入侵检测技术作为一种保护方法对计算机网络安全起着重要的作用,将数据挖掘技术引入到入侵检测中,能够增强入侵检测系统对海量数据的处理能力,并使得入侵检测系统具有可扩展和自学习能力。首先,本文介绍了入侵检测的研究背景和发展历程,以及入侵检测系统的概念、原理,并且对不同的入侵检测方法进行了比较。指出了目前入侵检测系统还存在的问题,展望了入侵检测技术的发展方向。然后本文研究了k-means算法,它是一种数据驱动的聚类算法,且具有贪婪机制,在聚类时它能够加速大型数据集的收敛,基于这些特点本文采用k-means思想来实现聚类。针对网络连接记录既有数值类型属性又有符号类型属性的特点,提出了改进的k-means聚类算法对其进行聚类。但是改进的k-means算法仍然需要人为确定聚类数目k,为了弥补由于k值的人为指定而可能造成的检测效率低下的缺陷,本文在每个聚类的数据集上建立一棵属于该聚类的C4.5决策树,用聚类的标记与从决策树中抽取的规则分别检测是否存在入侵,随后结合两种检测结果最终确定是否存在入侵。最后,构建了一个基于聚类与决策树的入侵检测模型,设计并实现了数据收集模块、训练模块、检测模块。实验表明,本文提出的算法和入侵检测模型能够有效降低误报率,提高检测率。