入侵检测对于网络安全至关重要,作为一种主动安全技术保障网络安全。但随着互联网的不断发展,传统手段往往无法满足日益增长的新需求,如很难发现潜在的新的网络攻击、难以阻止来自内部的网络攻击等,面对庞大的实时网络数据流量检测需求更是捉襟见肘。随着各类机器学习算法引入到入侵检测系统的构建中,入侵检测系统取得了长足进步,但不平衡或易混淆的训练样本、网络流量的实时性检测问题往往导致传统入侵检测算法表现不佳。为此,本文针对入侵检测中不平衡数据集学习效率不佳的问题进行了研究,提出一种基于小样本纠错的混合入侵检测分类模型。主要包括以下内容:1)针对入侵检测领域对网络流量检测的时间效率问题,本文基于正交投影分类算法构建入侵检测模型。该方法将多维分类问题转换成二维矩阵组的统计学习问题,相较于传统机器学习算法,在保证较高分类精度的同时提高了运行效率,缩短了建模时间,实现了对网络流量检测的高效处理。2)针对入侵检测等领域中样本不平衡的问题,本文模型结合随机过采样及错分纠错策略,提高了分类模型在不平衡数据集中对小样本的学习效率。错分纠错策略一方面平衡了不同类别的训练样本,使其处于同一数量级,降低分类类别数大造成的算法过拟合;另一方面,将特征不够单一的攻击类别分离后,提升了其特征的特异性。3)提出一种基于小样本纠错的混合入侵检测分类模型,该模型在正交投影分类算法的研究基础上,结合装袋算法(Bagging)及错分纠错策略,实现入侵检测。在模型的构建中,首先通过正交投影降维分类算法,使用入侵检测数据集的训练集构建第一层的初筛分类器,将待测样本粗分;然后基于支持向量机(Support Vector Machine,SVM)及随机森林(Random Forest,RF)算法构造第二层和第三层的级联分类器组,每层逐步纠错前面层并细分;最后归并分类结果。集成算法的引入有效提升了模型的泛化能力,提高了对未知攻击类型的检测能力。基于入侵检测开源数据集NSL-KDD的实验验证了本文模型的有效性。实验结果表明,本文的方法显著提高了部分小样本的学习效率,与其他算法进行比较,本文检测方法对小样本的准确率及整体准确率均具有不同程度的提高。