现今时代互联网技术快速发展,为了适应时代的发展速度和方向,计算机网络也在不断的普及和生活化,被广泛用于在服务器与移动设备和桌面之间交换机密数据信息。但是随之而来的安全问题也日益严重。在物联网的研究领域,各个物联网相关的组织、智能家居产品的厂商都提出了各自研究的解决方案。不同的标准和协议带来了智能家居产品多样化,但也因为标准和协议的不统一,带来不少问题。而各大物联网组织、智能家居厂商提出的标准和协议对安全问题普遍不够重视。因此研究具备兼容性和高安全性的智能家居系统具有实际意义和实用价值。本文为了解决上述问题而设计了基于Alljoyn技术的瘦客户端智能家居系统平台。所设计的平台总共由标准客户端,设备系统桥和瘦客户机三个主要部分组成。实验结果表明该系统可以通过标准客户端应用对瘦客户端设备进行发现、访问、配置、生成统一控制界面并控制的操作。之后,针对该智能家居系统平台潜在的网络攻击的安全问题,引入入侵检测方法。首先是分类器的选择。近年来机器学习已经成为网络安全和入侵检测领域的重要部分,也产生了很多算法来解决各种的问题。但是这些算法哪一个会增强会解决智能家居环境的入侵检测系统就成了本文要解决的问题。最终在第四章通过实验对支持向量机(Support Vector Machine,SVM)相较于其他分类器更适用于于智能家居环境进行了佐证。根据所选择出的SVM分类器,在agent技术的基础上提出了一种基于蚁狮优化算法优化SVM的入侵检测模型。首先是蚁狮优化算法对SVM惩罚因子和核函数这两个参数的优化,利用得到的最优惩罚因子和核函数来建立最优的分类模型,以此来达到提高网络入侵检测分类准确率的目的。该入侵检测方法共包括数据的收集以及预处理,优化参数,训练学习等部分。分类器的选择测试和基于蚁狮优化算法优化SVM的入侵检测方法的测试都是在UNSW-NB15网络数据集上进行的。首先,分类器的选择实验是选择了五种分类器进行实验,然后利用五种评价标准进行评估。第四章结果表明SVM相较于其他分类器更适用于智能家居环境。最后,基于蚁狮优化算法优化SVM入侵检测方法与基于粒子群优化算法优化SVM,基于蜻蜓优化算法优化SVM进行了实验对比。根据实验结果总结得出,蚁狮优化算法优化SVM的网络入侵检测方法在降低了误报率的基础上有更高的效率和检测率。