面向人工免疫系统的变长检测器快速生成算法

为提高现有非选择算法在检测器生成时的效率问题,设计一种长度可变检测器的快速生成算法。该算法不仅可以消除"漏洞"区域,还可以通过优化减少冗余检测器,提高检测器生成效率和检测效率。实验结果表明,该算法比传统的非选择算法及r可变的非选择算法具有更好的性能。     

一种可变阈值检测器生成算法的研究

在构造人工免疫系统中,如果能自动调节生成检测器的大小,从而利用较少的检测器,实现对较大"非自体集"的检测,就可从根本上提高系统效率.本文通过分析人工免疫系统中的主要算法--否定选择算法,以及检测器产生漏洞的原因,提出了一种可变阈值的检测器生成算法.与传统的否定选择算法相比,该算法大大减少了漏洞,使检测效率得到提高.     

一种可变模糊匹配阴性选择算法

通过对人工免疫系统中阴性选择算法机理的分析,定义了连续相似度与背离度,提出了一种可变模糊匹配阴性选择免疫算法.算法通过调整匹配阈值的方法降低黑洞数量;利用模糊思想,实现了具有一定连续相似度的模糊匹配,模糊程度可控;为了消除检测器间的冗余,提高检测器集的检测效率,算法在模糊匹配的基础上,生成了有效检测器集.仿真实验表明,可变模糊匹配阴性选择算法生成的成熟检测器检测范围较大,空间覆盖率明显提高,黑洞数量大幅下降,算法具有较强的鲁棒性.     

基于免疫的最小有效检测器集生成算法

通过对可变模糊匹配阴性选择算法生成的检测器集覆盖空间的分析,针对检测器集中检测器之间出现的互相匹配的现象,提出一种最小有效检测器集生成算法。该算法利用模糊思想确定匹配阈值,有效去除了检测器集中的冗余现象。仿真结果表明,由该算法所生成的检测器集空间覆盖率显著提高,实现了以较小的检测器集合,检测到较大范围的“非己”行为,从而提高了系统的检索率和性能。     

基于免疫的检测漏洞问题研究

针对已有实值非选择算法中检测漏洞问题,提出一种改进的算法提高对检测漏洞的覆盖。算法基于可变长实值检测器实现,主要思想是把自体样本分为边界自体样本和非边界自体样本。在检测器的生成过程中,鉴别和记录边界自体样本;在对新样本的检测过程中,检测是否匹配边界自体。通过人工合成数据集2DSyntheticData和实际Iris 数据集对算法进行了验证。实验结果表明,算法检测率较高,在覆盖自体和非自体边界处的漏洞方面明显优于已有的算法。     

面向IDS的可变长检测器生成算法研究

在基于人工免疫的入侵检测系统（IDS）中,检测器集合直接影响检测结果的效率和准确度。针对目前基于人工免疫的IDS中检测效率和漏警率问题,提出了一种可变长检测器生成算法。该算法相对于已有的算法,降低了黑洞区域,减少了冗余检测器,提高了检测器生成效率和检测效率。给出了算法的设计思想、具体步骤以及在入侵检测系统中的具体实现。对算法的分析和实验表明,本算法用于入侵检测系统,提高了检测的准确率,降低了漏警率。同时,对各种异常检测向题具有一定的适用性。     

一种改进的否定选择算法在入侵检测中的应用

有效的检测器生成算法是入侵检测的核心问题。针对现有算法存在检测率低、匹配阈值固定、检测器集合庞大等问题,通过对人工免疫系统中否定选择算法原理的分析,提出一种生成最有效检测器集的变阈值模糊匹配否定选择免疫算法,并将该算法应用到入侵检测系统中。算法采用随机生成和基因库相结合的候选检测器生成机制,在保证检测器多样性的同时,提高了候选检测器成为成熟检测器的比率。为了消除冗余检测器的产生,提高检测器集的检测效率,算法在模糊匹配的基础上生成有效检测器集。同时,匹配阈值可变,可大幅降低黑洞数量。实验结果表明,该算法提高了入侵检测率,降低了虚警率,整体检测性能较好。     

面向在线图符识别的免疫克隆选择算法

针对在线手绘图符识别中样本训练存在的"收集足够数量模板或样本并保持其区分度"的难点,提出了一种适合于手绘图符识别的基于检测器生成的克隆选择算法及其评价方法.该算法采用r-连续位不变规则和p-受体编辑生成初始检测器,使算法具有更广泛的搜索空间并不致陷入局部收敛.以手写文字作为实验对象,评价该算法各参数对个体训练的影响,实验结果验证了该算法对手绘图符样本训练及分类的改进.     

改进的检测器大小可变的免疫异常检测算法

在传统的免疫异常检测算法中,通常存在检测器对非我空间的覆盖漏洞,以及检测器数量过大且相互覆盖等问题,这是导致免疫异常检测算法效率较低的主要原因。提出了一种能够处理混合型数据的免疫异常检测算法,它能够生成不同大小的检测器,提高对非我空间覆盖的效率。通过模拟实验和对比实验表明,该算法能够较好地完成对混合型数据的处理,并有效提高生成检测器的效率。     

一种采用边界检测器的实值否定选择算法

针对实值否定选择算法中由边界困境问题引发的在自体与非自体区域边界产生漏洞的现象,提出了一种采用边界检测器的实值否定选择算法.该算法在边界上生成具有一定侵略性的边界检测器,通过边界阚值控制的边界检测器不仅能够有效地减少边界上的漏洞,还能探明自体与非自体区域边界.使用人工数据和MIT Darpa 1998离线数据对算法进行了测试,结果表明尽管新方法具有较高的最小误报率,但在误报率相同的情况下,有更高的检测率.     

