在计算机网络迅猛发展的今天,Internet已经成为人们日常生活中必不可缺少的部分,网络安全也越来越成为人们关注的焦点。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。 隐马尔可夫模型(HMM)具有模型研究透彻、算法成熟、效率高、效果好、易于训练等优点,在多个领域有着广泛的应用,如语音识别。隐马尔可夫模型应用在异常入侵检测方面可以减小误报率、增加检测率。目前,基于隐马尔可夫模型的异常入侵检测技术的数据主要来源于主机(如系统调用),并且取得了不错的实验结果。 网络入侵检测系统对受保护网段上的数据包进行侦听和分析,判断是否发生入侵行为,并在入侵行为发生时,实时做出响应。异常入侵检测需要建立系统正常的行为模式。隐马尔可夫模型能够很好的表述网络系统的正常行为模式,所以它可以被用于异常网络入侵检测。同时,隐马尔可夫模型应用在网络入侵检测时存在一定的困难,即网络系统中隐马尔可夫模型的观察值较难确定。 本文提出了一种可以有效地确定网络数据的隐马尔可夫模型观察值的方法,并将隐马尔可夫模型用于网络入侵检测。 在合理确定隐马尔可夫模型观察值的基础上,本文提出了一个基于隐马尔可夫模型的入侵检测系统模型,采用规则检测和异常检测相结合的方式加以实现。最后的实验结果表明该系统在一定的网络环境下具有较高的检测率,并且可以检测未知的攻击。