随着信息技术的快速发展，网络的安全问题日益凸显，网络入侵检测技术成为保障网络安全的重要手段。本文讨论的是一种结合模糊数据挖掘技术和遗传算法的网络入侵检测技术，此技术旨在提高检测网络入侵的准确性与效率。
网络入侵检测技术主要可以分为两大类：滥用检测和异常检测。滥用检测技术依赖专家知识来判断入侵行为，其缺点是对新的入侵模式和伪装后的入侵模式检出率不高。异常检测则关注与正常行为有差异的行为，但其难点在于区分正常行为的小变动与实际的入侵行为，因为这些小变动可能会导致虚假警报。
为了解决这些问题，作者提出了利用模糊数据挖掘技术和遗传算法来开发新的网络入侵检测系统。模糊数据挖掘技术可以从正常的行为存储模式中寻找差异，并尝试将这种差异与可能的入侵行为联系起来。与此同时，遗传算法在这一过程中起到调整模糊隶属函数和选择合适特征集合的作用。
遗传算法是一种模拟自然选择和遗传机制的搜索算法，它通过模拟生物进化的规律，如选择、交叉和变异等操作，来寻找最优解或近似最优解。在模糊数据挖掘中应用遗传算法，可以有效地处理数据挖掘过程中可能出现的模糊性、不确定性和复杂性，有助于提高挖掘出的数据特征的准确性。
文章提到的模糊数据挖掘技术，在异常检测部分主要是基于模糊逻辑来寻找正常行为模式的偏差。模糊逻辑理论是处理不确定性和模糊性的有力工具，它允许信息的不精确性存在，更适合描述复杂系统和过程，例如网络安全领域。通过模糊逻辑，可以对网络中的行为模式进行模糊化处理，构建一个能够容忍小幅度变动同时又不会忽略明显异常行为的检测系统。
滥用检测部分则是通过寻找先前定义的入侵行为模式来实现的。在这一部分，系统会利用之前建立的专家系统来对网络通信量和系统审计数据进行分析，以期发现与已知入侵模式匹配的行为。这种方法可以检测出利用特定漏洞或者特定模式的攻击行为。
系统结构方面，该网络入侵检测系统既支持异常检测又支持滥用检测，因而适用于个人工作站和复杂的网络环境。这意味着，无论是在单一的工作站还是在网络的多个节点上，该系统均能够提供安全监控，及时发现潜在的网络威胁。
关键词中提到的“入侵检测系统”是整个系统的核心，包含了异常检测和滥用检测两个关键部分。“遗传算法”则是优化检测系统性能的关键技术之一，通过遗传算法的优化，可以不断调整系统参数以适应各种网络环境和攻击类型。
总结来说，基于模糊数据挖掘和遗传算法的网络入侵检测技术是将模糊理论和遗传算法巧妙结合，通过不断学习和适应网络环境变化，提升检测网络入侵的准确率和效率。该技术的发展与应用对于网络安全领域具有重要意义，能够帮助我们更好地抵御各种潜在的网络威胁。
