近几年,随着平板电脑,智能手机,智能电视等智能电子终端设备的兴起,网络流量呈爆炸式增长。巨大的网络流量促进了互联网经济和实体经济的融合,我们在享受互联网红利的同时也面临着一系列网络安全问题的挑战。由于当今互联网广泛使用的TCP/IP协议在设计之初没有对安全问题做针对性的设计,从根本上导致了当今互联网安全事件层出不穷。入侵检测作为一种主动的的安全防护技术,逐渐成为研究的热门。贝叶斯网络分类算法以其强大的推理能力、高效的分类效率被应用于入侵检测之中,并取得了良好的效果。传统的贝叶斯网络算法根据给定的数据集构建网络模型,在一般情况下展现出了良好的分类正确率。但是当网络环境发生较大变化或出现未知攻击时,分类正确率出现明显的下降。本文基于深度学习约简算法和滑动窗口更新算法,提出一种动态贝叶斯网络学习算法,并针对未知攻击,提出了一种新的检测思路。本文首先基于深度学习的属性约简算法对训练集进行属性约简,减少冗余属性,降低贝叶斯网络的复杂度;其次,采用滑动窗口算法对训练集进行动态更新,确保了训练集与测试集概率分布的一致性;再次,引入互信息相对欧式距离概念,选择合适的阈值,并根据属性间相对欧式距离的变化程度和规律,择机更新贝叶斯网络,既提高了贝叶斯网络的检测精度,又在一定程度上调节了检测效率和计算成本之间的平衡关系;此外,针对训练集中的未知攻击,本文提供了一种新的思路,先将测试数据集中所有的未知攻击类型进行统一分类,依托训练集中大量的正常数据,根据贝叶斯网络对检测集中的攻击类型进行分类,将未出现在贝叶斯网络中的样本判定为未知攻击。实验证明,该方法能有效检测出未知攻击。最后,对测试集进行分类检测。实验证明,本文的算法能够有效提升入侵检测的分类正确率。