入侵检测作为动态安全技术中的核心技术之一,能够实时地全面监控网络、主机和应用程序的运行状态,主动对计算机、网络系统中的入侵行为进行识别和响应,提供了对内部攻击、外部攻击和误操作的实时检测,有效弥补了传统安全防护技术的不足。通过构建动态的安全循环,可以最大限度地提高系统的安全性,减少安全威胁对系统带来的危害。因此,入侵检测研究在计算机网络安全领域得到了广泛关注和重视。本文分析了在新的网络环境中传统入侵检测方法面临的困境,并针对目前入侵检测中所存在的问题,提出了一种新的检测算法——基于T-S模型模糊神经网络的网络入侵检测算法。该算法利用T-S模型模糊神经网络对目标进行聚类,将目标特征空间进行划分,以识别出正常与入侵行为。通过大量研究和实验对Takagi-Sugeno(T-S)型模糊神经网络进行了详细的分析,结合BP算法思想实现了针对T-S模型的网络隶属函数参数的训练算法,将遗传算法用于权值学习,得到更快速、有效的模糊神经网络。以网络入侵检测研究为出发点,将T-S型模糊神经网络运用到入侵检测中,根据网络入侵检测的特征,提出了相应的检测规则和针对入侵检测的数据分析方法。在Matlab仿真平台上进行了基于T-S模糊神经网络的网络入侵检测的仿真实验。实验结果表明,本文提出的基于T-S模型模糊神经网络的网络入侵检测方法是可行的、有效的,并具有良好的可扩展性,并且能有效降低误检率的同时,检测率得到了一定提高。