利用BP神经网络可以进行入侵检测分析,但识别率低。AdaBoost集成算法通过集成多个有差异性的BP神经网络,可以提高识别率。但随着网络的迅速发展,在面对海量数据时,传统的串行计算模式难以满足快速训练要求,因此对网络环境中多节点计算的需求日益增加。本文主要内容就在于多节点集成算法的研究及其在入侵检测上应用分析。本文首先在了解BP神经网络的基础上,采用了BP神经网络作为AdaBoost算法的基分类器。然后对AdaBoost算法作了详细说明,并对一种并行AdaBoost算法做出改进。改进后,用本轮训练得到的多个分类器的集成训练误差来调整样本分布权重的方法,来代替原并行算法中的选择一个最优分类器来调整样本分布权重的方法。接着给出了一种多节点环境下的AdaBoost算法。该算法应用在多节点环境的计算机集群上,用FCM算法实现一种样本权重修正算法,使得多节点能够同时训练多个分类器。最后,将改进的多节点并行AdaBoost算法和基于FCM算法的多节点AdaBoost算法应用到入侵检测上。在该系统中,首先对入侵检测数据进行特征提取,将经过预处理的入侵检测数据作为实验的数据集；然后用该数据集对多节点AdaBoost方法和传统的AdaBoost方法进行比较对比,实验表明,改进后的方法有更好的性能。