随着计算机网络的普及,人们开发和使用多个应用程序在计算机网络中运行,网络攻击者试图利用网络体系结构的薄弱环节来窃取,破坏有价值的信息。为了维护良好的网络环境,保障人们的利益,网络安全问题亟待解决。其中,网络入侵检测技术,特别是异常检测技术,成为网络安全领域最具影响力的研究方向之一。入侵检测技术实际上是监视和检测网络协议中的恶意攻击,在发现异常行为后采取措施进行补救。目前,基于人工智能或机器学习的网络入侵检测技术仍然存在检测率低、耗时长、处理数据量小等问题。因此,本文通过改进RNN神经网络结构和基于大数据技术的网络入侵检测,提了检测精度和处理大数据的能力。本文的主要研究工作包括:(1)针对机器学习在网络入侵检测中存在结构复杂,检测精度不等问题,通过分析神经网络的结构,提入侵检测性能。本文在研究RNN神经网络以及LSTM神经网络结构的基础上,提出GRU-SVM神经网络算法,GRU神经网络不仅解决了RNN长期记忆和梯度等问题,并且在结构上只包含更新门和重置门,简化了门控,提了计算效率,实结果证GRUSVM算法在检测率和训练时间上与传统的算法相比具有显著优势。(2)针对传统的机器学习算法在处理大数据时耗时长,性能低等问题,引入大数据技术。在Had和S a平台框架上,设计基于互信息的分布式特征选择模型,该模型包括列式转换、计算相关性、计算冗余、直方图创建和互信息计算五个部分,模型设计符合S a分布式计算框架的结构。该模型解决了入侵检测技术中数据维度过导致的检测率低,时间消耗过长等问题,并且结合S a分布式计算框架的优点,使得处理的数据量达100G左右。实分别在SVM、朴素贝叶斯和决策树算法中进行分类对比,实结果证,本文提出的基于互信息的分布式特征选择方法比主成分分析方法更能有效提取相关性的特征,提分类算法的检测精度。本文提出的两种算法分别在UNSW-NB15数据集以及NSL-KDD数据集中进行实,并且与其他经典算法对比,本文算法的检测率,处理的数据量大,结合大数据技术,拓展了网络入侵检测领域的技术范围。