随着云计算技术的长足发展和广泛应用,出现了许多云服务平台,各大云服务平台的用户数量也成爆炸性增长。但随之而来的一系列有关云计算的安全事件层出不穷,例如云服务平台遭宕机和用户信息数据被窃取等。相比于传统的计算机系统,云服务平台受到入侵攻击的影响更大,范围更广。因此,如何更好地保障云服务平台的安全,已成为当前网络安全领域备受关注的焦点。基于此,本文主要做了以下研究工作:(1)本文从入侵检测方向入手,通过详细地研究云计算的特性,提出了一种适用于云环境下的新型入侵检测系统模型,用于检测发生在云服务集群网络中的入侵行为,为企业的云服务产品提供安全保障。(2)又由于传统入侵检测算法存在高漏报率、高误报率等问题,本文在分析云计算和支持向量机特点的基础上,将支持向量机算法引入到入侵检测系统模型中,并在CIDF基础上构造出了一种基于支持向量机的入侵检测框架模型,用于检测非法入侵行为。(3)支持向量机算法性能的好坏很大程度上依赖于参数的选取,但是由于支持向量机待调节的参数有很多,依靠人工手动调节效率低下,故无法保障云环境下系统的安全。因此,本文根据粒子群算法搜索效率高、易收敛、算法简单等优点,决定采用粒子群算法来对支持向量机的惩罚系数和多项式系数进行优化。本文针对标准粒子群算法和惯性权重线性递减的粒子群算法存在容易过早收敛以及搜索精度不高等缺点,又提出了一种新型的改进粒子群算法。该算法通过采用非线性时变的惯性权重和学习因子调整策略,很好地平衡了粒子群算法在迭代过程中的全局搜索能力和局部搜索能力。由实验测试结果可知,本文提出的改进粒子群算法成功地突破了局部最优值,并且得到了较好的最优解,证明了本方案的可行性和有效性。(4)最后,本文分别采用网格搜索算法、标准粒子群算法、惯性权重线性递减的粒子群算法和改进粒子群算法用于SVM参数搜索。由实验结果对比可知,本文所提出的改进粒子群算法的分类精度和所需训练时间都要优于其他优化算法,使得入侵检测模型对正常进程和异常进程的识别精度提高了 1.8个百分点,所需检测时间则减少了 53%。因此,采用本文所提出的改进粒子群算法用于SVM参数搜索更符合云环境下入侵检测系统的要求。