随着网络的广泛应用,特别是政府信息和军事数据在网络上的传输对网络安全提出了更高的要求。网络攻击方法层出不穷,入侵手段也不断更新。目前解决网络安全主要采取的技术手段有防火墙、安全路由器、身份认证系统等,这些安全产品大多数属于静态安全技术的范畴。静态安全技术对防止系统非法入侵起到了一定的作用,但从安全管理角度来说,仅有防御是不够的,还应采用动态策略。入侵检测技术就是这样一种动态策略,它能够对网络安全实施实时监控,对网络受到攻击时进行动态保护。入侵检测系统的检测模块是入侵检测系统的核心,本文针对入侵检测系统存在的对入侵事件高漏报率和误报率,详细探讨了在入侵检测系统中运用遗传算法和神经网络相结合的优势,以及二者结合实现检测功能的过程,研究了入侵检测系统中常用的检测算法,以及检测算法的效率在高速网络中的重要性,提出一种基于改进遗传神经网络的入侵检测系统模型,实现了遗传算法、神经网络与入侵检测技术的有机结合。系统利用GA的广泛适用性的搜索和全局最优化方法等优点,来克服BP算法收敛慢和易局部收敛的缺陷;利用BP算法的梯度信息和局部精确搜索的特性,让GA在短时间内寻找到接近最优解的问题。本系统采用的检测方式是先GA后BP,先用GA反复优化描述神经网络的参数组合,直到适应函数的平均不再有意义的增加为止,在这个基础上再用BP算法进行学习优化。论文对GABP算法中的GA算法进行了详细的介绍,并对GA算法中的种群确定、适应度函数、交叉算子、变异算子进行了改进。论文提出的模型是将改进的GABP算法应用到入侵检测系统中,通过实验证明了该系统有较高的检测率和较低的误报率。目前,将遗传算法、神经网络等相关技术应用到入侵检测系统中,使其具有智能性,这些还处于早期研究阶段。本文在分析了入侵检测原理的基础上,对现有的入侵检测系统和方法进行了分析,提出了GA与BP算法结合来实现入侵检测系统的检测功能。入侵检测系统的智能性研究领域中还有很多需要我们深入探索的问题,因此在论文的最后总结了本文的研究工作,指出了下一步的研究方向。