随着信息时代的来临,互联网(Internet)一直朝着规模更广、速度更快的方向不断发展。计算机网络为整个人类社会带来了空前的改变,它影响着人们工作、娱乐和生活的方方面面。如今,全球化的互联网络已经渗透到政治、经济和文化等各个领域,为各个行业和阶层提供可靠而便捷的服务。然而,网络这把“双刃剑”在为人类创造福利的同时也在潜藏着网络安全隐患。这些隐患能够造成隐私泄密、财产损失、政治威胁和社会动荡等重大危害。因此,网络安全问题的研究与进展已经形成全球化的关注热点。根据目前网络安全技术的发展状况,本文对网络入侵检测技术展开研究,通过总结和分析前人的科研成果,针对入侵检测技术尚存的问题,采用引入数据挖掘算法——朴素贝叶斯(NB)的技术思路,提出了“基于信息树加权朴素贝叶斯(ITWNB)算法的入侵检测模型”,该模型是对目前入侵检测技术的扩展和改进,其技术创新点和工作内容如下:(1)通过分析传统NB算法的缺点,本文提出了基于决策树理论的“信息树策略(ITS)”,通过加权的思想来放松了NB模型“条件独立性假设”的限制,从而改进了NB算法的分类性能。(2)提出了“属性修正函数(AFF)”来不断的修正构建“信息树”的误分类样本集合,通过修改最大后验概率的决策倾向进一步提升了NB算法的分类准确率。(3)在上述改进后的NB算法基础之上,建立了改进的入侵检测模型——基于信息树加权朴素贝叶斯(ITWNB)算法的入侵检测模型,并结合了“半监督学习(SSL)”的数据训练模式,提升了入侵检测效率。最后,采用KDD’99入侵检测数据集中的10%的子集作为数据源对本文提出的入侵检测模型进行仿真实验测试,通过得出的实验数据结果可验证本模型在入侵检测方面的可行性,以及相对于其它Bayes算法模型所表现出的高效性和稳定性。