基于逻辑程序的免疫识别器动态覆盖性初探

免疫识别器的动态覆盖与人工免疫系统的有效性具有重要的关联关系,应该用尽可能少的识别器覆盖尽可能多的NONSELF空间。根据识别器的动态覆盖性原理,引入逻辑程序来表示免疫识别器,并运用逻辑程序的更新特性,试图消除识别器所识别出的NONSELF空间的冗余,降低识别器的浓度,增强识别器的动态覆盖性。     

免疫识别器动态覆盖性的选择策略

免疫识别器的浓度、系统资源占用与人工免疫系统的有效性具有重要的关联关系。在尽可能少地占用系统资源,即降低识别器浓度的前提下,为了更有效地识别NONSELF,保证识别器的动态覆盖性是关键。文章根据机体免疫学的动力学原理,提出了一种动态选择算法,通过对识别器的优胜劣汰提高识别器集合的整体识别能力。     

计算机通讯中伪随机码识别器的设计

给出了在计算机通讯中采用伪随机码技术来进行识别的识别装置的硬件和软件的设计方法。     

免疫系统识别器的自适应模型

探讨了计算机网络安全免疫系统中培养池建造模型,分析了免疫系统识别器自学习的几种基本的方法和思想,提出了免疫系统培养自我(self)识别非我(Nonself)更新完善的一个过程。并且基于对病毒结构的考虑和探讨,构想了对新增入侵的防范模型。     

多级多项目批量问题的免疫遗传算法

采用以森林为抗体的编码方式的免疫遗传算法,并引入革亲遗传算子的方法,避免在近传鼻子的运行过程中产生不可行解.     

多级防火墙技术研究与应用探讨

在计算机信息技术和互联网飞速发展的今天,互联网在人类的生活、工作、学习中占据着重要地位。然而计算机网络安全是其与之俱来不可避免的问题。本文将基于多级防火墙技术,分析当前计算机网络中存在的安全隐患,针对这些实际问题探讨如何有效应用多级防火墙技术,实现对计算机网络安全的维护。     

复杂数字电路多级在线进化技术研究

复杂数字电路的在线进化是目前演化硬件领域的难题之一.本文阐述了基于多级分解进化的复杂数字电路在线进化思想,给出了数字电路进化设计算法,分析了数字电路编码方案,研究了数字电路在线验证评估方法,设计了适应度函数,给出了数字电路在线进化设计实验系统方案.以典型数字电路为例,验证了多级分解进化方法的有效性,实验结果表明,采用多级分解进化方法可大大提高数字电路在线进化设计的速度与成功率,也有利于提高数字电路在线验证评估效率.     

基于食物链的计算机免疫多识别器协同识别模型

借鉴自然免疫系统的一些特性,在基于系统调用(systemcall)的基础上建立了位串识别器,并借鉴食物链的一些特征,建立了一种多识别器协同识别模型。该模型符合自然免疫系统的高分布性、多样性、再次反应的快速性等特点。     

免疫防火墙模型的构造

为了改变传统防火墙静态的缺点,在计算机免疫学原理的指导下,通过借鉴自然免疫系统特征,提出了免疫防火墙模型。该模型是两层结构,第1层采用传统的防火墙技术,第2层是基于免疫原理的免疫层。免疫层采用规则树编码的识别器,通过在self、nonself集上进行学习和识别训练,获得self、nonself的主要特征,产生动态规则,即免疫层的免疫(淋巴)细胞,以自适应的方式阻拦非法数据,并利用演化计算对识别器进行演化。该防火墙模型具有一定的自适应性和动态性。     

网络安全控制系统及多级控制结构的设计

针对网络的安全问题,以安全性和可控性为目标,提出了网络安全控制系统的概念,并介绍了其特点,然后从系统工程的角度提出了设计系统时应遵循的原则。接下来,为实现网络安全控制系统可观性、可控性、能通性和能达性要求,采用多级控制方式进一步设计出了系统的多级控制结构,并对其中的关键部件进行了详细阐述。     

