网络入侵检测作为一种可以防止、监督和抵抗系统入侵行为的安全机制,与其它防御性安全手段相比,具备实时性、动态性和智能性等特点。特征选择或降维的相关研究一直是入侵检测领域的热点之一,因为那些与被检测对象不相关的或冗余的特征可能含有噪声数据,会影响预测的效率和准确性。本论文通过详细地分析和比较几种特征选择算法,论证了Attribute Ratio(AR)在算法实现和优化效果等方面都表现更为优异。设计了三个采用AR优化的入侵检测模型,分别是K-Means聚类和随机森林相结合的模型、高斯混合聚类和随机森林相结合的模型以及按攻击类型分类的随机森林模型。详细地阐述了三个模型的组织结构和所涉及主要算法的原理及实现。深入研究了NSL-KDD数据集的结构和统计特性,并根据其特点进行了数据预处理和标准化。搭建了基于Python、Scikit-learn和PySpark等的仿真环境,完成了三个模型的仿真实验。实验结果表明三个基于AR优化的入侵检测模型在各个评价指标上都表现出较好的效果,相互之间性能差异很小。对交叉检验数据的检测,总体预测性能最优的是高斯混合和随机森林相结合的模型。对测试数据的检测,预测性能最优的是K-Means和随机森林相结合的模型。