互联网技术高速发展给人们的生产和生活带来了极大的便利,人们在充分享受网络带来的方便同时也不能忽略网络安全问题。如今,单纯依靠传统的网络安全技术已经很难满足现有网络情况的要求。基于人工免疫的入侵检测系统,作为一种具有主动防御功能的网络安全防护手段,已经越来越受到专家学者的关注。本文以基于人工免疫的入侵检测系统的核心算法否定选择算法为研究对象,围绕实值否定算法的性能改进,深入研究实值否定选择算法。基于人工免疫的入侵检测系统的检测功能是由其中的检测器来完成的。实值表示的检测器在训练阶段和检测阶段需要提取网络数据包中的各维数据属性,这些属性构成了这个数据包的属性向量。抽取出来的属性向量的所有分量并非都是非常有用的,需要对这些属性特征进行选取。针对这个问题,本文提出了基于人工免疫的入侵检测系统属性选取算法,将信息论的熵理论运用到属性特征选取中来。信息熵可以用来描述随机变量信息含量的大小,将信息熵理论应用在实值检测器的属性特征选择中,便能够找到含有最多信息的特征,并成为一种性能良好的全局测度。实验表明,这种方法由于提高了属性选取的效率而使得基于人工免疫的入侵检测系统的检测性能得到提高。实值检测器在高维形态空间中的检测效率低下,为了提高实值检测器在高维形态空间的检测效率,可以采用降低形态空间的维数的方法。针对这个问题,本文提出了基于熵值加权的实值否定选择算法。此算法通过信息含量判断每个属性对形态空间的重要程度,选取其中信息含量大的特征重新构建形态空间,完成形态空间由高维向低维的转化。另外传统亲和力计算方法采用的是平方欧式距离,这种计算方法是不合理的。本章提出的算法采用的匹配规则是加权欧式距离,根据每个属性在计算亲和力时的重要程度的不同赋予不同的权值,属性权值选自根据自体样本集合计算出来的相应属性的熵值,这样计算的亲和力更加精确。实验表明,与原始的实值否定算法相比,基于熵值加权的实值否定选择算法提高了检测器在高维形态空间中的性能,弥补了原始的实值否定算法在高维形态空间中的缺陷。