计算机技术的发展带来了可以记录大量信息的各类格式的文件,方便了人们的工作与生活。加密技术泛指保障文件数据安全的技术,内容关联密钥技术相对于传统加密技术具有更强的安全性。云加密系统是基于内容关联密钥技术设计开发的文件加密应用系统,该系统从各种类型的待加密文件中抽取关联文件内容的密钥并上传至密钥服务器,因此该系统的后端要求拥有较高的安全保障能力。以防火墙为代表的传统网络防护技术对新型网络攻击应对乏力,入侵检测作为一种重要的网络安全技术,是防火墙的有力补充。机器学习技术的引入较大地提升了入侵检测系统的效率。由于云加密系统缺乏网络入侵数据,采用NSL-KDD数据集构建了集成学习与深度学习模型,并使用这两种模型作为入侵检测算法,设计并实现了云加密服务的入侵检测系统。在算法研究阶段,首先详细分析了NSL-KDD数据集的特征,删除了冗余特征并压缩了service特征的取值。由于该数据集中R2L与U2R类别的攻击样本量过少,使用Easy Ensemble的方式生成了10个新数据子集,并搭建了基于随机森林和XGBoost的集成学习模型。使用网格搜索对模型的超参数进行寻优。此外还使用Keras深度学习库训练了全连接神经网络模型,并通过添加Batch Normalization层和使用Focal Loss损失函数的方式对全连接神经网络进行了优化。设计的入侵检测系统部署在云加密应用后台服务器上。该系统使用libpcap函数库实现实时抓取网络数据包,将网络流量转化成NSL-KDD数据集的特征格式数据并进行分析,最终在前端页面展示流量数据与分析结果并将信息保存到My SQL数据库,系统会对检测到的入侵行为进行弹窗告警。最后,设计实现的入侵检测系统在生产环境下进行了测试,结果表明该系统达到了预设目标。