入侵检测系统IDS是一种主动的网络安全防护系统,它是继数据加密、防火墙等传统安全技术之后的新一代安全保障技术。IDS提供了对内部攻击、外部攻击和误操作的实时保护,在主机或网络系统受到危害之前拦截并响应入侵。然而随着入侵手段的多样化,传统的入侵检测技术已不能满足当前网络安全的要求,将智能技术融入IDS已成为当今研究的一个热点。分类和聚类是数据挖掘(数据库知识发现)中的两个重要功能,它们的主要区别在于,前者是有监督的学习而后者是无监督的学习。本文在分别介绍了传统分类和聚类算法之后,详细分析了基于ART神经网络的聚类算法。自适应共振理论(Adaptive Resonance Theory, ART)神经网络模型用于数据聚类。它在学习过程中实现了稳定性与可塑性的统一,这一特性使ART网络成为在入侵检测环境下数据聚类的一个非常合适的选择。本文在综合分析经典ART模型和入侵检测特点的基础上,提出了两种改进的ART模型,分别用来解决经典ART模型用于入侵检测时聚类的无序性和无层次性这两个问题。在KDD Cup99数据集上的仿真实验表明,两种改进模型均达到了预期的效果。