随着网络数据海量扩增,对入侵行为的检测变得更加困难。溯源记录了数据的来源,表征了数据对象之间的依赖关系。将溯源和卷积神经网络结合,并应用于入侵检测,是提高入侵行为检测效果的一个重要手段。但目前该方法不能很好地挖掘溯源信息,且当多用户行为入侵同时发生时无法确定具体入侵行为,导致检测过程时间消耗大、检测率低、误检率高等问题。针对以上问题,提出了基于溯源数据处理优化的入侵检测方法。首先,设计了优化的基于溯源的标签传播方法,以节点重要度决定传播优先级,对用户行为溯源数据按事件进行聚类,更新阈值处理节点数量少的事件,合理分离溯源行为操作。其次,以溯源节点本身状态属性及节点间的依赖关系作为指标衡量节点重要度。为每个事件溯源图选择表达能力强的节点作为中心节点并构建其规范化邻域,用一维卷积方法保留部分邻域的重要特征,减少特征丢失。借助卷积神经网络对数据特征快速学习的强项,以邻域矩阵向量作为卷积神经网络输入,加快检测速度,同时获得更好的检测效果。实验结果表明,和将溯源图与溯源路径相结合的检测方法,基于溯源的实时误用检测算法,以及基于溯源的卷积神经网络入侵检测方法相比,目前该方法最高可降低误检率46.5%,提高检测率2%～50%。