现今互联网发展迅速,尤其是进入了大数据和云计算时代,人们对于网络安全的需求日益增加。而技术革新日新月异,网络入侵手段呈现出隐蔽性,静默性的特点。所以建立一个有效的网络入侵防御机制刻不容缓。现今一些主流的网络入侵检测模型都是基于模式识别、机器学习的思想所建立的,但是随着数据量级的增加,使得入侵检测的效率越来越低下,效果越来越差,海量的数据对这些入侵检测模型提出了挑战。而且随着数据维度的急剧增加,冗余的数据信息数量也会急剧上升,这些无关的信息可能会极大降低分类算法的效果,使分类时间成本增加,造成“维数灾难”以及“过拟合”问题。特征选择是解决这种问题的一种有效手段,它通过统计学方法或者智能算法提出冗余的特征,寻找能够使分类任务效果有较大提升的特征子集,从而减少算法时间成本,提高分类性能。因此,开展入侵检测系统的特征选择方法研究具有重要的研究与应用价值。本文所做的工作包括:对传统智能算法的低效,收敛性,以及以落入局部最优解的问题,查阅了有关文献之后,选用了最近提出的智能算法:灰狼优化算法作为特征选择算法,并用于入侵检测系统中。该算法在每次迭代开始时,先确定本次迭代中的最优解,然后通过对本次迭代中所有备选解对其进行逼近来更新解空间,从而达到逼近全局最优解,相比于其他传统的智能算法,该算法具有较好的收敛性的以及开发性针对传统二元化灰狼算法的停滞性问题,本文提出了一个基于距离贪心策略的灰狼优化算法,该算法抛弃了传统的阈值二元化的思想,将二元化的标准放在每一个解本身的优劣性上,提高了算法效果的上限。本文在讨论了若干个特征选择方法后,分别针对GWO提出一种比较有效的特征选择方法:距离贪心策略的灰狼优化算法(DGSBGWO),选择网络入侵数据集为KDDCUP1999,将特征选择方法用于入侵检测中,并把检测效果的好坏以及特征选择数目作为衡量指标,并进行了大量实验。实验表明,运用距离贪心策略的灰狼优化算法,在不同的分类器上,稳定性以及检测效果都优于传统的智能算法。