随着计算机网络应用的普及和网上商务活动的日益频繁,计算机系统的安全问题越来越突出。入侵检测系统(Intrusion Detection System,IDS)是信息安全体系结构的重要一环。计算机安全问题的日益突出,对入侵检测系统提出了更高的要求。然而,传统的入侵检测系统在有效性、适应性和可扩展性方面都存在不足。针对这些不足,本文将从数据处理的角度,用数据挖掘的方法根据海量审计数据建立描述入侵行为的模型。通过归纳学习得到分类规则,并以此作为描述入侵行为的工具。本文首先对入侵检测技术的背景进行了简要的说明和归类。然后论述了数据挖掘知识及数据挖掘在入侵检测中的应用。将主要研究方向定在入侵检测分类模型的构建上,使用数据挖掘技术开发一套自动化、系统化的构建入侵检测模型的方法。重点论述的是在入侵检测领域广泛应用的分类算法——决策树分类算法。给出了加快计算速度的方法,并提出了用多子集分层的决策树算法来建立分类模型,该算法主要是结合分层和决策的思想构建的。同时还研究特征属性的选取对分类效果的影响。在 KDD99 提供的实验数据上,经过预处理、特征属性选取,使用本文提出的多子集分层的决策树算法建立分类模型,得到各类入侵行为的决策树和分类规则。证明了该分类模型具有较好的分类效果。