免疫进化否定选择算法

当训练样本分布密集交错时,传统的否定选择算法难以将检测器生成在正/反样本间的有效区域,导致检测器集合对这些样本的识别率降低,影响了算法性能。为使检测器能有效地识别分布密集交错的样本,本文提出了免疫进化否定选择算法（IENSA）。IENSA通过加入两个免疫进化过程,首先在样本分布密集的区域引导检测器在正/反样本之间有效地生成,然后在样本分布稀疏的区域对冗余检测器进行抑制。实验结果表明在二维人工数据集Rectangle与三维标准数据集Skin Segmentation上,相对于经典的RNSA与V-Detector算法,IENSA均能以较少的检测器而达到较高的检测率。     

一种基于量子免疫原理的网络入侵检测器生成算法

本文提出了一种基于量子免疫原理的检测器生成算法。算法的通过学习自体模式,训练出具有多样性高的抗体,然后用于真实数据的入侵检测。采用kddcup99数据进行了对比实验,实验结果表明基于本文算法的检测准确率高,同时收敛稳定性明显提高,收敛速度更快,比其他方法更加有效。     

一种基于模糊免疫的检测器生成算法

网络入侵方法和网络环境的不断变化,入侵越来越难以防范和检测。针对当前入侵检测过程中检测器生成问题,提出了一种基于生物免疫机制和模糊理论的检测器生成算法。该算法利用改进的否定选择算法来提高生成的检测器为成熟检测器的概率。通过仿真实验,表明该模型有效地改善了系统的性能,大大减少了不可避免的"黑洞"数量,黑洞数量大幅下降,检测率有显著提高。     

免疫遗传算法及在优化问题中的应用综述*

指出遗传算法的不足,将免疫学原理引入遗传算法,进而形成免疫遗传算法。针对免疫遗传算法在优化问题中的研究现状,从编码技术、先验知识、操作算子、混沌理论引入、多种群方式、与小生境理论结合等方面进行了总结,指出了不足之处,最后探讨了免疫遗传算法需要进一步研究的问题和发展方向。     

一种新的免疫入侵检测器生成算法

文中针对目前免疫算法中检测器生成算法存在的不足做了一些改进,提出了一种新的检测器生成算法———MAM(多属性匹配算法)。主要的改进措施有以下两点:提出了多属性匹配的思想,使特征字段的匹配更加符合实际情况;在检测器生成过程中采用分段产生的办法,以避免匹配区域r过大带来的效率问题。实验表明,MAM能够更为高效地产生所需要的检测器。     

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.     

人工免疫与网络安全

该文首先系统地介绍了人工免疫系统（Artificial Immune Systems）的原理和当前研究概况,然后对AS与网络安全相结合的基因计算机进行了全面的描述,最后对智能模拟在网络安全方面的前景进行了展望。     

免疫网络安全考试系统

将传统信息安全技术和新型生物自适应免疫技术应用于考试系统,设计并初步实现了一种新型的免疫网络安全考试系统.此系统是多层次的静态与动态、主动与被动防护相结合的自适应安全考试系统,它集多种保护方法于一体,能自适应地保护系统本身,其安全性、稳定性比其他考试系统有一定的增强.     

基于人工免疫的记忆检测器研究

传统的手段已不能充分地解决计算机网络的安全问题。为了确保计算机网络系统安全,建立一个有效的入侵检测系统IDS,针对IDS中成熟检测器检测率低和错误肯定率高的问题,根据人工免疫记忆原理,研究了免疫检测器集中成熟检测器激活,记忆检测器生成与变异机制以及演化,给出了记忆检测器生成算法,研究了记忆检测器变异和淘汰机制。实验结果证明记忆检测器为主的检测器集合实现了检测器自学习和联想记忆的功能,提高了入侵检测系统的自适应能力和检测率,减少了错误肯定率。     

一个自体变异免疫检测器生成算法

人工免疫系统作为一种计算智能方法,具备强大的信息处理和问题求解能力,检测器集的生成是构造人工免疫系统的关键技术,也是智能计算研究的热点之一。分析了传统免疫检测器生成算法,引入自体变异机制,结合空位模板技术,提出了一个自体变异的检测器生成算法。介绍了算法原理,描述了算法模板定义和实现步骤,分析了算法的性能和复杂性。理论分析与试验结果表明,该算法可以有效降低检测器集规模,提高检测器集的检测概率。