随着各种入侵和攻击网络工具的出现,入侵检测成为网络管理的关键组成部分。入侵检测技术作为安全技术的一种,保护着网络中数据的完整性、私密性和可用性,因此入侵检测有着广阔的发展前景。本课题的研究具有很好的应用价值和社会意义。入侵检测方法中的BP神经网络方法由于正向分析,反向学习的特性而被广泛使用,但是普通神经网络算法由于其学习算法的收敛速度很慢,容易造成局部极小。因此改进BP神经网络入侵检测方法并提高学习效率,更加有效的检测攻击行为是非常必要的。当今的网络环境,得到的检测数据如果只通过软件形式保护是无法让人信赖的。可信计算提供的基于硬件的加密机制有效的防止了重要文件的丢失。更好的保护入侵检测生成的日志文件。主要工作如下:1.采用基于远程监控AIK证书机制,配合拟牛顿的方法进行学习,提出了基于远程监控AIK证书的入侵检测方法。通过对目标矩阵求二阶导数,能够较好的加快学习速度,消除局部极小。仿真实验表明漏报率和误报率都有所下降。2.将可信计算运用到数据的存储上,通过远程证明和加密机制,运用硬件保护密钥,再用密钥加密入侵检测得到的日志文件,提出了基于可信计算的入侵检测数据加密方法。通过逐级保护,有效的防止了入侵检测日志的丢失和篡改。更好的防护了用户的安全性,有效的保护了用户的权益。3.设计了基于可信计算的入侵检测系统,首先经过基于AIK证书的入侵检测方法,通过认证,用户得到相应的权限,如果用户没有AIK证书,则采用基于BP神经网络的入侵检测方法,经过检测发现所设计的入侵检测原型系统的误报率和漏报率都可以接受,能够在实际中使用。能够通过UDP流量曲线的变化及时发现拒绝服务攻击及其变种。并且对分布式入侵行为进行了有效的检测。