入侵检测技术是网络安全的一个重要环节,无论是哪种网络安全的需求,发现当前网络中出现的入侵行为是十分重要的,这些是制定实施安全策略的前提,因此高效的入侵检测技术是必不可少的。通过入侵检测技术,可以对入侵的行为进行关联分析,进而分析攻击者的入侵意图,进行推理发现潜在的攻击。因此,高效的入侵检测技术不仅可以为制定有效的防御措施提供可靠依据,还赢得了宝贵的时间。随着互联网的飞速发展,网络规模不断扩大,传统的入侵检测技术已不能满足正确率及检测效率的需求。因此,在数据量快速增长的网络环境中,入侵检测技术的智能化具有重要的意义。为了提高入侵检测的正确率,降低误报率和漏报率以及提高检测效率,本文从特征分析技术和支持向量机技术方面,对入侵检测技术方面进行了研究,建立新型的智能入侵检测模型。把提出的分类模型算法应用到入侵检测领域,并详细介绍该分类模型算法在入侵检测中的具体应用,实现对入侵检测分类模型的仿真实现。本文主要进行了以下几个方面的工作:1.对网络入侵检测中出现的问题进行了分析,并对本文研究内容的国内外发展历程、研究成果及研究动态进行了综述;2.对本文应用到的相关的理论知识进行了概述,包括支持向量机、特征选取方法、支持向量机参数优化等理论,为后续工作进行了铺垫;3.针对现有入侵检测技术的缺点,提出了基于人工蜂群算法和支持向量机相结合的优化算法。分析人工蜂群算法的收敛性问题,采用人工蜂群算法对样本数据进行特征选取,设计新的蜜源个体和适应度函数的选取,将人工蜂群算法和支持向量机的分类模型进行联合优化,在进行特征选择选出特征子集的同时,优化支持向量机的参数。该优化算法所建立的分类模型,在保证分类正确率的同时,也提高了检测的效率。4.将提出的人工蜂群算法和支持向量机的优化算法应用到入侵检测领域。对入侵检测系统进行简单介绍,建立基于该算法的入侵检测分类模型,对这个分类模型进行仿真实现。5.对建立的入侵检测分类模型进行实验测试,并进行性能上的分析对比,对该模型进行评价。