随着对网络安全的不断重视,人们已将网络入侵检测作为维护网络安全的主要技术之一,也是保护计算基础设施免受恶意攻击的重要对策。入侵检测系统是一种软件或者硬件组件,用于监控计算机系统并分析其中发生的事件以发现入侵迹象。目前常用的入侵检测技术包括:基于模型的技术、基于机器学习的技术、基于数据挖掘的技术等。其中基于机器学习的入侵检测技术是当前的研究热点,但当前网络攻击流量比较多,数据采集是比较困难的,因此针对每种异常流量都去重新训练模型是具有挑战的。本文提出了一种新思路,将哈希学习技术应用于网络入侵检测领域,并且与KNN分类算法结合,用来解决当前入侵检测方法需要耗费大量的资源和计算能力来训练分类器,以及需要重复训练分类器来检测未知类别的攻击等问题。本文主要工作有以下两个方面:(1)提出一种基于哈希学习的入侵检测框架,该框架由在线实时数据采集,网络数据预处理,哈希编码,异常检测分类,检测结果输出等模块组成,并基于NSL-KDD入侵数据集来评估入侵检测方法的检测效果,同时与直接使用KNN入侵检测分类实验进行对比分析。(2)为了继续提升本文方法的时间性能,提出一种优化方案,即结合用于汉明空间快速精确查找的多索引哈希来加速入侵检测的速率,其分类时间仅仅是直接采用KNN分类算法进行入侵检测的四百分之一。另外,为了继续提升检测效果,提出两种优化方案,第一种优化方案引入了基于数据分布比例的分类模块,解决了算法由于正常和异常流量数据分布不平衡导致检测效果不太好的问题;第二种优化方案则引入了基于分布式训练的多RBA哈希编码模块,通过结合分布式训练的思想避免单点故障,性能瓶颈等问题,抵消对整个训练集进行集中式训练的随机性,同时提升了检测效果和整个入侵检测系统的稳定性。本文的验证实验都是基于NSL-KDD入侵数据集来评估入侵检测方法的检测效果,实验结果表明,本文提出的基于哈希学习的入侵检测方法是一种有效的网络入侵检测方法,且通过优化后,该方法能获得更好的性能。