入侵检测技术主要通过对网络中的信息进行检查和分析,来判断是否有违背计算机安全的行为,因此入侵检测成为当前研究网络安全方面的重要课题。在众多的入侵检测方法中,将入侵检测技术和机器学习方法相结合来检测入侵行为是可行的,使用支持向量机对基于主机和网络的数据进行处理,能够有效的提高入侵检测的准确率和可扩展性。本文在考虑到入侵检测数据存在大量冗余特征以及检测准确率不高等缺陷,以提高入侵检测分类准确率为目标,主要从结合智能优化算法的特征选择方法,分类器参数优化以及入侵检测模型的构建等几个方面进行深入研究。本文的主要工作内容如下:(1)提出一种改进的象群优化(IEHO)算法。由于基本的象群优化(EHO)算法在用于维数较高的数据集优化问题时,全局收敛性差且易陷入局部最优,分类精度也不高,在应用于入侵检测领域时会严重限制算法的分类性能,降低入侵检测的准确率。本文通过引入Levy飞行策略和融合粒子群搜索策略,提出了一种改进的象群优化算法,以此提高象群算法的全局搜索能力和收敛性能。(2)基于Spark并行化的IEHO算法的入侵检测特征选择。由于入侵检测数据包含大规模、高维度的数据,这些高维数据不仅会造成维数灾难,也会降低检测的精度,使分类时间变长。因此本文将提出的IEHO算法应用到入侵检测特征选择中,并且基于Spark分布式框架将IEHO算法并行化处理,使用IEHO算法对入侵检测数据集进行特征选择,提高入侵检测的分类准确率以及分类效率。(3)基于IEHO算法的支持向量机参数优化(IEHO-SVM)方法。入侵检测实质是一个分类问题,入侵数据集维数和分类器的参数都会对入侵检测的分类结果产生影响,因此本文使用IEHO算法优化SVM的参数,以提高其的分类能力,进而提高入侵检测的分类准确率。最后,在基于改进算法的特征选择和参数优化的基础上,本文构建了一种新的基于IEHO-SVM方法的入侵检测模型,并将该模型与其它算法构建的入侵检测模型进行性能比较,表明基于IEHO-SVM算法的入侵检测模型准确率更高,误报率更低。