计算机网络和信息技术的快速发展,使人们日常生活及工作环境对计算机网络和信息系统的依赖越来越密切,对网络安全的要求也越来越高。当前网络安全防护技术有很多,如防火墙,访问控制和数据加密等。但是这些技术都是静态防御技术,不能完全确保网络的安全和抵御黑客的攻击。在此背景下,主动且动态地对网络进行安全防护的入侵检测系统不可避免地成为网络安全发展的一个新方向,是传统网络安全技术的必要补充。 入侵检测技术的方法模型有很多,但检测率低误报率高是目前入侵检测系统普遍存在的问题,而攻击方式的不断变化更新对入侵检测系统的灵活性、智能性提出了更高的要求。神经网络具有并行计算,非线性,自适应学习和调整,可以分析处理不完整有失真的数据,抗干扰能力强等特性,使其在入侵检测领域中得以应用。 BP网络模型是应用最多范围最广的一种神经网络,在入侵检测领域中已经得到应用。与BP网络模型相比,径向基神经网络不需要进行反向误差传播的计算,而是完全前向的计算过程,具有训练时间短且不易收敛到局部最小的优点。目前国内对径向基神经网络的应用研究还非常有限,尤其是概率神经网络和广义回归神经网络,在入侵检测领域中还没有相关的应用研究资料。 本文将三种径向基神经网络应用到入侵检测中,并利用自适应共振理论,建立一个入侵检测模型,用于入侵模式识别的分类和预测。通过使用神经网络规则抽取算法抽取出入侵模式规则,该模型既可用于异常检测又可用于滥用检测,从而提高入侵检测系统的检测率并降低误报率。