随着计算机网络的普及,网络安全问题也越来越受到人们的重视,入侵检测作为对传统安全机制的补充,也得到了越来越多的研究。随着网络攻击方式日趋多样,越来越多的智能技术被引入入侵检测系统。协同训练是半监督学习中的一种重要方法,但将其应用到入侵检测中的研究还很少。本文对目前所采用的入侵检测技术和半监督学习中的各种方法进行了研究和分析,将半监督学习中的协同训练算法应用到入侵检测中,提出了基于协同训练的入侵检测模型。首先,系统地介绍了当前入侵检测的现状,分析了当前入侵检测中存在的问题及局限,并展望了今后的发展趋势;然后系统地介绍了集成学习算法及半监督分类方法;接着对协同训练方法进行了深入的研究,包括协同训练原理、标准协同训练流程、协同训练中两个重要的算法Tri-training和Co-Forest。最后利用KDD99数据集对基于协同训练的入侵检测方法进行了仿真实验,实验将检测率和误报率作为评估算法性能的标准。实验结果表明,基于协同训练的入侵检测方法能够在标记数据比较少的情况下取得较高的检测率和较低的误报率。同时该方法还可以减少对标记数据的依赖,并能充分利用大量的未标记数据,对真实的环境也具有较高的应用价值。