随着当前对互联网的依赖持续增大,对于安全可靠网络环境的需求也随之增加。本文介绍了通过一种改进的遗传算法以及基于开关的神经网络模型,以构建一个有效的应对检测网络攻击的入侵检测系统(IDS)的方法。目前,在入侵检测领域许多科技人员进行了相关研究工作,多数研究与数据挖掘相关。其中主要的几种方式有：基于自组织映射(SOM)、支持向量机(SVM)、蚁群算法(ACO),以及遗传算法(GA)对网络流量进行分类以识别攻击等。利用遗传算法训练神经网络,以用于入侵检测,已经取得了许多研究成果。增强遗传算法就是其中之一,其优点是该方法比大多数传统遗传算法在更短的时间内取得了更好的结果,并且该算法是特别针对神经网络参数训练测试而设计的。但其仍有可以继续改进之处,例如：用户定义参数,静态接受概率和浪费的交叉后代等问题。改进上述问题可以有效减少人工干预,从而降低人为错误的可能性,同时也可以减少神经网络的训练时间。本文针对多种算法虽然可以调试神经网络的权重,但几乎不能调节网络规模与架构的问题。在增强神经网络基础上,通过基于开关的方式,使遗传算法可以调节网络的拓扑结构,从而进一步拓展了这种方法的应用。将开关放置在联接上和隐节点上,解决了隐节点数量仍要求用户提前设定的问题。在增强遗传算法和神经网络模型基础上,本文提出了一种新的改进型遗传算法和改进型神经网络模型,在如下几个方面对增强遗传算法及增强神经网络提出了改进。该算法不仅可以设置应用于入侵检测的神经网络的联接权值,还可以设置网络的规模与结构；将开关同时放置在联接和隐节点上；改进了适应度函数,将网络的规模参数包含进适应度函数里面,进而生成更加简洁的神经网络。本文用常见的测试函数,对比测试了新提出的改进遗传算法以及传统的遗传算法和其它的修改版遗传算法,并使用C++编写了相关代码仿真程序。仿真测试结果显示,其可在更短时间内得到更好的结果。同时对人为干预的需要也有效减少。该IDS通过入侵检测的标准测试数据集来测试(DARPA98KDD99集),结果显示其性能与使用蚁群算法相类似,并且优于支持向量机及其他遗传算法得到的结果。