随着信息技术的飞速发展,网络空间安全形势日趋复杂,网络入侵的手段越发多样化,给网络安全环境带来了不小的挑战。近年来,基于机器学习的入侵检测技术是研究的一大热点,它可以检测和识别异常的网络流量,打破了传统的基于特征知识库的检测手段限制,但仍然存在一些问题。一方面,这些机器学习算法训练的分类器模型过于复杂,训练时间过长,时间开销较大;另一方面,这些方法对少数类攻击样本的过低,无法实现细粒度识别检测。本文针对目前机器学习方法在网络入侵检测中存在的问题,提出一种新的在网络入侵检测中基于H-ELM面向不平衡数据的快速分类检测方法。利用具备快速学习和分类特性的H-ELM算法以及能够较好降低数据不平衡度的CSMOTE算法,成功解决了分类器模型复杂、训练时间长所导致的分类效率低以及数据不平衡所导致的分类效能低的问题。主要完成的工作有以下三点:1)在分类器训练算法选择方面。本文应用了H-ELM算法,该算法是在ELM基础上改进的分层结构。该算法继承了ELM和深度学习的优点,具有非常快的学习速度和良好的泛化性能。本文将该算法应用于网络入侵检测中,采用NSL-KDD数据集进行实验,通过和随机森林,k-NN,ELM等方法对比验证,最终H-ELM以72.72%的总体平均检测率和2.04s的总时间开销证明了该方法的有效性和高效性,能够实现快速分类检测的目的。2)在不平衡数据处理方面。本文在原始SMOTE方法的基础上,结合CSL技术思想提出了CSMOTE方法。该方法继承了SMOTE的优点,通过合成少数类样本避免了过拟合的问题,同时又对新合成的数据进行筛选优化。通过实验,结果表明经过CSMOTE处理的数据在U2R和R2L这两类攻击提高至少20%的检测率。同时经对比验证,本文所提出的CSMOTE方法在细粒度检测识别上的性能更优于原始SMOTE方法。3)在入侵检测的模型方面。本文提出基于H-ELM算法和CSMOTE技术面向不平衡数据的入侵检测模型,针对传统的入侵检测模型面临网络流量数据不平衡的实际情况和一般的机器学习方法效率不高的特点,成功解决了在网络入侵检测中数据不平衡导致的分类效能低和时间开销大导致分类效率低的问题。