Heutzutage ist es sehr wichtig, ein hohes Ma an Sicherheit zu gew hrleisten, um eine sichere und vertrauensw rdige Kommunikation von Informationen zwischen verschiedenen Organisationen zu gew hrleisten. Es ist unbestreitbar, dass eine breite Palette von Sicherheitstechnologien wie Informationsverschl sselung, Zugriffskontrolle und Intrusion Prevention verwendet werden, um netzwerkbasierte Systeme zu sch tzen, aber es gibt immer noch viele unentdeckte Eindringlinge.Dieses Projekt pr sentiert einen berblick ber Intrusion Detection und einen hybriden Klassifizierungsalgorithmus, der auf Naive Baye und K Nearest Neighbour basiert. Der Datensatz wird zun chst zur Klassifizierung durch den Na ve Baye geleitet, wobei die prioren und bedingten Wahrscheinlichkeiten f r jedes Beispiel im Datensatz erzeugt werden. Wenn es eine Fehlklassifizierung gibt, wird das Beispiel an KNN weitergeleitet, das dann die Nachbarschaft des Beispiels bewertet und die resultierenden Beispiele werden mit der hnlichkeit jedes Nachbarn des Beispiels gewichtet. Wenn Sim(X, Dj) gleich 1 ist, dann ist X normal, andernfalls findet der Algorithmus die K gr ten Sim(X, Dj) und pr ft sie gegen ein Stoppkriterium (Schwellenwert). Wenn es gr er ist, dann wird X als normal klassifiziert, sonst ist X Klasse.