随着网络攻击的多样化和复杂化,计算机网络的安全性也越来越备受关注。在实际的日常生活中,我们的网络仍然不断地遭受到攻击,信息不断地被泄露。为了解决这些安全问题,网络安全越来越受到业界和学术界的关注。另外,网络是相互依赖的,基于外部全局网络对内部网络的安全威胁,以及尽早地、更准确地发现对内部网络的入侵活动是非常有用的。所以在分布式网络中提出了协同入侵检测技术,用以提高入侵检测的准确性和系统的可扩展性。虽然研究人员对协同入侵检测技术已经有了很多突破性的进展,但是数据共享和信任计算仍然是协同入侵检测技术的两大挑战。因为并非所有的参与方都想分享他们的信息。此外,相互信任意味着在共享数据时,参与方之间不会公开数据给其他人。而且对于隐私数据,参与方更希望匿名地传输数据,一旦参与方开始匿名共享数据,就会造成系统的不可信。因此本文针对这些问题进行了深入分析,并提出了相应的改进方案,具体研究工作包括以下三个方面:1.实现了一种将区块链纳入协同入侵检测系统领域的通用架构,使协同入侵检测系统具备快速检测出网络攻击的能力。2.针对入侵检测训练数据集的缺陷,我们提出了基于生成对抗网络的数据集生成方案,在NSL-KDD数据集的基础上生成了新的生成数据集。克服了入侵检测训练数据集的数据冗余、数据不平衡和数据不完整三个主要问题。3.我们利用深度学习方法提高了协同入侵检测系统分类器的实时检测率,仿真了分布式网络中的协同入侵检测系统,使得分类器的性能得以提高,并且可以检测出新的攻击类型。