随着计算机网络的广泛发展,入侵检测技术开始越来越多地受到人们的重视。将免疫理论与入侵检测相结合,即合法用户、合法授权的行为视为自体,病毒、黑客入侵等行为视为非自体。因此可以将免疫技术应用在入侵检测系统中。近年来,免疫入侵检测作为一种高效的入侵检测技术,已经成为现代网络安全研究热点。本文介绍免疫入侵检测的国内外的研究现状,通过研究分析国内外对形态空间、检测器生成、免疫入侵检测模型等存在的问题,同时阐述了免疫入侵检测的一种新的形态空间-邻域形态空间。利用邻域否定选择算法来生成训练检测器过程中,发现匹配自体样本时,易造成算法耗时。同时针对上述问题进行分析,对邻域否定选择算法和聚类方法进行深入研究,并将二者结合起来,提出一种基于聚类的邻域检测器生成算法。将自体样本映射到构建好的邻域空间中,对其进行聚类,同时随机检测器进行耐受,训练出成熟的邻域检测器。该算法缩短生成检测器的时间,同时对高重叠等问题进行处理。针对现有检测器模型中形态空间的缺陷,如适应性差、模型运行速率慢、高重叠率等问题,分别设计出邻域检测器模块、邻域记忆检测器模块和自体样本模块等为主的邻域免疫入侵检测模型,同时该模型具有更好地适应环境、更迅速地生成检测器、更高检测率等优良特性。实验结果表明,基于聚类的邻域检测器生成算法算法能减少计算量,节省时间,提高效率,同时该模型具有很好的自适应性,较高的检测率等特点。