根据提供的文件内容，可以梳理出以下关于“基于数据挖掘的入侵检测模型”的知识点：
1. 入侵检测系统的现状与挑战：目前入侵防御机制大多采用误用检测，需要已知的特征来进行比对。但误用检测存在缺乏真实性警报和对区域网络内部防护较弱的问题。随着数据量的增大，入侵检测系统性能下降，规则数据库规模激增。
2. 数据挖掘技术：数据挖掘是分析和处理大规模数据集的技术，从中可以发现数据间的规律和模式。本论文中，数据挖掘技术被应用于入侵检测模型中，以提升检测准确性与效率。
3. 数据挖掘的分类：数据挖掘技术可概括为三类方法：分类（classification）、频繁集（frequent itemsets）、关联规则（association rules）。其中，分类是将数据分到已定义的类别中，关联分析是分析数据字段间关系，序列分析是分析数据字段间连续关系。
4. 基于数据挖掘的入侵检测系统架构：该系统由六个主要部分组成，包括数据采集子模块、数据接口子模块和数据挖掘子模块。数据采集子模块负责收集网络上的数据，数据接口子模块转换数据格式并进行管理，数据挖掘子模块运用算法实现关联规则分析和分类。
5. 数据采集子模块的功能：负责采集网络数据，记录源IP地址、目的IP地址、发送时间、目的端口号等信息，并提供给入侵检测系统使用。
6. 关联规则挖掘：关联规则分析是识别数据项间有趣关系的方法。本论文提到采用关联规则分析法来快速找出封包字段特征的关联性。关联规则挖掘的关键是挖掘频繁项集的算法效率和准确度，其中Apriori算法被提出作为挖掘频繁项集的算法。
7. Apriori算法原理：Apriori算法是一种寻找频繁项集的算法，通过多步处理逐步找出频繁出现的数据集合。算法的基本步骤包括从含单个元素的项目集开始，逐步增加项目集的维度，生成候选项目集，并与数据库中的数据进行比对，以找出不同维度的最大项目集。
8. 灵敏度分析：通过一次分析一个变量的灵敏度与其他变量的比较，找出出现频率最高的特征（特征域值）及其跟随特征，以此来设计适时检测特定类型攻击的特征。
9. 入侵检测模型的构建：基于数据挖掘的入侵检测模型是基于关联分析的。通过分析网络流量特征，识别出合理范围的特征，并设定门限值，与不同类型的攻击流量进行比较分析，重复步骤以确定特征合理范围的分布。
10. 结论：本论文提出的基于数据挖掘的入侵检测模型意在解决误用检测所面临的诸多问题，特别是通过关联规则算法获得更有效的规则库，以实现更加准确快速的入侵检测。
通过上述知识点的梳理，可以看出，本论文提出的模型利用数据挖掘技术，尤其是关联规则分析，来改进传统的入侵检测系统，在提高检测准确性和效率方面展现了潜在的优势。这不仅为入侵检测领域的研究者提供了一种新的思路，也为实际部署和实施入侵检测提供了参考。
