随着互联网的快速发展,网络空间已经成为第五前沿。越来越多的网络攻击行为,给网络空间安全带来巨大挑战。基于各种机器学习方法构建的入侵检测技术已经成为一种重要的动态安全防护手段。模糊最小最大神经网络将模糊逻辑与神经网络相结合,具备较强的自适应学习能力和实时性的优点,但存在检测性能较低的不足,如误报率较高等。而粒子群优化算法能够优化模型的参数,但容易早熟收敛。因此,本文首先研究了改进的粒子群优化算法,然后将其用于优化模糊最小最大神经网络的参数,最后提出模糊最小最大神经网络的入侵检测模型。主要的创新点如下:1.提出基于核主成分分析的粒子群优化算法。粒子群优化算法容易早熟收敛。为了解决这个问题,提出了一种群搜索方向,从整个驱动群中寻找最优解,而不是只考虑个体和社会最优粒子。群搜索方向是通过具有保留全局性质的核主成分分析获得的。然后修改了粒子的速度更新策略。实验结果表明提出的方法能避免早熟收敛,增强全局搜索能力。2.提出重定义的模糊最小最大神经网络模型。经典的模糊最小最大神经网络容易造成来自不同类超盒之间的重叠,影响分类性能。为了提高分类性能,提出了重定义的模糊最小最大神经网络模型。经典模糊最小最大神经网络的基本架构被修改。然后提出了超盒重定义算法重定义超盒的最小最大点。该算法包括三个过程,分别是超盒过滤、超盒优化以及超盒重组。其中,超盒优化过程是通过标准粒子群优化算法或基于核主成分分析的粒子群优化算法实现。重定义的模糊最小最大神经网络模型的学习算法是一个扩展/收缩/重定义的过程。实验结果表明可有效提高模型的分类性能。3.提出模糊最小最大神经网络入侵检测模型。重定义的模糊最小最大神经网络具有良好的分类性能和在线学习能力。因此,提出了模糊最小最大神经网络的入侵检测模型。为了反映当前最新的网络入侵行为模式和确保检测结果具有代表性,本文使用了具有真实现代正常行为与综合攻击行为的UNSW-NB 15入侵检测数据集。实验结果表明提出的模型具有较好的检测效果。