針對異常檢測中異常數據與正常數據的比例嚴重不平衡導致決策樹性能下降的問題，提出了C4.5決策樹的三種改進方法一C4.5 +δ、均勻分布熵（ UDE）和改進分布熵函數（IDEF）。首先，推導了C4.5算法中屬性選擇準則會傾向于選擇偏斜劃分的屬性;然后，分析了偏斜劃分使得異常（少數類）檢測精度下降的原因;其次，分別通過引入緩和因子、均勻分布熵或替換分布熵函數改進了C4.5算法的屬性選擇準則一 信息增益率;最后，利用WEKA平臺和NSL-KDD數據集對改進的決策樹進行驗證。實驗結果表明，三種改進方法均能提高異常檢測精度。其中，相比于C4.5，C4.5 +7、UDE和IDEF算法在KDDTest-21數據集上的少數類檢測精度（靈敏度）分別提高了3.16、3. 02和3.12個百分點，均優于采用Renyi熵和Tallis熵作為分裂準則的方法。此外，利用三種改進的決策樹檢測工業控制系統中的異常，不僅可以提高異常的查全率還能減小誤報率。

　　異常檢測是指從某個系統的日常數據中識別非預期模式，即異常數據。異常通常由惡意行為或違規操作引發，因此異常檢測技術廣泛應用于網絡安全、故障檢測等領域。

　　異常檢測可以視為一-種特殊的分類問題，即分離目標數據集中的正常數據與異常數據。因此，絕大多數基于機器學習的分類方法，如神經網絡、支持向量機、決策樹等，都可以應用于異常檢測。然而異常檢測面臨數據不平衡問題，即目標數據集中異常數據與正常數據的分布是不平衡的，其中異常數據一。般遠遠少于正常數據。數據不平衡問題在醫療診斷、信用卡詐騙檢測，銀行風險管控、系統故障檢測等應用中十分常見。在傳統分類問題中，整體準確度由不同類別的準確度加權組成，因此多數類的準確度對整體準確度的影響要遠大于少數類。在傳統方法中，分類器會傾向于保證多數類的準確度而犧牲少數類的準確度，導致少數類的漏報率較高。然而在很多異常檢測的現實應用中將異常（少數類）誤判為正常（多數類）的代價要遠遠高于相反的情況，因此需要盡可能地檢測出異常，降低漏報率。例如，在癌癥的診斷中，將癌癥（少數類）患者誤診為健康（多數類）的危害要遠大于將非癌癥患者誤診為癌癥的危害，所以要保證檢測結果為陽性時盡可能地覆蓋真正的癌癥患者。