سیستم تشخیص نفوذ یک سیستم امنیتی می باشد، که خرابکاری ها و نفوذهای روی شبکه را شناسایی میکند و حملات وسوء استفادهای که از شبکه و سیستم میشود را به مسیولان اطلاع می دهد. روشهای مختلف طبقه بندی تکی همچونالگوریتم ژنتیک، فازی، درخت تصمیم، شبکه عصبی، ماشین بردار پشتیبان در سیستم تشخیص نفوذ مورد استفاده قرارگرفته اند، این روشها هر کدام دارای مزایا و معایبی می باشند اما نسبت به بعضی روشهای ترکیبی دقت کمتری دارند.در دهه اخیر تشخیص مبتنی بر ناهنجاری و بسیاری از مشکلات طبقه بندی از ایده ترکیب طبقه بند استفاده می کنند در اینمقاله برای بهبود عملکرد، دقت و کاهش هشدار اشتباه در سیستم تشخیص و نفوذ، روش
یادگیری جمعی پیشنهاد شدهاست. طبقه بند KNN برای تشخیص ناهنجاری و مشکلات چند کلاسه میباشد و برای ترکیب خروجی چندگانه KNN از روش
تلفیق داده دمپستر شافر که خروجی آن به صورت چند کلاسه امتیاز دار و امکان بازیابی صریح عدم قطعیت رادارد بکار گرفته شده است. آزمایشات بر روی مجموعه داده NSL-KDD انجام شده است نتایج آزمایشات نشان برتری دقت روش پیشنهادی نسبت به طبقه بندهای بکار رفته در روش پیشنهادی است. همچنین روش پیشنهادی دقت بیشتری دربعضی حملات، نسبت به سایر روشهای ترکیب طبقه بند همچون رای اکثریت و روش ترکیب الگوریتم SVM و KNN با استفاده از الگوریتم رای اکثریت در این زمینه را دارد.