生物免疫机理在计算机安全领域的应用与发展

本文简要阐述了生物免疫系统的免疫机制，分析了免疫机理同计算机安全共同特性，最后介绍了人工免疫在计算机安全领域两个方面的应用和发展：入侵检测系统(IDS)和病毒免疫系统(VIS)。     

一种计算机安全发展的新技术：人工免疫

随着网络的发展，计算机安全问题日益突出。现有的抗病毒技术已经无法快速抑制病毒的繁衍和传播。本文探讨了一种计算机安全发展的新技术——人工免疫，即基于生物免疫系统的计算机病毒免疫技术。在现代信息科学和生命科学相互交叉渗透的研究领域，由生物免疫系统启发的人工免疫系统是继脑神经系统(神经网络)和遗传系统(进化计算)之后的又一个研究热点。本文从理论的角度论述了计算机免疫和生物免疫的相似性；介绍了生物免疫系统机理以及计算机免疫系统的体系结构和常见算法。最后介绍了人工免疫工程的应用现状。     

生物免疫机理在计算机安全领域的应用与发展

本文简要阐述了生物免疫系统的免疫机制,分析了免疫机理同计算机安全共同特性,最后介绍了人工免疫在计算机安全领域两个方面的应用和发展:入侵检测系统(IDS)和病毒免疫系统(VIS).     

一种基于免疫原理的入侵检测系统模型

自然免疫系统与计算机安全问题有很多相似性，两者主要工作都是如何区分“自我”与“非我”。根据人工免疫的原理、体系结构，本文建立了一种新的基于人工免疫原理的网络入侵检测系统模型。以改进现有网络入侵检测系统的性能，并详细给出了该模型在计算机中的具体实现、数学描述、系统结构。     

生物免疫机理在计算机安全领域的应用与发展

本文简要阐述了生物免疫系统的免疫机制,分析了免疫机理同计算机安全共同特性,最后介 绍了人工免疫在计算机安全领域两个方面的应用和发展:入侵检测系统(IDS)和病毒免疫系统(VIS)。     

一种计算机安全发展的新技术:人工免疫

随着网络的发展,计算机安全问题日益突出.现有的抗病毒技术已经无法快速抑制病毒的繁衍和传播.本文探讨了一种计算机安全发展的新技术--人工免疫,即基于生物免疫系统的计算机病毒免疫技术.在现代信息科学和生命科学相互交叉渗透的研究领域,由生物免疫系统启发的人工免疫系统是继脑神经系统(神经网络)和遗传系统(进化计算)之后的又一个研究热点.本文从理论的角度论述了计算机免疫和生物免疫的相似性;介绍了生物免疫系统机理以及计算机免疫系统的体系结构和常见算法.最后介绍了人工免疫工程的应用现状.     

基于类比的免疫模型及其应用

生物免疫系统是一个高度进化的生物系统,它能够智能区分和抵抗外部有害抗原,产生抗体,清除病原,保持机体稳定.仿照生物免疫系统,研究者们提出了人工免疫系统(artificialimmune system,AIS).基于类比推理的免疫模型的核心是把类比推理方法应用于人工免疫系统的克隆选择和否定选择过程.该模型把遗传算法与AIS相结合,对初始异常行为样本集合进行优化,并从异常性和正常性两方面考虑,提出了网络行为异常概率算法.在此基础上建立了一种网络入侵检测系统模型.     

一种基于免疫原理的入侵检测系统模型

自然免疫系统与计算机安全问题有很多相似性,两者主要工作都是如何区分“自我“与“非我“.根据人工免疫的原理、体系结构,本文建立了一种新的基于人工免疫原理的网络入侵检测系统模型,以改进现有网络入侵检测系统的性能,并详细给出了该模型在计算机中的具体实现、数学描述、系统结构.     

一种基于免疫原理的入侵检测系统模型

自然免疫系统与计算机安全问题有很多相似性,两者主要工作都是如何区分“自我”与“非 我”。根据人工免疫的原理、体系结构,本文建立了一种新的基于人工免疫原理的网络入侵检测系统模型,以 改进现有网络入侵检测系统的性能,并详细给出了该模型在计算机中的具体实现、数学描述、系统结构。     

免疫系统的主组织相容复杂性及其应用

在模拟免疫系统的主组织相容复杂性的基础上,结合模糊逻辑与扩展阴性选择算法提出了一个基于免疫系统主组织相容复杂性的模糊逻辑综合决策算法,并用该算法构建了一个实际的基于网络的入侵检测系统。该算法应用高效的扩展阴性选择算法作出第一次网络流量检测,当网络数据异常特征明显时,能直接检测出入侵。若其不能准确地识别待分析数据,则利用具有检测结果准确优势的规则匹配算法作出二次检测,最后结合两次检测结论用模糊逻辑决策模型做出综合决策。     

基于动态克隆选择算法的病毒检测模型

为了更加有效地检测病毒变种和未知病毒,受生物免疫系统的启发,提出了一种基于人工免疫系统(AIS)的计算机病毒检测模型.通过引入动态克隆选择算法并对其改进,解决了训练过程中自我空间静态固定的问题,提高了病毒检测系统对于不断变化病毒环境的动态适应能力.实验结果表明,该模型拥有较强的自适应能力,可有效地检测病毒程序,并且具有较低的误报率.     

