互联网的环境越来越复杂,其安全性早已成为关注点。一个在网络中发生的恶意攻击或异常,往往会给人们带来巨大的损失。在这样一个大背景下,网络入侵异常检测系统(IDS)应运而生。而网络数据的实时性和大规模性给异常检测算法提出了很大的考验,这就要求异常检测算法具有很高的检测效率。数据流挖掘已经成为数据挖掘领域的一个热点问题,而概念漂移是解决数据流挖掘问题的重要手段。本文通过概念漂移方法,对网络数据进行异常检测。工作如下:(1)基于子空间学习的ARLDA概念漂移方法,应用投影方差和投影余弦进行概念漂移判定。这种方法的优点是在对数据进行降维的同时,进行了概念漂移的检测,提高了检测算法运行的效率。该算法在不漂移的情况下,沿用前一个数据流的检测模型。由于网络攻击数据流的不确定性,使得这种策略选择,相对于不漂移算法,具有了一定的随机性。因此本文改进了在不发生漂移时的策略选择,即选取第一个策略的检测模型,提高了检测效果。(2)ARLDA框架在判定已经发生概念漂移后,采用当前数据流的10%作为训练集,对数据流中其他数据进行分类。而在实际生产环境中,必须对当前数据流做出实时判断,更不可能获得10%数据的标签。因此,用于分类的数据模型必须是之前训练的model和映射矩阵。本文提出了基于特征值概念集的概念漂移算法,通过计算特征值向量的距离,在特征值概念集中选取检测模型。在这个算法框架中,数据流会选择特征值最相似的历史数据流的检测模型进行检测,使得模型选取更加有目的性,提高了检测效果。(3)本文在一个视频Web应用中部署Ntopng网络探针获取数据,来进行实际网络环境的实验。与不发生概念漂移的算法相比,基于特征值概念集的概念漂移算法提高了检测效果。