随着网络的快速发展，网络结构的不断扩大和复杂化，信息的安全问题也日益严峻。如何保障信息安全已经引起政治、经济及社会各界的广泛关注。由于目前防火墙和IDS体系的研究已经较成熟，对于来自外网的攻击可以起到很好的防御作用，而近年来，网络攻击开始从外部攻击向内部攻击转化。内部攻击具有一般性和隐蔽性，可以轻易的绕过防火墙和IDS的监控，比病毒和黑客等外网攻击更难防范，且造成的损失更大。导致内网不安全的一个重要因素就是内部用户行为，而内部用户行为往往被默认是安全的，因此，保障内网安全，对内网用户行为的审计至关重要。论文归纳了内网用户行为存在的一些特点，总结了异常行为的表现形式，结合BP算法的局部精确搜索和遗传算法的全局搜索能力，提出了一种基于遗传神经网络的内网用户行为审计模型。与传统安全审计模型不同之处是本模型采集的审计数据不是传统的来自网络的数据，而是实际的用户行为数据，并对遗传算法的交叉算子进行了适当的改进，摒弃传统采用固定交叉率的算法，引入个体相似度的概念，通过判断两个体的相似度，来确定是否发生交叉操作，从而使父个体中好的模式能被遗传到下一代，提高算法的收敛速度。该模型主要由分布式数据采集模块、数据预处理模块、基于遗传神经网络的审计分析模块、数据存储模块、响应模块和审计数据查询浏览模块组成。本文先用改进的遗传算法优化神经网络初始权值，然后用优化的初始权值对神经网络进行训练，寻找最优的网络结构。当遗传神经网络学会用户行为模式后，即可进行行为审计的分析，对异常用户行为做出反应。通过算法比较和实验结果分析，表明该模型可以有效地运用于内网用户行为审计中。