随着信息技术和计算机网络的发展,人们的日常生活和计算机网络的关系越来越密切。然而,随着信息技术知识的普及,网络也随之变的不安全,攻击工具与手法日趋复杂多样。防火墙这样的被动、静态防御已经无法满足对安全高度敏感的部门的需要。于是,采用积极、动态防御手段的入侵检测系统IDS(Intrusion Detection System)已成为了安全市场的新热点,不仅愈来愈多的受到人们的关注,而且已经开始在各种不同的环境中发挥其关键作用。目前,入侵检测系统仍然面临许多问题。新的攻击方式层出不穷,网络上应用不断增多更加大了检测的数据量,这样对入侵检测系统的灵活性,效率等提出了更高的要求。入侵检测系统所采用的技术很多比如模式匹配、专家系统等,但是仍然普遍存在误报和漏检的问题。在这些方法中,神经网络以其高度的自学习性、自适应性、鲁棒性、并行性等优点而得到广泛应用,本文主要论述径向基神经网络RBFNN(Radial-Basis Function Neural Network)在入侵检测系统中的应用问题。为说明如何构建入侵检测系统的过程,文章首先介绍入侵检测系统的标准并比较了几种常见的入侵检测模型,然后介绍径向基神经网络技术的基本原理。在此基础上构建了基于径向基神经网络的分布式入侵检测系统,较详细地介绍了系统中各个模块的主要功能及其设计方法。最后,本文选择kdd-99数据集中的数据,经过消除重复数据、特征选择等预处理后,对使用神经网络的检测模块进行仿真训练与测试。对实验结果的客观分析表明径向基神经网络应用于入侵检测可以提高系统的检测效率,误报率也不高,并且对未知的入侵有一定的检测能力。因此,径向基神经网络的应用有助于入侵检测系统的发展。