随着信息技术的快速发展,网络安全曰益成为信息社会人们所面临的一个挑战性难题,入侵检测系统的研究和实现随之成为计算机研究和应用领域的重要课题。数据挖掘技术可以对海量数据进行自动高效的分析处理,并能从中挖掘出潜在的规律、规则、模式等知识,已被引入到入侵检测研究领域中。分类技术作为一种有效的数据挖掘方法,在基于数据挖掘的入侵检测中得到广泛应用。由于入侵检测数据集存在类分布不均衡的问题,传统分类方法应用到入侵检测中存在不足,需要引入新的策略来解决类分布不均衡的数据集分类问题。C4.5算法分类原理简单易懂,很容易被理解和接受,具有简单有效的特点。特别在不均衡数据集分类问题上,经典的C4.5算法似乎已成为比较的基准。本文分析了入侵检测训练集的特点和当前不均衡数据集的分类方法,提出了基于欠抽样处理器和C4.5算法的二级分类器CCBCE。欠抽样处理器采用聚类算法GCA和K近邻算法对训练集中大类进行欠抽样,旨在更加准确地去除大类中的边界、噪声和冗余样本,降低训练集的不均衡程度,同时采用Adaboost算法,以C4.5作为基分类器,构造集成分类器C4.5BCE进行二次分类,避免了大类在欠抽样时丢失有用分类信息,从而提高了整体的分类性能。将本文提出的二级分类器CCBCE在UCI学习库中的入侵检测数据集KDDCUP99 DATA的实验结果与经典的C4.5算法以及基于欠抽样处理器的C4.5算法的实验结果进行了分析比较。另外,针对集成分类器C4.5BCE,采用不同的集成规模进行了实验,并对实验结果进行了分析。发现随着集成规模的增加,分类检测性能不断得到增强,当集成分类器中个体分类器数目达到一定数量后,集成分类器的性能趋于稳定。