基于决策树及遗传算法的人工免疫入侵检测算法

针对传统的否定选择算法中生成大量无效抗体,并且抗体之间缺乏多样性的问题,设计了基于决策树及遗传算法的人工免疫入侵检测算法。将决策树和遗传算法引入传统的否定选择算法中,利用决策树计算抗原和抗体之间的亲和力,提出了新fitness的计算公式,并利用抗体浓度衡量抗体集的多样性,将低浓度抗体代替高浓度抗体,实现了抗体的多样性,确保了当抗体集的数量一定时尽可能覆盖最大的非自体集空间,以提高抗体集的性能。     

一种基于稀疏表示系数的特征相关性测度

目前特征选择方法中常用的特征相关性测度可有效评估两个特征之间的相关性,但却将特征孤立看待,没有考虑其它特征对它们相关性的影响。文中在整体考虑特征之间关系的前提下,提出用稀疏表示系数评估特征的相关性,它与现有特征相关性测度的不同之处在于可揭示特征在其它所有特征影响下与目标的相关性,反映特征间的相互影响。为验证稀疏表示系数评估特征相关性的有效性,在典型的高维小样本数据上,比较了Relief F方法及分别以稀疏表示系数、对称不确定性和皮尔森相关系数为相关性测度的特征选择方法选择的特征集的分类能力。实验结果表明文中方法选择的特征集的分类能力高且较稳定。     

基于模糊集的免疫危险理论模型设计

提出了一种新的基于模糊集合的免疫危险理论模型,该模型在"危险"定义的基础上,引入模糊集合和隶属度的概念,对危险程度进行计算并分类,使机体感知危险的同时也能依据不同的危险程度做出相应的处理,从而提高系统对"危险"的识别效率,有效地改善了基于免疫的入侵检测系统的准确率,降低了误警率.     

基于模糊模式识别的免疫模型的设计

针对目前入侵检测系统的脆弱性，提出了一种新的基于模糊模式识别的信息处理方法，建立了模式识别模型，把该模型应用于基于人工免疫原理的入侵检测系统的设计方案之中，这在一定程度上克服了传统的基于确定性数学模型的局限性。实验结果表明，该模型具有较高的检测效率。     

基于双层防护体系结构的人工免疫模型

低效率检测能力的免疫模型不能满足当今网络入侵检测的需要,该文提出一个双层防护体系结构,将免疫原理和模糊数学理论相结合,具有2次检测过程。该模型利用了模糊模式识别理论对数据样本进行数据浓缩,从给定学习样本数据中提取一组规则作为检测的重要依据。实验表明,该模型可以有效降低漏报率及误报率,具有较大的参考价值,在实际中有良好的应用前景。     

基于模糊集的免疫克隆选择算法

分析了将人工免疫原理应用到入侵检测系统中存在的不足。为了克服传统的基于精确数学模型免疫算法的局限性，提出了一种基于模糊集理论的免疫克隆选择算法，引入了模糊集合和隶属度的概念，采用了一种动态的智能优化策略，有效地改善了检测元的特性，提高了检测元在复杂网络环境下的适应能力，从而增强了网络的安全性。分析了该算法能在一定程度上弥补反向选择算法的不足。     

泛癌症DNA甲基化位点聚类分析

当前对脱氧核糖核苷酸甲基化的研究大多局限在单一疾病中单个基因或者某个较小的区域．针对这一局限,提出了一种基于聚类的甲基化分析方法,从泛癌症角度、在全基因组水平上挖掘甲基化模式．首先对多种癌症进行差异甲基化位点筛选;然后对差异甲基化位点进行聚类;最后进行生物富集分析．在泛癌症项目提供的6种癌症上进行了实验研究,通过筛选得到2184个差异甲基化位点,通过聚类得到9个甲基化簇．在甲基化簇中进行的模式分析结果显示,不同类型的癌症在甲基化模式上存在共性,甲基化和基因表达之间关系较为复杂,不是单纯的正负相关关系．富集分析结果表明,该项研究得到的基因集合在多个癌症的通路中存在显著富集．     

基于模糊模式识别的自体集的构造方法

目前计算机安全免疫系统中都还面临着"不完全self集合"的问题,尤其是在基于网络的入侵检测系统中会产生较大的缩放.提出了一种面向网络的免疫模型中自体集的构造方法,借鉴了模糊数学的理论,采用了模糊模式识别原则来评价网络连接行为的"正常度",从而确定是否作为训练集(self集)中的元素.     

基于Vague集的人工免疫模型

分析了众多的应用在入侵检测系统中免疫模型存在的不足,提出了一种基于Vague集理论的人工免疫模型的设计实现方法,该方法采用了Vague集的核函数和精确函数来解决基于Vague集的模式识别问题,由于Vague集可以同时表示"肯定"、"否定"和"不确定"的信息,这使得在采用了Vague集的人工免疫模型中得到的识别结果更符合实际情况,最后给出了实验证明了该方法的有效性.     

基于决策树的主从结构的Self集构造算法

针对基于计算机免疫的入侵检测系统中所面临着"不完全Self集"的问题,设计了基于决策树的主从结构的Self集构造算法.将决策树引入到传统的否定选择算法中,通过决策树把经过免疫耐受淘汰后的候选检测器进行重新分类,并将满足设定条件的候选检测器集合构造"从Self集",实现Self集的动态扩充,最后利用"匹配矛盾"淘汰"从Self集"中不合格的元素.实验分析结果表明了该算法的有效性,改善了检测器识别性能.