数参数)和特征选择对分类性能有着很大的影响,且很多研究都是从特征选择算法或SVM参数优化的单一角度出发以提高分类性能的,却没有考虑到特征子集与支持向量机之间的内在联系,从一定程度上限制了检测效果的提升。本文结合特征选择问题的0-1特性,利用改进的二进制烟花算法对特征数据集和SVM参数进行组合寻优,将特征集及SVM参数看作是二进制烟花算法中的烟花个体进行组合编码,通过组合优化策略,确保了在选取尽可能少的特征数目的同时提高了分类准确率。最后在通过UCI数据仿真实验验证上述算法有效性的基础上,本文重新构建了一种基于改进烟花算法和SVM相融合的入侵检测模型。在构建入侵检测模型过程中,本文在数据预处理阶段通过数值化和归一化操作有效地处理了KDD99样本中存在一些离散、连续型和字符串型数据。之后利用检测率、误报率和相关系数作为模型性能的评估标准,将本文提出的模型分别与仅优化SVM参数、联合优化特征子集与支持向量机参数和分步优化特征子集与支持向量机参数三种相似的网络入侵检测模型进行了性能对比,结果表明提出的入侵检测模型具有更好的检测性能和良好的学习能力。