入侵检测系统能够及时地发现并阻止攻击,有效地保证了网络安全。本文重点研究了入侵检测和人工智能的相关技术和算法,针对KDD Cup-99数据集中U2R和R2L类别,数据量不足,致检测准确率较低的问题,提出了一种基于遗传算法降维和改进MEA-SKohonen神经网络的入侵检测模型,旨在提高U2R和R2L类别检测的准确率,本文主要工作如下所示:(1)针对于入侵检测问题,选择无监督算法的代表Kohonen神经网络为主要算法,同时选择回归算法的代表Elman神经网络为对比实验,将Kohonen神经网络改进为SKohonen神经网络,额外增加输出层,将其从无监督神经网络改为有监督神经网络,改进了邻域函数,提高了SKohonen神经网络的检测性能。最后使用思维进化算法对这两种神经网络进行优化确定网络的初始权值和阈值。(2)由于KDD Cup-99数据集中U2R和R2L类别的数据量不足,神经网络算法较难学习到这两种数据类别的特征,所以导致检测的准确率较低,不能满足入侵检测系统的相关要求,因此采用遗传算法对数据集进行降维处理,去除一些冗余特征,使神经网络模型能够更好地学习到这两种类别数据的特征,提高检测的准确率。(3)采用遗传算法降低数据集的维度,选择三组不同的数据组合方式,分别训练MEA-SKohonen神经网络模型和MEA-Elman神经网络模型并对其进行验证,实验结果表明,采用数据降维的方法可以有效地提高U2R和R2L类别检测的准确率。总体来看,采用KDD Cup-99数据集构建入侵检测模型,MEA-SKohonen神经网络的检测效果优于MEA-Elman神经网络。本文提出的遗传算法降维和改进的MEA-SKohonen神经网络的入侵检测模型检测准确率能够满足相关要求,并且明显改善了KDD Cup-99数据集中U2R和R2L类别检测准确率不高的问题,虽然仍存在一些缺陷,但是具有较好的精确性、鲁棒性和泛化能力。