摘要: 本文首先结合代价敏感的学习方法CSL和NB分类方法提出了一种代价敏感的NB分类算法CSNB，该算法以较少的计算开销取得对稀有类问题相对最优的分类结果；其次，采用Boosting技术构造基于NB的集成分类器，设计了一个集成分类算法BNBCE，该算法在处理实际... 展开 本文首先结合代价敏感的学习方法CSL和NB分类方法提出了一种代价敏感的NB分类算法CSNB，该算法以较少的计算开销取得对稀有类问题相对最优的分类结果；其次，采用Boosting技术构造基于NB的集成分类器，设计了一个集成分类算法BNBCE，该算法在处理实际的稀有类分类问题时体现出计算的高效性、学习的自适应性和分类的有效性之特点；最后，在NB、CSNB和BNBCE三个分类算法的基础上，开发了一个基于稀有类分类的IDS实验系统RCCFIDS，并在UCI学习库中的入侵检测数据集KDDCUP'99DATA上进行了测试。实验结果表明，该系统取得了很好的分类检测效果，特别是对稀有攻击类别的检测性能有一定程度的提高。　　另外，针对BNBCE算法，本文采用不同集成规模进行了实验，并对结果进行了分析。结果发现随着集成规模的增加，分类检测性能不断得到增强，对稀有攻击类别R2L、U2R和PROBE攻击检测效果提升的最为明显，当集成分类器中个体分类器数目达到一定数量时，系统检测性能趋于稳定。 收起