入侵检测是对企图入侵,正在进行的入侵或已经发生的入侵进行识别的过程,是一种主动的网络安全防御措施。目前由于入侵检测方法的检测率较低,误报率和漏报率较高以及实时性较差等缺点,需要大量的或完备的数据才能达到比较理想的检测性能。本文针对目前入侵检测中所存在的问题,提出了一种新的检测模型——基于群体智能算法的神经网络模型。首先,阐述了入侵检测的概念,特点,分类,研究内容及传统入侵检测所面临的困境;接着介绍了神经网络的基本原理和量子粒子群优化(Quantum-behaved Particle Swarm Optimization,QPSO)算法以及改进的量子粒子群优化算法的基本思想,强调了改进的QPSO可以增加种群的多样性,有效地抑制粒子群早熟,并提高了算法的全局收敛能力。本文进一步阐述了神经网络的概念,特点,结构,并介绍了小波神经网络的结构,分类等。接着以小波神经网络(WNN)为对象,应用QPSO算法及改进的QPSO算法作为训练算法,给出了具体的操作过程。接着,本文将改进的QPSO算法优化的小波神经网络用于网络异常检测。为了测试性能,分别将QPSO算法以及改进的QPSO算法用于训练小波神经网络,通过智能算法对参变量的优化操作,在进行异常检测的过程中,尽量提高异常检测率,降低误判率。采用KDD CUP99数据集进行的实验表明,基于改进的QPSO算法的小波神经网络的网络异常检测,有效的提高了检测率,同时具有较低的误判率。这些结果表明,改进的QPSO算法是一种高性能的神经网络训练算法,在用神经网络对网络异常检测中能发挥很好的作用。