针对K-means算法全局搜索能力的不足，提出了基于模拟谐振子的优化K-means聚类算法（SHO-KM），该算法克服了K-means聚类算法对初始聚类中心选择敏感问题，能够获得全局最优的聚类划分。为了提高聚类划分质量，在聚类过程中采用基于Fisher分值的属性加权的实体之间距离计算方法，使用属性加权距离计算方法进行聚类划分时，无论是球形数据还是椭球形数据都能够获得较好的聚类划分结果。对KDD-99数据集的仿真实验结果表明，该算法在入侵检测中获得了理想的检测率和误报率。