随着网络商务和网络计算技术的发展,对计算机整个系统的安全性提出了更多更高的要求,特别是针对计算机系统的入侵,必须能够及时和有效的检测处理和防范.为此,人们在过去的几年中提出了大量的入侵检测方案、方式和方法,采用了各种各样的技术.然而当前大量的入侵呈现出一种小样本的攻击,它们的特征难以获得,这就导致了入侵检测系统的整体性能不佳,在一定程度上不能应对当前入侵.同时,这些入侵检测系统不具有智能和自学习功能,不能满足应对当前的小样本未知入侵的自动学习和检测,进而导致了入侵检测系统的推广性比较差.支持向量机是一种建立在统计学习理论基础之上的机器学习方法,其最大的特点是根据Vapnik结构风险最小化原则,尽量提高学习机的泛化能力,即由有限的训练集样本得到小的误差仍然能够保证对独立的测试集保持小的误差.另外,由于支持向量算法是一个凸优化问题,所以局部最优解一定是全局最优解.这是其他学习算法所不及的.将支持向量机应用到入侵检测中,可以保证在先验知识不足的情况下,支持向量机分类器仍有较好的分类正确率,从而使得整个入侵检测系统(Intrusion Detection System)具有较好的检测性能.因此,本文提出了将支持向量机应用到入侵检测系统中,以获得最佳的入侵检测效果.本论文对支持向量机和入侵检测系统进行了深入研究,讨论了基于支持向量机的入侵检测系统,阐述了基于支持向量机的入侵检测系统的整体结构和入侵检测的数据处理方式,并在此基础上,进行MATLAB实验环境下的基于支持向量机的入侵检测实验,分析了实验的结果以及产生结果的原因.