随着网络的广泛应用,网络安全问题越来越重要。网络攻击方法层出不穷,入侵手段也不断更新,使得目前的防火墙等被动的网络安全机制对许多攻击难以检测。入侵检测作为一种主动防御技术,弥补了传统安全技术的不足。其主要通过监控网络与系统的状态、用户行为以及系统的使用情况,来检测系统用户的越权使用以及入侵者利用安全缺陷对系统进行入侵的企图,并对入侵采取相应的措施。入侵检测系统智能性研究是目前网络安全领域的研究热点,为了提高系统的性能,包括降低误报率和漏报率,缩短反应时间等,提出一种基于核密度的朴素贝叶斯入侵检测模型。同时利用对称不确定性属性选择方法来对数据进行预处理,以降低审计数据的复杂度,去除噪声数据,从而缩短检测时间,提高检测精度。尽管朴素贝叶斯的分类器有个很简单的假定,但从现实数据中的实验反复地表明它可以与决定树和神经网络分类算法相媲美。在本文中,我们研究朴素贝叶斯分类算法和对称不确定性预处理方法,用来检测入侵审计数据,旨在开发一种更有效的,检验更加准确的算法。本文研究主要内容如下：(1)对基于信息不对称的属性选择方法进行分析和研究,比较与其他方法在相同的搜索环境下的性能差异。(2)介绍贝叶斯的优缺点,利用核密度估计代替高斯函数,通过实验对数据包的流量特征进行定性的分析,比较不同方法下对数据包的流量特征的识别差异。