自20世纪90年代初到现在,随着计算机网络的飞速发展,在享受计算机网络无穷便利的同时,网络安全问题也日益突出。黑客攻击和网络病毒事件层出不穷,对网络安全的威胁越来越大。计算机信息的安全性和保密性受到严重影响。原有静态的、被动的安全防御技术己经不能满足对安全要求较高的网络。因而,一种动态安全防御技术----入侵检测技术日益成为网络安全领域的一个关键技术。由于传统的基于规则的入侵检测技术存在规则库难以管理、统计模型难以建立等问题,近年来提出了一种基于神经网络来进行入侵检测的思路。神经网络在模式识别领域有着广泛良好的应用,而网络入侵检测实际上就是对网络数据流进行模式识别并将其分类为正常或异常数据,因此利用神经网络的模糊运算能力在一定程度上可以解决入侵检测系统中存在的一些问题。但传统的BP神经网络易陷入局部最小,收敛速度慢,同时由于神经网络本身固有的学习方法的限制,从根本上改进神经网络的前馈逆传播算法很困难。通过分析传统BP神经网络的原理和特点,本文采用改进的遗传算法来优化神经网络权值。此方法利用了遗传算法的强全局搜索能力和最优化方法等优点来克服BP算法收敛慢和易陷入局部最小的缺陷,同时与BP算法的结合也解决了单独利用遗传算法往往不能在短时间内寻找到接近最优解的问题。利用前馈逆传播算法的梯度信息将会避免这种现象。同时,对神经网络输入数据采用主成分分析法进行降维处理。利用主成分分析法,可以在不丢失原有数据信息的基础上,大幅度减少神经网络输入数据的维数,提高了系统的实时性,简化了神经网络结构。本文使用matlab进行仿真,分别使用多种攻击类型混合的数据和各种不同类型的单一攻击数据进行试验,发现经改进的遗传算法优化的BP神经网络(GABP)收敛速度较快,且几乎都能收敛。对于不同的数据源,试验得到的识别率有所不同。对于多种攻击类型混合的数据,GABP算法虽较BP算法有明显提升,仍在75%左右;而对单一的攻击进行训练,GABP算法甚至可达到99%的识别率,效果非常良好。