随着计算机和网络技术的不断发展,计算机网络的安全问题也日益突出。目前网络安全技术包括路由器、防火墙、漏洞防堵、入侵检测、审计和反攻击等,其中路由器过滤、防火墙、漏洞防堵属于静态安全技术,而入侵检测、审计和反攻击等属于动态防护。静态安全技术对防止系统被非法入侵起到了一定作用,但在真正的网络攻击行为发生时,尤其是在遭受新型的网络攻击方法攻击时,系统可能会遭受到不可预料的损失。因此需要研究一些积极主动的网络安全防御手段和反击手段。入侵检测系统(Intrusion Detection System,IDS)是一种动态的安全技术,它已成为网络安全必不可少的重要手段。目前大多数入侵检测系统检测率较低,为克服现有IDS的不足,本文从RBF神经网络应用于入侵检测方面进行了研究。本文首先介绍了传统IDS系统结构和检测方法,分析了入侵检测技术面临的挑战及其发展趋势。对神经网络技术在IDS中应用的相关问题进行了探讨,深入研究了RBFNN,分析了RBFNN在IDS中应用的优点及存在的问题。在此基础上,针对训练中广泛应用的OLS中存在大数据量训练时间过长、不能根据数据特性确定平滑参数的缺点,本文采用了基于快速模糊C-均值算法和OLS算法相结合的快速训练算法。该算法减少了参与OLS训练算法的样本数,解决了OLS方法不能确定中心节点的平滑参数的问题。最后本文用MATLAB7.0工具,选用目前入侵检测领域较通用的测试数据KDD99-Cup Data Set对此算法进行了仿真实验。仿真试验结果表明此快速算法降低了网络的训练时间、减小网络规模、提高分类性能,从而提高了入侵检测率。