恶意流量检测作为一种可以积极主动防御的技术,可以弥补传统安全技术的局限性。支持向量机作为恶意流量检测中一种常用的机器学习算法,其相关参数不易确定但是却对分类结果造成巨大影响。而引力搜索算法是一种新型智能搜索算法,算法具备优良的性能,但使用传统引力搜索算法寻优时,常常出现局部优化的问题。而提高恶意流量检测的效果,不仅可以通过改善分类器性能,特征选择对恶意流量检测而言也是至关重要的一环。冗余特征的存在不仅会降低分类模型的性能,同时又会大大增加模型的分类时间,因此如何有效地进行特征选择也是现在的研究热点。本文基于这些问题做了如下工作:1.本文对引力搜索算法进行改进,主要针对该算法中引力常量前期快速下降、粒子无群体学习能力等容易造成局部优化的缺点,通过引入Sigmoid函数、粒子群算法思想等手段提升算法的寻优能力。之后利用基准函数对传统算法及相关算法进行测试,结果证明了本文改进算法不仅具有良好的寻优能力同时具备了跳出局部优化的能力。最后利用本文算法通过对支持向量机中相关参数进行寻优构建分类器,利用NSL-KDD数据集进行恶意流量检测,最终实验结果表明经过优化之后分类准确率有效提高8.3%,与对比算法相比提高了3.6%,证明了本文算法有效性。2.本文将决策树与递归特征消除结合构建封装式特征选择,同时利用过滤式特征选择算法提升效率,构建混合特征选择模型。针对正常流量与四种攻击类型组成的数据集进行特征选择得到最优特征子集,然后分别使用决策树分类器以及随机森林分类器构建预测模型,并利用两种模型与未进行特征选择的预测结果进行对比。实验结果显示,使用本文特征选择算法后,使用决策树算法分类时间减少了11.6s,减少至原来所时长的21.9%,过滤式特征选择算法的加入,使特征选择过程的时间减少至原来所用时间的70.5%,而各项指标均有小幅度提升。最后利用本文算法所得结果与相关文献进行对比,结果表明本文算法的合理性,为恶意流量检测相关研究提供了新思路。