进入21世纪后移动互联网的发展速度超出人们的预期,互联网改善人们生活条件同时网络安全问题困扰着人们的生活,网络入侵事件频繁发生。如何高效地检测网络入侵行为已经成为网络安全领域研究的热点。现阶段的网络安全保护技术和网络安全保护方法也很难满足当代人们对网络安全性能的强烈需要。近年来最流行的是入侵检测技术,它能够对传统的网络安全保护技术起到辅助作用。入侵检测技术虽然逐步完善,但是仍然存在着检测率低、误报率高的缺点。针对这些问题,本文将遗传算法、Kohonen网络、极速学习算法应用于入侵检测当中,以提高入侵检测系统的检测性能。主要内容如下:(1)本文数据以选取的部分KDD99数据为主要数据集,该数据由41维特征属性组成。为了方便神经网络的处理,对非数值型的数据进行数值化编码,并对数据进行归一化。基于遗传算法,选取测试集数据误差平方和的倒数作为适应度函数,对数据进行降维,筛选掉冗余的特征,并将降维前后的数据输入到BP算法构造的分类器中,验证数据降维效果。(2)通过在Kohonen的竞争层后增加输出层使其变为有监督学习的网络,有效缓解了Kohonen网络收敛速度慢的问题。并用极速学习算法优化S-Kohonen算法隐含层和输出层之间的网络权值,使得模型的训练时间减少,使算法更高效。利用降维后的部分KDD99数据对本文的入侵检测方法进行仿真实验,实验结果表明本文的方法对时间和误报率都有一定的提高。(3)以本文的入侵检测模型为基础,实现了一种基于神经网络算法的入侵检测系统,该系统利用Wireshark网络数据采集工具抓取网络流量中的数据包,通过分析数据包中传输层,协议类型等提取有效特征,通过设计好的入侵检测模型来预测是否存在恶意入侵行为,并及时反映给用户。