入侵检测是一种主动的网络安全防御措施,它不仅可以通过监测网络实现对内部攻击、外部攻击和误操作的实时保护,有效弥补防火墙的不足。而且还能够结合其他网络安全产品,对网络安全进行全方位的保护。具有主动性和实时性的特点,是防火墙重要的和有益的补充。但传统的入侵检测系统仍存在检测速度慢,漏检率高等缺陷。本文从介绍入侵检测的基本概念入手,首先介绍了入侵检测的分类、现有的常见的网络攻击以及现有的安全措施,并分析了现有入侵检测系统存在的不足之处。在入侵检测系统中,如果仅仅利用正常规则库,只能判断数据是正常还是异常,假设正常规则库不完备会导致误报率很高,也检测不出具体的入侵类型;而仅仅采用神经网络进行入侵类型的识别,则所有待检测数据都要通过神经网络来处理,就增加了时间复杂度。所以,我们从加快检测速度、提高识别精度的角度出发,提出了一个基于自适应遗传算法的RBF神经网络的入侵检测模型。同时本文介绍了人工神经网络在入侵检测中的应用,重点介绍了BP神经网络,针对BP神经网络在实际应用中存在的问题,对BP算法进行了深入的研究并总结了其缺陷所在。通过比较,我们最终采用了RBF神经网络应用到该模型中进行入侵检测,并用自适应遗传算法优化RBF网络的相关参数,详细分析了该模型的设计思路和各模块的实现过程,重点研究RBF网络模块。理论上来说,该模型结合了RBF神经网络和自适应遗传算法的优点,从一定程度上可以提高入侵检测的准确率、降低误报率。最后分析了该模型的检测性能和效率,通过对比试验,结果表明RBF神经网络和自适应遗传算法应用于入侵检测是可行的,本文提出的一个基于自适应遗传算法的RBF神经网络的入侵检测模型有一定的研究价值。