随着Internet在全世界范围内的迅速发展,计算机网络的安全问题越来越成为人们关注的热点问题。入侵检测(Intrusion Detection)作为一门新兴的安全技术,逐渐发展成为保障网络系统安全的关键技术。但目前入侵检测系统普遍存在检测性能低,误检率高等问题;同时,网络系统结构日益复杂,分布式环境的广泛应用,海量存储和高带宽的传输技术的应用以及新的攻击方法的不断出现尤其是一些互相协作的入侵行为不断出现,也给入侵检测领域的研究带来新的课题。本文通过网络连接信息的数据来判别的网络攻击类型检测和异常发现,重点分析基于随机森林算法的网络入侵检测方法的优缺点,提出基于果蝇优化后的随机森林模型和聚类优化后随机森林模型网络数据类型检测方法,以实现提高网络数据类型检测方法精度的目标。主要工作包括:针对网络连接信息的数据类型检测精度不高的问题,提出基于果蝇优化后的随机森林检测方法。通过分析随机森林模型检测强度和基分类器的关系,利用果蝇优化算法对基分类器数目和选择分裂属性个数进行优化,实现提高网络入侵类型检测方法精度的目标。针对果蝇优化后的随机森林网络入侵类型检测精度不高的问题,进一步提出基于聚类优化后随机森林检测方法。通过分析随机森林模型基分类器相关性,利用相关度聚类算法,将符合度量标准的基分类器不断凝聚在一起,加大基分类器之间的差异,利用较少的基分类器,实现提高网络入侵类型检测方法精度的目标。为使网络数据类型检测实验结果更具客观真实性,实验采用真实网络环境下的网络传输数据,并利用准确率、均方误差、混淆矩阵、精确率和召回率等评估参数对实验结果进行综合评估,实现提高网络入侵类型检测精度的目的。