Web应用使用广泛,蕴含极大的信息价值,并且,针对Web应用的攻击已经造成了严重的数据泄露和财产损失,Web应用安全问题一直备受学术界和工业界的关注。在对Web安全的研究当中,入侵检测是一项重要课题,Web日志因其数据完整性成为研究此类课题的重要数据源。目前工业界有许多入侵检测产品,学术界也有许多关于入侵检测的研究成果,但由于安全领域的特殊性,需要在攻防对垒的不断交替中实现发展和进步,任何一项产品和研究技术都无法持续保持强大的检测性能,因此,对基于Web日志的入侵检测研究仍然是一项具有重要意义的工作。现如今,Web攻击方式复杂多变,基于传统的规则匹配方式已经无法应对层出不穷的攻击方式,而且在面对海量的日志数据时,传统的检测与分析技术也不够有效。因此,本文在基于规则匹配的误用检测技术上,结合了基于机器学习的异常检测技术,构建了一个基于Web日志的混合入侵检测模型。具体内容如下:(1)研究了误用检测技术在日志安全研究中的应用,针对误用检测技术中规则库的构建进行深入分析与研究。通过对常见Web攻击的类型和特点进行分析,提取特征,用正则表达式构建有效的规则库。(2)提出了基于机器学习方法的异常检测模型,该模型使用隐马尔可夫模型对正常日志数据进行建模,获得正常模型,从而识别异常数据。同时,采用多分类器系统对模型进行优化,提高了模型的检测率。(3)构建了基于Web日志的混合入侵检测模型,该模型结合了基于规则匹配的误用检测方法和基于隐马尔可夫模型的异常检测方法各自的优点,实现了更优的检测性能,具有较高的检测率,和较低的误报率。