随着网络安全风险系数不断提高,曾经作为最主要安全防范手段的防火墙,已经不能满足人们对网络安全的需求。作为对防火墙有益的补充,IDS(Intrusion DetectionSystem,入侵检测系统)能够帮助网络系统快速发现攻击,它扩展了系统管理员的安全管理能力(包括安全审计、监视、进攻识别和响应),提高了信息安全基础结构的完整性。随着网络安全技术的发展,入侵检测系统(IDS)在网络环境中的应用越来越普遍。由于企业、政府和其他组织的工作已越来越依赖于计算机网络系统,保护这些系统免受攻击已成为当务之急,并使得IDS成为必不可少的重要手段。为了克服现有入侵检测产品或手段的不足,必须进一步研究入侵检测的模型和方法。本文介绍了入侵检测的基本概念,分析了现有IDS模型的常用入侵检测方法,论述了这些方法的优点和不足,着重论述了基于神经网络的入侵检测方法的优势和实用意义。文中对神经网络理论中采用BP和改进的BP神经网络Levenberg—Marquardt优化算法及相关知识进行了描述。在此基础上,给出了一个基于BP神经网络的网络入侵检测系统的模型,阐述了该模型的设计思想和原理框图,并对系统模型中各模块的原理和实现作了详细的介绍。最后针对BP算法所存在的缺陷,运用MATLAB语言实现BP算法的L-M优化,并通过MATLAB仿真验证了系统模型的有效性,减少了开发人员实现算法的困难,在实践中有一定的使用价值。