动态克隆选择算法在入侵检测应用中的研究

内嵌阴性选择算子的克隆选择算法（N-AIS）只能作为误用检测器,检测给定静态环境下的入侵行为,而不能自适应动态变化的网络环境.本文引入一种动态克隆选择算法DynamiCS对N-AIS进行扩展,并在人工生成的IDS环境中对影响DynamiCS性能的三个重要参数：耐受期、激活阈值和生命期进行了测试和分析.结果表明,它能够更好地处理和应用于入侵检测系统自身行为不断变化及每次仅提呈部分自身抗原的环境.     

一种改进的动态克隆选择算法在木马检测中的应用

传统的克隆选择算法在检测效率、实时性等问题上都有不足和缺陷。在传统克隆选择算法交叉变异过程之后再次进行阴性选择,以避免交叉变异时产生和自体匹配的新个体．防止自体免疫的发生。在变异时采取概率与亲和度大小成反比的机制,保证检测器充满多样性。引入循环补充机制。动态更新检测器,增强全局寻优能力。     

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。     

基于改进动态克隆算法的入侵检测研究

针对动态克隆选择算法在入侵检测应用中存在的高误检率,提出了一种改进动态克隆选择算法。对改进算法进行了描述,建立了一种基于人工免疫的入侵检测模型,并进行了仿真验证。仿真结果表明,改进后的算法取得了低的误检率。     

一种改进的动态克隆选择算法在入侵检测中的应用

针对目前入侵检测系统不能有效检测已知攻击的变种和未知攻击行为的缺陷,受免疫系统中动态克隆选择算法的启发,提出了一种基于改进的动态克隆选择算法。该算法可以适应连续改变的环境,动态地学习变化的正常模式以及预测新的异常模式。经实验证明,该算法在入侵检测中,在降低误报率的情况下,提高了检测率。     

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。     

负向选择和克隆在网络入侵检测应用上的研究

本文设计了一种基于网络入侵检测的新型人工免疫系统N-AIS，详细介绍了这个系统的构成和流程，重点分析了N-AIS的一个组件--具有负向选择算子的静态克隆算法的特性和用法。     

克隆选择算法分析及其改进的研究与应用

克隆选择算法被广泛应用到各个领域,为解决DeCastro克隆选择算法中存在的一些问题:需要根据人为经验确定种群规模的大小、种群训练的时间比较长、多峰搜索能力相对较弱,对其进行进一步的改进,运用新的克隆选择、克隆变异和最佳亲和度,并引入了抗体抑制操作,可动态确定种群大小,使算法具有较强的全局和局部搜索能力,同时也可以搜索到全局最优点和尽可能多的局部极值点.简单仿真实验结果表明,该算法的平均运行时间和找到峰值点个数都明显优于DeCastro克隆选择算法     

一种新型的克隆选择算法*

针对克隆选择算法自适应能力较弱的缺陷,给出了一种基于危险理论的自适应克隆选择算法。设计了危险信号操作算子,该算子将种群浓度的变动作为环境因素,以抗体—抗原亲和力为依据计算各个抗体在该环境因素下的危险信号,最终通过危险信号自适应地引导免疫克隆、变异和选择等后续免疫应答。实验结果表明本文算法具有较好的自适应能力和多值搜索能力。     

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。     

基于多模态函数优化的改进克隆选择算法

文章分析了deCastro和VonZuben在2002年提出的用于多模态函数优化的克隆选择算法(CLONALG)的不足,并且运用小生境技术、记忆方法、梯度法和相似性抑制法对该算法进行了改造,提出了小生境克隆选择算法(NCSA)。利用马尔柯夫链为数学工具,从理论上证明了NCSA的完全收敛性(CompleteConvergence)。该算法与CLONALG进行了仿真比较实验,不仅验证了NCSA理论上的完全收敛性结论,同时验证了所提算法对于求解多模态问题更为有效,且具有很好的稳定性。     

人工免疫系统中反向选择算法的改进

将人工免疫系统运用到入侵检测系统中,近年来已经有了一定的发展。在这个领域中,如何培育出符合需求的免疫细胞,使能够较多地识别非我并较少地识别自我,尽可能地覆盖NONSELF空间,这就是如何培育更好的识别器的问题。反向选择算法是识别器的传统构造算法,该文针对反向选择算法的伪肯定率过高的问题,提出了改进算法,在入侵检测系统中达到的效果更好。     

