入侵检测作为网络安全领域一项重要的安全防护技术,不仅能够发现外部攻击,而且也能检测内部用户的未授权活动,在网络安全领域发挥着重要的作用。随着计算机和数据存储技术的发展,网络中传输的数据量数以亿计,这对入侵检测技术处理海量数据的能力和检测时间提出了更高的要求。在机器学习的很多实际应用领域中,带有正确标记的样本都是有限且很难获得的,而收集大量未标记样本却相当容易。如何利用大量未标记样本辅助少量的标记样本改善学习效果是机器学习领域面临的主要问题之一。半监督学习可以利用有限的标记样本和大量未标记样本改善学习机的性能,目前已成为机器学习领域的研究焦点之一。本文提出了一种基于半监督学习的SVM-KNN分类算法。由于在SVM的分类过程中,只有支持向量对最终求得的分类超平面有影响,而与非支持向量无关,因此将支持向量加入到原始训练集中,有助于提高分类效果。首先利用现有的少量标记数据,训练出一个弱分类器SVM。然后用KNN作为辅助分类器,从大量未标记样本中挑选出部分对分类起关键作用的样本,将之融入到训练集中,不仅保留了未标记数据中的有用信息,而且删除了大量冗余样本。最后在新的训练集上重新训练SVM,不断修正分类边界,结果提高了分类器的分类精度,缩短了训练时间。将本文的算法应用于入侵检测,在KDD99数据集上进行实验,结果表明本文提出的算法不仅提高了检测精度,而且缩短了检测时间。针对入侵检测数据高维数的特点,利用单个最优特征组合的改进算法,通过对数据降维,选择对分类有贡献的特征,进一步优化本文的算法,使其在入侵检测中的应用效果得以改善,实验验证了该算法的有效性。