沈少禹，蔡满春，芦天亮，赵 琪

中国人民公安大学 信息技术与网络安全学院，北京100035

近年，随着互联网周边产业的兴起，“互联网+”模式将互联网与传统行业进行了结合，正在不断地改变人们的生活方式。同时，随着智能设备以及移动设备不断更新、功能更加丰富，越来越多的移动设备也都接入了互联网，使得当前网络的信息量急剧增加，随之增加的信息安全隐患也给人们造成了许多危害。入侵检测系统（IDS）是一种主动的防御计算手段，对于网络的安全能够起到有效的保护作用[1]，而基于机器学习的入侵检测方法由于可以根据已有的数据建立模型，对入侵行为进行监测和预警，而成为了保护网络安全的主要方法。

DUAN等人提出了基于SVM主动学习的算法[2]，加强了对少数样本的学习能力并减少了训练时间。王旭仁等人提出了基于信息增益和主成分分析（PCA）的检测方法，去除样本的冗余特征实现降维，提高了准确率的同时降低了检测时间[3]。文献[4]结合K-means算法与PCA算法实现了在缩短检测时间和增强实时性的同时保持高准确率。徐凌伟等人基于BP神经网络提出了一种移动物理层安全性能智能预测方法，缩短了检测时间[5]。然而，网络数据中存在着的特征冗余和属性非线性相关等问题，仍然对入侵检测的效率产生较大的影响。

核主成分分析算法（KPCA）[6]是PCA[7]算法的一种非线性扩展。KPCA算法的主要思想将非线性的数据从低维空间通过核函数映射投影到高维空间上[8]，使得数据在高维空间上成为线性可分的，之后再用主成分分析算法的方法处理数据。……