1、隨著計算機網絡技術的飛速發(fā)展以及廣泛應用，計算機網絡安全成了越來越重要的問題。如何能快速、準確、有效地識別己有的攻擊和日益增多的新的攻擊就是入侵檢測系統(tǒng)所面臨的迫切問題。 自20世紀80年代中期以來，神經網絡的理論和應用研究都獲得了很大的進展。神經網絡強大的學習能力、快速尋找優(yōu)化解的能力使得神經網絡成為解決入侵檢測系統(tǒng)面臨的問題的一種新途徑。事實上基于神經網絡的入侵檢測技術已經得到了迅猛發(fā)展，取得了令人鼓舞的效果。相對于傳統(tǒng)的入

2、侵檢測技術來說，采用神經網絡的入侵檢測具有檢測速度快、能識別大量新型攻擊的優(yōu)點，但也存在檢測準確度有待進一步提高的問題。鑒于此，本文提出了一個新的神經網絡集成技術，并應用這個技術構造入侵檢測系統(tǒng)的入侵檢測器。 在這個神經網絡集成技術中，本文提出了分類學習個體網絡生成技術和基于正交變換的個體神經網絡集成技術。 在分類學習的個體網絡生成過程中，充分考慮入侵數據的組成特點，將學習樣本分割至兩個樣本集中，每次分別從兩個樣本集中按

3、照不同的選擇策略選擇部分樣本共同組成個體網絡的訓練樣本子集，然后根據這個訓練樣本子集訓練神經網絡。從而，在入侵樣本學習和正常樣本學習間取得平衡，在檢測時能較大地提高對R2L、U2R（較少出現(xiàn)、很危險的入侵）兩種入侵類型的檢測。 在基于正交變換的神經網絡集成過程中，首先提出集成誤差和網絡相關度之間的線性關系；然后，根據矩陣相關理論，將集成誤差的優(yōu)化問題轉化成求解函數極限問題；最后利用函數極值的性質求解出函數的條件極值，從而實現(xiàn)集成