本论文将统计学习理论引入入侵检测领域，讨论了基于SVM方法的智能检测 策略，检测算法具有良好的推广能力.引入HVDM距离代替范数，改进了SVM的 RBF核函数定义，使之能够直接处理异构的网络连接信息 利用有保证的估计方法 来确定训练数据集规模，避免了依靠实验选择训练规模的盲目性 针对重复样本 和重要样本提出了样本加权的思路，降低了错分样本的可能 考虑到网络连接记 录的不同属性对检测结果贡献不一的事实，提出了特征选择与

本论文将统计学习理论引入入侵检测领域，讨论了基于SVM方法的智能检测 策略，检测算法具有良好的推广能力.引入HVDM距离代替范数，改进了SVM的 RBF核函数定义，使之能够直接处理异构的网络连接信息 利用有保证的估计方法 来确定训练数据集规模，避免了依靠实验选择训练规模的盲目性 针对重复样本 和重要样本提出了样本加权的思路，降低了错分样本的可能 考虑到网络连接记 录的不同属性对检测结果贡献不一的事实，提出了特征选择与

该方法通过计算核空间距离从而来对样本进行特征选择。(The method is used to select the features of the samples by calculating the distance of the nuclear space.)