边缘计算模式通过在网络边缘侧对终端设备产生的数据进行存储和运算,减少了数据发生端与云端的交互,相对于云计算模式能进行更快的服务响应。但是边缘计算特殊的网络结构使得边缘设备附近的边缘网络节点面临诸多的入侵威胁,边缘网络节点一旦被攻陷,将不再提供优质高效的服务,甚至会危害到其他用户的信息安全,因此有必要及时的检测出存在于边缘网络节点的入侵行为。但是在边缘计算环境中进行入侵检测会面临一些困难。首先,边缘网络节点的计算和存储资源相对不足,其资源受限的特点导致传统的入侵检测模型不适用于边缘计算环境。其次,由于边缘网络节点中接入的网络连接数据的动态性,不同时刻网络连接数据之间的分布可能会发生变化而出现概念漂移的现象,会导致已经训练好的入侵检测模型检测性能下降,难以继续有效的检测入侵。为了解决以上问题,本文结合极限学习机相关理论,提出适用于边缘网络节点的入侵检测模型和算法。文章的主要贡献及创新工作如下:（1）针对具有资源受限特点的边缘网络节点中的入侵检测问题,提出改进的组合核极限学习机入侵检测模型。该模型利用核极限学习机轻量级的特点,并结合高斯核和Sigmoid核构造了组合核函数来替换核极限学习机中的单核核函数,增强其分类性能。然后对差分进化算法的控制参数进行自适应调整,并使用该算法对组合核极限学习机进行优化,进一步提高其检测能力。最后使用优化后的组合核极限学习机来训练入侵检测模型,该模型将被集成到入侵检测系统中然后部署到边缘网络节点来执行入侵检测。实验结果表明,经过优化后的组合核极限学习机入侵检测模型能有效的检测出网络入侵。（2）针对边缘网络节点的网络连接数据中因存在概念漂移现象而引发的入侵检测模型检测性能下降问题,提出基于概念漂移检测的入侵检测增量学习算法。该算法首先通过度量数据间的分布差异来判断概念漂移的发生与否。然后提出基于合成少数类的分层递减过采样策略来处理概念漂移数据样本较少而引发的样本不均衡问题。最后利用在线序列极限学习机的顺序学习阶段,学习概念漂移数据的信息来更新入侵检测模型的输出权重,使得更新后的入侵检测模型能适应再次出现的概念漂移。实验结果表明,经过更新后的入侵检测模型相比更新之前在检测性能上有了一定的提升。（3）结合上述提出的模型和算法设计并实现了边缘计算入侵检测系统。通过搭建边缘计算环境,将入侵检测模型及相关算法集成到入侵检测系统中然后部署到边缘网络节点执行入侵检测,并将相关的检测信息经过统计后汇总到前台页面中进行展示。