改进的克隆选择算法在模糊规则发现中的应用

提出了利用改进的克隆选择算法发现模糊规则的方法。在该方法中，对规则的评价函数不仅包含规则本身的置信度和蕴涵隶属度等特性，也包含表明规则对规则集整体性能影响程度的量化特性，即一致性贡献和完备性贡献。将该方法用于发现股票20日移动平均线与历史量价之间的模糊规则的仿真试验收到了满意结果。     

Hoeffding克隆选择算法及其在关联分类中应用

工程应用中,在某些需要大量的迭代计算来确定个体细胞亲和力的场合,传统的克隆选择算法由于计算的开销太大而变得不可行。针对该问题,该文提出一种新的Hoeffding克隆选择算法(H-CLONALG)来解决耗时的亲和力(适应度)计算问题。并将该算法应用于大数据集的关联分类,来提高构造关联分类器时算法的效率。基于Hoeffding不等式,该算法可以以确定的概率保证得到的解为最优解或接近于最优的解。实验表明,当数据集规模较大时,该方法能显著地减少分类器的构造时间,同时保证所构造的分类器的分类精度。     

一种基于克隆选择的动态聚类算法

本文在克隆选择免疫算法和层次聚类的基础上,提出一种动态聚类算法。该算法无需先验知识,首先初始化与抗原相同规模的抗体,然后根据亲和力进行抗原识别、抗体抑制和合并,完成一轮聚类;再利用aiNET免疫网络模型动态确定聚类后的抗体的变异方向,实施强目的性变异,变异率反比例于进化代数动态调节,使变异后相似的抗体进一步合并,如此反复直到满足终止条件。仿真的实验结果表明,该算法比传统的聚类方法具有更好的聚类结果和更高的性能。     

结合人工鱼群的动态克隆选择算法的研究

针对动态克隆选择算法中检测器利用率低、全局性差的问题,提出将人工鱼群算法中具有全局性和快速收敛的追尾、聚群行为应用在动态克隆选择算法的检测器生成阶段,改进算法效率,同时解决由于随机生成检测器而带来的诸多问题.通过仿真实验,证明改进后的算法具备了人工鱼群算法的优势,弥补了自身系统前期收敛慢、检测器生成效率低的问题.     

基于亲和力阈值的静态克隆选择算法

静态克隆选择算法用于产生检测特定“非我”的检测器。该文通过引入亲和力阈值参数改进静态克隆选择算法,使其匹配规则能够灵活表示“或”关系,且只须部分匹配即可高效提取能识别“非我”的部分样本特征。自我/非我区别的模拟实验结果表明,与静态克隆选择算法相比,该算法能更有效地产生部分分类规则。     

基于克隆选择原理的免疫算法

提出了一种基于克隆选择原理的人工免疫算法(AIA),该算法中引入了克隆选择、克隆删除、受体编辑、体细胞高频变异等思想,并将其应用到广义最小生成树(GMST)的求解当中,仿真结果证明提出的免疫算法能迅速收敛到全局最优解,显著提高了全局收敛可靠性和全局收敛速度。     

抗独特型克隆选择算法

基于免疫学中的抗体克隆选择学说,通过引入抗独特型结构,提出了一种用于求解复杂多峰函数优化问题人工免疫系统算法——抗独特型克隆选择算法.该算法通过克隆增殖操作、抗独特型变异操作、抗独特型重组操作和克隆选择操作这4 个操作算子来实现抗体种群的进化,能够同时在同一抗体周围的多个方向进行全局搜索和局部搜索,具有较强的搜索能力.理论分析表明,抗独特型克隆选择算法具有全局收敛性.抗独特型结构的引入充分利用了优势抗体的结构信息,加快了抗体种群的收敛速度,从而以更快的速度获得全局最优解,同时降低了算法陷入局部极值点的几率.实验部分采用4 组不同类型的函数对算法性能进行测试.理论分析及实验结果表明,与克隆选择算法等已有算法相比,该算法性能好,求解精度高,鲁棒性强.