在非平稳环境下,动态数据流分布以不可预见的方式随时间发生改变,这种情况被定义为概念漂移。对存在概念漂移的数据流进行分类时,如果不更新分类器,分类模型的性能会下降。若仅根据经验不断地更新分类器,模型性能不仅得不到显著提升,还会增大不必要的计算量。因此,及时并准确的检测到数据流中的概念漂移位置,并将漂移后的样本进行分类模型的再训练,对提升模型的分类精度至关重要。针对以上问题,本文将异常检测技术与分层结构思想相结合,提出一种简单有效的基于概念漂移检测技术的数据流分类算法,具体研究内容包括以下几点:（1）提出基于孤立森林的双层概念漂移检测算法（IF-DLDD）。该算法包括检测层和验证层两层结构。检测层利用孤立森林技术,将当前窗口中获得的样本异常量与前一窗口中的异常量进行比较,若存在显著差异,验证层则会被激活,并对孤立森林所计算出的样本异常分数进行检验,若发现数据分布发生改变,则准确定位该漂移区域。将该算法应用于含有一定噪声的人工数据集进行实验,数值实验结果表明,该算法适用于多种类型的概念漂移,在大多数数据集上均能够及时检测到漂移。双层检测的结构可以保持较高的概念漂移检测识别率,有效减少漂移的误报,同时验证了算法具有抗噪性。（2）提出基于IF-DLDD的数据流分类算法。对不平稳环境下的数据流进行分类,先利用IF-DLDD明确检测到数据流中存在概念漂移,在新到来的概念数据上重新训练分类器。另外,通过使用粒子群算法实现参数的优化,得到预测精度最佳的分类模型。实验表明,基于IF-DLDD算法的分类模型再训练方法能够适应不断变化的数据流,模型分类性能较好。（3）基于上述两种算法,本文研究了概念漂移与网络攻击检测的相关问题。首先,构造CIC-IDS2017概念漂移数据集,该数据集包括良性攻击和多种恶意攻击类型。然后,利用IF-DLDD进行概念漂移识别,可以较为准确的检测到网络入侵。与没有进行概念漂移检测的分类模型相比,模型分类准确率提高了约45%。以上实验表明,本文所提出的IF-DLDD算法可以有效检测概念漂移,并能根据概念漂移的发生情况及时更新分类器,分类模型相比于初始模型表现出良好的分类性能,本文算法为概念漂移的实用性提供了新的研究思路。