本发明涉及一种基于代价敏感性随机森林模型的网络入侵检测方法。本发明首先使用了一个适应性调节大小的滑动窗口机制。其次使用滑动窗口中的网络数据构建代价敏感性的随机森林模型。然后使用基于G‑mean性能的概念漂移检测机制，设置了警告水平和漂移水平。本发明中的随机森林中的决策子树的构建是一种代价敏感的增加学习方式，可以避免决策树的性能偏向于非入侵网络数据。同时，若漂移检测机制的模型性能进一步下降到漂移水平，则使用临时子树代替当前决策子树，从而可保证模型是用符合最新数据分布的网络数据训练得到的。最后，对构建好的随机森林模型中每个决策树的权重进行评估。综合所有决策树的分类结果，对网络数据的类别进行预测。