随着网络技术的飞速发展，网络安全问题也越来越突出，传统的入侵检测技术已经很难应付各种复杂的网络攻击。免疫系统具有的自适应、自组织和分布性正是传统的入侵检测技术所期望的特性。因此，基于免疫的入侵检测技术已经引起了越来越多的专家学者的关注。入侵检测系统经常要面对大量的大规模的数据，免疫入侵检测系统也不例外。免疫入侵检测中用来完成检测功能的组件主要是检测器，它的性能直接影响检测的效果，而实值检测器在处理高维数据时表现的效果较差。针对这个问题，本文将文本分类研究中的信息增益理论引入到的免疫入侵检测中。首先，通过对高维空间中维数灾难问题的分析，总结了实值检测器在高维空间中性能较差的主要原因。高维空间中实值检测器的检测范围小而且分布不均匀，本文采用了信息增益的属性选择来控制检测器/自体集的维度，使形态空间保持在一个合理的维度内。其次，针对实值检测器处理高维数据性能较差的问题，本文提出了基于信息增益的检测器生成算法，通过选取信息增益大的属性组合成新的特征空间，并在新的特征空间中训练生成检测器，使得检测器可以在低维空间中对高维数据进行异常检测。最后，通过离线数据集Kddcup99验证了本文提出的基于信息增益的检测器生成算法的有效性。