随着计算机技术和分布式计算的快速发展,云计算作为一种成熟的技术被广泛应用于生活的各个领域。云计算强大的资源存储能力和计算能力为个人和企业带来了极大的便利,但也吸引了更多的黑客。黑客的攻击会对云计算平台的安全性和可用性造成损害,同时也会损害云计算平台用户的利益,因此,加强云计算平台的安全防护,确保用户数据不被窃取或恶意破坏,成为当下的研究重点。目前有许多保障云计算平台安全的手段,其中入侵检测技术备受关注,现有的入侵检测技术已有较好的检测效果,但还存在一些不足。针对现有入侵检测技术存在的不足,本文提出了一种结合过采样与机器学习的入侵检测方法。主要工作如下:（1）分析了入侵检测技术及云计算的特点,并研究了云计算环境中存在的攻击方式及云计算环境对安全的需求。（2）针对现有入侵检测技术对少数类攻击检测效果差以及人工对云计算环境中复杂数据进行特征工程难度大等问题,提出G＿CXGBoost入侵检测方法。该方法采用生成式对抗网络对少数类样本过采样,增加少数类样本的数量,使得样本相对平衡,从数据层面解决样本不均衡给分类算法造成的不良影响,采用卷积神经网络对高维数据进行特征提取,将卷积神经网络的输出作为XGBoost的输入,进而输出检测结果。使用NSL-KDD数据集对提出的方法进行了实验,实验结果表明,本文提出的G＿CXGBoost入侵检测方法对少数类攻击有很好的检测效果。（3）针对现有入侵检测技术对云计算环境中海量数据检测时效性差的问题,本文设计了一个分布式检测模型,该模型将入侵检测方法与Map Reduce编程模型相结合,实现检测方法的并行化,通过在Hadoop平台上的实验证明,并行化的检测方法能够对云计算环境中海量的数据进行实时的检测,保障云计算环境的安全。