随着互联网的迅速发展和网络环境的日趋复杂,新的攻击方法层出不穷,单纯的防火墙策略己经无法满足当前的需要,网络的防卫必须采用一种纵深的、多样的手段。在这种需求背景下,入侵检测系统应运而生,成为保证网络安全的第二道大门。但传统的入侵检测系统仍存在一些缺陷,如在检测率和误报率等方面还不尽人意。本文致力于对基于数据预处理的入侵检测系统的研究,即在常规入侵检测系统的基础上,加入预处理子系统。通过巧妙设计,使数据预处理子系统和入侵检测子系统相互配合工作,从而将异常检测技术与误用检测技术有机结合,使二者能够发挥各自的优势,最终达到使入侵检测系统进一步提高检测率,降低误报率的目的。为此,主要做了以下几方面的工作:1.对入侵检测技术相关理论进行综合概述。包括对入侵检测技术的概述,对常见入侵检测算法的对比、分析,对常见模式匹配算的对比、分析。通过对以上基础理论的研究分析,得出一些有用结论。2.提出基于数据预处理的入侵检测系统模型的新设计方案。通过对模型进行巧妙设计,使数据预处理子系统和入侵检测子系统相互配合工作,从而达到将异常检测技术与误用检测技术有机结合的目的。3.提出赋权TCM-KNN算法。一方面,新定义的奇异值使不属于正常样本的奇异值远远大于在该正常类中样本的奇异值,因而它能充分地将非正常数据与正常数据进行隔离。另一方面,在K值的确定过程中,针对不同类别分别采用赋权取整的方法来确定K值,进一步提高了算法的精确度。4.对Snort系统的预处理器和检测引擎进行改进,使其适用于本模型。经过改进的Snort系统,将预处理子系统聚类分析过的数据,分别送入相应知识库,对各类数据分别进行误用检测。