在计算机网络和信息技术飞速发展的时代,互联网技术早已贯穿于人们的生活工作中,成为社会生活不可或缺的一部分。虽然这些网络技术的应用带给人们生活便利,但是也带来了许多安全问题,例如,木马、勒索病毒、系统漏洞等,黑客或不法人员利用这些安全问题,给国家、企业和个人造成了严重的经济损失。随着互联网的飞速发展,类似防火墙等传统的安全防护措施难以支撑网络的安全要求,入侵检测技术应运而生,它是一种主动的防御技术,是防火墙技术、访问控制技术、信息加密技术等安全保护之后的一种有效的安全防护技术,为网络安全带来更多保障手段。传统的入侵检测技术存在检测率低下,误报率和漏报率高的缺点,不能满足现在的网络安全需要。近年来,机器学习技术开始应用在入侵检测领域,成为前沿研究的热点。本文主要对机器学习在入侵检测中的应用进行了研究,提出基于优化最小二乘支持向量机的入侵检测技术。入侵检测技术主要分两部分研究,一部分:研究数据的处理降维;一部分:研究入侵检测分类算法,提高识别正常数据和恶意攻击数据的准确率。本文针对这两部分进行了相关研究。本文的主要工作如下:1.对已有数据研究分析,选择了基于KDD CUP99的改进版数据集NSL-KDD数据集,此数据集中的训练集删除了冗余记录,测试集剔除了重复记录,训练集和测试集对其记录数据类型进行了合理的设置。2.针对数据维度高的问题,进行有关特征降维的研究。特征降维主要分为两种方法:特征选择和特征提取。本文提出一种混用的数据降维方法,即将特征选择和特征提取混合使用。首先,进行特征选择:利用信息增益方法和ReliefF方法对数据集的特征重要程度分别进行降序排列,其中重要参数的特征是比较靠前的,分别利用相同的分类算法作为评价函数选择彼此最优的特征子集集合,然后按照“求同存异”保存两个特征子集集合为一个集合;然后,进行特征提取,特征提取利用主成分分析方法,对特征子集集合再次降维;最后,将得到的新特征子集作为入侵检测的数据集。3.支持向量机是一种寻找最优超平面的算法,基于结构风险最小化原则,对于高维、非线性、小样本的入侵检测具有明显优势,以支持向量机为研究基础,有研究人员提出最小二乘支持向量机,最小二乘支持向量机是对支持向量机的一种改进优化,此方法可以解决凸二次规划问题,具有较强的泛化能力,可以降低计算的复杂程度,并且可以加快求解速度。本文将最小二乘支持向量机应用到入侵检测分类中。4.针对最小二乘支持向量机参数无法有效确定,基本依靠经验去确定,本文对此引入了蚁群算法,针对传统蚁群算法容易陷入局部最优和收敛速度慢等问题,对蚁群算法进行了优化改进,建立了基于蚁群优化的最小二乘支持向量机融合算法,利用蚁群算法寻找最优路径的能力,对最小二乘支持向量机参数进行寻优。通过实验,证明提出的融合算法有比较好的检测性能。