Clone Selection Algorithm with Niching Strategy for Computer Immune System

A clone selection algorithm for computer immune system is presented. Clone selection principles in biological immune system are applied to the domain of computer virus detection. Based on the negative selection algorithm proposed by Stephanie Forrest, combining mutation operator in genetic algorithms and niching strategy in biology is adopted, the number of detectors is decreased effectively and the ability on self-nonself discrimination is improved. Simulation experiment shows that the algorithm is simple, practical and is adapted to the discrimination for long files.     

否定选择算法在网络入侵检测中的应用

针对入侵检测中区别合法授权行为与非法授权行为的问题,从生物免疫系统中得到启发,采用生物免疫系统中的否定选择算法,建立了网络入侵检测模型.通过实验测试表明,在低误报率的情况下,提高了检测率.     

多级免疫检测器集在分布式入侵检测中的应用

为了提高入侵检测系统的网络环境适应能力,提出了一种基于多级免疫检测器集的分布式入侵检测模型。该模型由检测主机、检测子网和中心服务器组成,将入侵检测系统部署在网络的各检测主机中,检测子网具有与上层入侵检测网络相同的特征,中心服务器负责为检测主机和子网提供支持。通过模拟生物免疫系统的免疫细胞,检测主机的免疫检测器进行了学习和进化,该模型利用二级免疫检测器集机制,协同中心服务器的疫苗接收和种痘操作,减少了检测器的数量和提高了检测器的检测能力。     

基于免疫机制入侵检测中检测器生成的优化研究

机体免疫系统的许多有益特性被应用于入侵检测系统,使之能够主动地防御各种各样的网络攻击。该文在分析了将人工免疫学应用到入侵检测的过程中所遇到的诸多问题之后,提出了一种新的检测器生成算法。通过Matlab编程,对其进行了仿真实验,验证了该算法的有效性。     

基于T细胞免疫耐受的检测器生成算法设计

通过模拟T细胞的培育机制,包括阴性选择和阳性选择,提出基于T细胞免疫耐受的检测器生成算法.该算法采用基于规则的基因表达方式同匹配规则相结合的方法,能够灵活表示分类规则间的或关系,并且引入阴性选择算子,使算法能够更有效地生成检测器.     

一种新型入侵检测模型及其检测器生成算法

介绍了一种基于人工免疫原理的入侵检测模型,重点研究了否定选择算法模型中检测器集合的生成算法,提出了新的初始检测器的生成算法,并对算法性能进行了分析。结果表明:该算法模型可以对未知入侵行为和已知入侵行为的变异进行有效的识别。     

基于免疫算法的入侵检测系统

文章提出并实现了一种基于异常检测的入侵检测系统，利用生物免疫系统的特点来提高检测入侵行为的能力，使入侵检测系统具有一定的智能性和分布性，同时能发现新的未知入侵方式，与基于特征入侵的系统结合可以达到更高的检测的能力。文章最后给出了在局域网中的性能测试实例。     

Fast network intrusion detection system using adaptive binning feature selection

Aiming at the problems of the low detection rate of traditional intrusion detection systems and the long training and detection time of intrusion detection systems based on deep learning,an adaptive binning feature selection algorithm using the information gain is proposed,which is combined with LightGBM to design a fast network intrusion detection system.First,the original data set is preprocessed to standardize the data;then the redundant features and noise in the original data are removed through the adaptive binning feature selection algorithm,and the original high-dimensional data are reduced to the low-dimensional data,thereby improving the accuracy of the system and reducing the training and detection time;finally,LightGBM is used for model training on the training set selected by the characteristics to train an intrusion detection system that can detect attack traffic.Through verification on the NSL-KDD data set,the proposed feature selection algorithm only takes 27.35 seconds in feature selection,which is 96.68% lower than that by the traditional algorithm.The designed intrusion detection system has an accuracy rate of 93.32% on the test set,and its training time is low.Compared with the existing network intrusion detection system,the accuracy rate of the proposed system is higher,and its model training speed is faster.