随着网络的发展和普及,网络信息安全越来越被人们关注。入侵检测是网络安全不可缺少的技术之一,已成为近年来网络安全技术的新热点。支持向量机(Support Vector Machine, SVM)是基于统计学理论的机器学习方法,它能较好地解决小样本、非线性、高维数等实际问题。因此,将SVM应用于入侵检测中,可以获得较好的检测性能。论文对基于SVM的入侵检测方法进行了研究。为了设计出具有良好学习能力和推广能力的SVM入侵检测分类器,针对入侵检测中SVM参数选择问题,讨论了SVM参数对其分类性能的影响以及基于SVM的入侵检测分类器的设计准则,提出一种入侵检测中递推式支持向量机参数选择的方法。该方法首先确定参数区间,再寻找特定数据空间中惩罚因子和核参数的变化对分类性能的不同影响,分别使用不同的规则选择这两个参数。将该方法应用于入侵检测数据集KDDcup99中,与传统的基于SVM的入侵检测方法相比该方法具有较高的检测率且训练模型的时间大大缩短。论文还提出在入侵检测中使用贝叶斯推断准则来选择SVM分类器参数的方法。该方法用贝叶斯推断准则解释SVM分类器的训练,并在贝叶斯框架下通过最大化参数分布的后验概率进行SVM参数的选择,能有效缩短入侵检测分类模型建立的时间。将该方法应用于数据集KDD cup99中,在小样本数据情况下仍具有较高的检测率,且训练模型的时间大大缩短。