随着信息技术快速发展,网络技术应用越来越普及,宽带接入网进入了信息化高速发展阶段。社交通讯、电子商务和电子邮件等网络形式的应用丰富便利了人类生活的同时,接入网络信息安全也逐渐成为当今社会最突出的问题之一。入侵检测方法由于其独特优势,已经成为信息安全中不可缺失的技术手段。然而,接入网络汇集点数据量大、业务类型多且内容复杂,传统入侵检测系统大多基于规则或事件检测方式,不仅精度低或速度慢,对规则或事件的依赖性强,已经无法满足现有接入网络安全的需求。近年,智能机器学习技术及其应用逐渐完善,尤其是支持向量数据描述(SVDD),在处理大数据量、高维度、非线性的单分类问题上取得较好效果。然而,SVDD算法的研究时间短,理论研究还处于起步阶段,且接入网入侵检测的目标样本特征分布不均衡,基于SVDD入侵检测接入网存在预测准确度明显偏向多类的不足。针对上述问题,本文提出了一种基于SVDD的密度峰值聚类算法(DDPC-SVDD),该算法基本思想是通过SVDD结合改进密度峰值聚类算法(DDPC),将松散的数据集用若干个紧凑的子簇分界面来进行数据描述。虽然传统的密度峰值聚类算法可划分出若干凸型类簇,但是经验选取截断距离(dc)值可能导致聚类效果不稳定。因此,本文引入适应于带噪点数据集的聚类衡量指标——调整的轮廓系数(ASIL)。通过选取不同dc值计算ASIL以衡量聚类指标,实现最优dc值下最佳聚类效果。聚类后的各子簇再经过SVDD生成相应的分类器,本文采用自适应变异粒子群算法(PSO)解决SVDD参数寻优问题。DDPC-SVDD无需事先设定聚类个数k值,且应用到接入网入侵检测模型训练中可实现全自动化操作过程。通过实验及仿真研究表明:本文提出ASIL指标能够准确评价聚类效果,并且采用该指标指导寻优的DDPC算法,其准确度明显高于其他的聚类算法。本文提出的DDPC-SVDD算法不仅在标准的UCI数据集上表现很好的分类效果,而且在样本不均匀的Kdd Cpu 1999数据集(经典的入侵样本数据集)上取得满意的结果。