保护好计算机网络信息系统,构建可靠的信息安全防护体系,已成为信息社会的重要课题。近年来,将机器学习的方法应用到入侵检测技术研究中受到越来越多的关注。基于机器学习的入侵检测方法提高了系统的检测效率同时,降低了系统的误报率和漏报率。在机器学习算法中,贝叶斯分类方法在处理样本数据集时有着自身的优势,原理简单、训练过程较快、处理得到的结果直观且易于解释和理解。但是,当处理高维度数据样本时,过多的属性实际上影响了分类器的训练过程,此外还使分类训练时间过长,性能较差。本文研究将贝叶斯算法与粗糙集属性约简算法相融合应用于入侵检测方法中,以期在提高属性约简速度的同时,提高准确率和分类效率。主要工作内容如下:本文研究给出一种改进的属性约简算法。算法的基本思路是,属性重要度由属性依赖度来定义,只要能加速属性依赖度的计算,那么可提高属性约简速度。给出一种改进的快速的属性依赖度计算算法,在此基础上,设计实现一种快速属性约简算法;设计实现基于改进依赖度计算计算属性重要度的并行算法,进而给出一种快速的基于粗糙集属性重要度的贝叶斯分类入侵检测算法。该算法可以对高维数据进行降维,删除冗余特征,提高了入侵检测的准确度,同时提高算法速度和检测效率。基于KDDCUP99数据集(约490万条记录)进行3组实验对比。实验表明贝叶斯分类方法在对检测响应速度要求高的场景下优于SVM分类器与KNN分类器。通过十折、五折、三折交叉验证法测试表明,本文改进的贝叶斯分类器从准确率到运行时间均优于传统朴素贝叶斯分类器。实验表明本文改进的基于属性重要度的入侵检测算法的准确率高于其他3种基于属性约简方案的入侵检测算法。