邻域形态空间多源免疫检测器生成与检测

人工免疫系统（artificial immune system,简称AIS）是人工智能技术的重要分支之一,被广泛应用于异常检测、数据挖掘、机器学习等多个领域.检测器是其核心知识集,其生成、优化和检测操作决定了人工免疫的应用效果.目前,人工免疫的问题空间以实值形态空间为主,但实值非自体空间“黑洞”、检测器生成速率慢、检测器高重叠冗余、“维度灾难”等问题,使得人工免疫检测的效果不甚理想.鉴于此,使用邻域形态空间,并改进邻域否定选择算法（neighborhood negative selection algorithm,简称NNSA）,引入混沌理论和遗传算法,提出了一种多源邻域否定选择算法（multi-source-inspired NNSA,简称MSNNSA）,并基于此提出邻域形态空间多源免疫检测器生成与检测方法,改进邻域形态空间下检测器的构造与生成机制,使其更具靶向性,并使获得的检测器具有更好的分布性,提高其生成效率和整体的检测性能,解决以上实值形态空间下存在的问题.实验结果表明,该方法提高了检测器生成效率以及检测的整体性能和稳定性.     

改进检测子生成算法在入侵检测中的应用

检测子生成是阴性选择算法(NSA)的关键步骤,现有检测子生成算法存在检测子生成效率不高、合格检测子冗余。针对该问题,改进检测子生成算法,对随机生成检测子进行二次耐受减少非自体空间的交叉覆盖区域,引入变异机制降低随机检测子与自体的碰撞概率。实验结果表明,改进算法对Probe攻击和DoS攻击的检测均优于NSA算法。     

Using known nonself samples to improve negative selection algorithm

Negative selection algorithm is the core algorithm of artificial immune system. It only uses the self for training and generates detectors to detect abnormalities. Holes are feature space areas that the detector fails to cover, it is the root cause of the performance degradation of the negative selection algorithm. The conventional method generates a large number of detectors randomly to repair the holes, which is time-consuming and not effective. To alleviate the problem, we propose a V-Detector-KN algorithm in this paper. V-Detector is the abbreviation of the real-valued negative selection algorithm with Variable-sized Detectors, KN represents Known Nonself. The V-Detector-KN algorithm uses the known nonself as the candidate detector to further generate the detector based on the V-Detector randomly generated detector, so as to realize the repair of holes. Compared with the conventional method to randomly generate detectors to repair holes, our proposed V-Detector-KN method uses known nonself to repair holes, reducing the randomness and blindness of hole repair. Theoretical analysis shows that the detection rate of our algorithm is not lower than that of the conventional V-Detector algorithm. The results of experiment comparing with other 6 algorithms on 7 UCI data sets show the superiority of our proposed algorithm.

     

基于多种群遗传算法的检测器生成算法研究

有效的检测器生成算法是异常检测的核心问题, 针对现有算法存在检测率低、匹配阈值固定、检测器集合庞大等问题, 本文提出了基于多种群遗传算法的检测器生成算法, 根据形态学空间的分析和覆盖问题原理, 自体集根据特征进行划分, 各个种群根据划分独立按遗传算法进化, 最后求得所有检测器种群的并集得到成熟的检测器. 所提出的算法有效降低检测器的冗余度, 减少检测器规模, 保持检测器的多样性; 并利用 maxSelf 实现匹配阈值 r 的自适应, 适用于多种匹配规则, 减小了阈值设置的局限性, 给出了算法的检测率高于传统算法的理论证明, 并通过实验验证了算法的有效性. 另外, 通过统计算法的时间复杂度, 证明算法时间复杂度没有明显增加.     

一种分段检测器集合生成算法的研究与实现

目前大多数入侵检测算法的研究均用于提高系统检测的准确率和对非法抗原的覆盖率,缺乏对提高算法检测速度的研究。针对这一问题,提出一种新的基于否定选择的检测器生成算法,利用分段的方法,先将候选检测器集合的大小利用求解递归公式计算出来,再用求解序号随机生成检测器。实验表明,该算法的时间效率得到显著提高,并具有实际的工程应用价值。     

基于ISM 特性的检测器生成算法及模型

针对现有检测器生成算法存在效率低、自适应性差、生成的检测器集庞大且冗余等问题, 借鉴生物免疫系统中抗体的克隆机制和亲和度变异机制, 并融合小生境策略以及检测器的变异和优化等, 构建基于免疫软件人(ISM) 特性的检测器生成算法及模型. 与传统算法相比, 该算法能够降低检测器的冗余度, 减少检测器集的规模, 保持检测器的多样性; 通过合理地改变其匹配阈值, 能够实现以较小的检测器集检测出更多的异常行为的目的. 实验结果表明, 所提出的算法具有较强的自适应性, 且拥有较高的检测效率和性能.

     

一种基于小生境策略的阴性选择算法

阴性选择算法是计算机人工免疫系统的传统核心算法之一,并以此为基础产生了许多改进算法,但这些算法大多存在计算时间过长以及空间资源消耗过大等问题。针对这些问题,提出了一种基于小生境策略的阴性选择算法,算法引入了小生镜策略,增强了检测器生成的多样性,降低了算法的复杂度并减少了检测器的生成时间,提高了阴性选择算法的生成效率。     

一种r可变阴性选择算法及其仿真分析

论文首先简要介绍了人工免疫系统的基本概念,然后着重分析了人工免疫系统中的主要算法“阴性选择算法”,并提出一种r可变阴性选择算法．同传统的阴性选择算法相比,该算法大大减少了不可避免的“黑洞”数量．仿真结果表明：r可变阴性选择算法产生成熟检测器的迭代次数、黑洞数量均大幅下降,同时检测率有显著提高．