1、支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論之上的機(jī)器學(xué)習(xí)方法，它將最大間隔與核函數(shù)理論結(jié)合在一起，有效的解決了長(zhǎng)期困擾機(jī)器學(xué)習(xí)領(lǐng)域的小樣本、高維數(shù)、非線性、過(guò)學(xué)習(xí)和局部最優(yōu)解等難題。
　　 隨著網(wǎng)絡(luò)技術(shù)的發(fā)展和應(yīng)用范圍的擴(kuò)大，人們?cè)絹?lái)越依賴于網(wǎng)絡(luò)進(jìn)行信息處理，信息系統(tǒng)已成為一個(gè)單位、一個(gè)行業(yè)、乃至一個(gè)國(guó)家持續(xù)發(fā)展的基礎(chǔ)設(shè)施，網(wǎng)絡(luò)安全也就成為國(guó)家與國(guó)防安全的重要組成部分。入侵檢測(cè)技術(shù)是一種重要的動(dòng)態(tài)安全防護(hù)技術(shù)，有效的彌補(bǔ)了傳統(tǒng)靜態(tài)防御技術(shù)的

2、不足，已成為信息技術(shù)的一個(gè)重要研究方向。入侵檢測(cè)本質(zhì)上是一種模式識(shí)別問(wèn)題，將支持向量機(jī)應(yīng)用于入侵檢測(cè)，可以提高檢測(cè)性能。
　　 本文在研究入侵檢測(cè)系統(tǒng)和支持向量機(jī)的基礎(chǔ)上，做了以下工作和創(chuàng)新：
　　 1、提出了適合于入侵檢測(cè)數(shù)據(jù)的分步特征選擇算法，首先利用ReliefF 算法刪除不相關(guān)特征，然后利用KNN 算法刪除冗余特征，解決了傳統(tǒng)ReliefF 方法無(wú)法取出冗余特征的問(wèn)題。
　　 2、提出了一種倒轉(zhuǎn)二叉樹(shù)的構(gòu)

3、造方法，一定程度上抑制了傳統(tǒng)構(gòu)造方法中的“誤差積累”問(wèn)題；提出了一種基于特征空間類間分離的分離判據(jù)，能夠更好反映可分離性，具有更好的幾何意義。
　　 3、結(jié)合基于二叉樹(shù)的支持向量機(jī)和模糊支持向量機(jī)的優(yōu)點(diǎn)，在二叉樹(shù)的多類支持向量機(jī)中引入了模糊因子，提出了一種基于二叉樹(shù)的模糊多類支持向量機(jī)入侵檢測(cè)算法；同時(shí)結(jié)合傳統(tǒng)的類中心距離隸屬度函數(shù)和KNN 算法思想，提出一種混合隸屬度函數(shù)，解決了傳統(tǒng)的基于類中心距離隸屬度確定方法中無(wú)法有效區(qū)分