基于反向选择的地震前兆观测数据异常检测

针对现有前兆异常检测方法因异常数据较少导致检测准确率偏低的问题,提出一种基于反向选择的检测方法。定义地震数据中的self集与nonself集;将随机选取的未成熟检测器与self集进行匹配,生成半径可变的成熟检测器,覆盖nonself空间;将待检测数据与检测器匹配,通过判断是否在nonself空间得到检测结果;与现有地震异常检测方法BP神经网络、支持向量机进行对比,实验结果表明反向选择用于地震前兆观测数据异常检测有更好的效果。     

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.     

基于负载随机性的互联网络链路流量识别方法

针对当前互联网络链路流量识别方法未考虑数据块类别,导致互联网络链路流量识别准确性和效率较低,流量识别误报率和漏报率较高的问题,提出基于负载随机性的互联网络链路流量识别方法.利用数据包负载随机性检测方法,判断网络数据流中数据块负载随机性类别.将判断结果作为机器学习方法的已标注数据集,提取数据流特征属性构成样本集合,采用ID3算法,训练分析该样本集合,寻找数据间规律,构建分类模型,通过分类模型预测和评估未知数据流量,实现互联网络链路流量识别.实验结果表明,上述方法识别不同类型流量的漏报率和误报率较低,具有较强的识别可靠性,识别时间较短,能够有效提高识别准确性和效率.     

基于记忆双导向变异的故障检测器生成方法

人工免疫算法中的阴性选择算法已经成功应用于故障诊断领域。为了生成更加优良的故障检测器,提高算法性能,本文在传统阴性选择算法的基础上,提出了一种基于免疫记忆双导向变异的故障检测器生成方法。该算法定义了一个免疫记忆集合,把与自体集合或成熟检测器集合发生匹配的检测器放入到免疫记忆集合里,并对这一检测器进行双导向变异,以减少资源浪费和冗余的发生。本文数据采用实属编码形式。仿真结果表明,新算法在故障检测性能方面优于传统算法,具有较高的故障诊断率,算法平均运行时间明显缩短。本文为故障诊断方法的研究拓宽了道路,具有一定的理论和现实意义。     

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。     

自适应检测器生成算法研究

基于小生境策略的否定选择算法利用在搜索空间中计算检测器之间的海明距离,构建小生境;一个与亲合力函数相关的适应度函数的提出,能更客观地反映各检测器的匹配能力,即能更准确地反映检测器集合的检测能力;利用进化策略,进行遗传操作,而生成多样性和通用性的最佳检测器集.同时该算法可以减少生成检测器的时间开销.     

基于卷积循环神经网络的网络流量异常检测技术

随着互联网技术的广泛普及,网络安全问题也随之增加.作为网络系统的主要防御手段之一,对网络流量进行异常检测从过去基于流量负载特征和基于异常特征库匹配的检测方式,逐渐向基于机器学习、深度学习的分类方法转变.文章首先提出一种基于数据包数目的网络流量数据样本划分方法,然后组合使用深度学习中的卷积神经网络和循环神经网络提出一种基...     

邻域形态空间与检测算法

针对免疫入侵检测中实值空间存在的问题,借助免疫细胞的表位组织形式和离散拓扑理论,提出一种新的形态空间表示法—–邻域表示法.该方法利用数据的集合特性,采用空间中互不相交的邻域表示自体/检测器,并设计匹配策略和检测算法.实验表明,邻域空间可以较好地弥补实值空间的缺陷,提高检测器生成效率,改善系统整体检测效果.     

新的否定选择算法及其在疾病诊断中的应用

针对现有的否定选择算法存在检测率较低,检测器集合过大等问题,提出了一种结合非自体信息和二次移动的实值否定选择算法(NTMV-detector)。该算法基于训练集中的非自体和随机的方法生成候选检测器中心。二次移动的主要思路是:如果候选检测器中心与成熟检测器匹配,把它移出成熟检测器集;然后通过离候选检测器中心最近的两个自体来微调检测器的位置,确定检测器半径。实验证明,该方法可以有效地提高疾病诊断的诊断率,降低误诊率。     

基于轻量级人工免疫计算的混合入侵检测方法

针对大规模网络环境下的入侵检测系统需要处理的网络数据含有大量的冗余与噪音的问题,设计了一种基于轻量级人工免疫计算的混合入侵检测方法.利用最小信息熵离散化算法预处理检测数据,根据主元分析算法(PCA)进行特征提取,通过提取特征矩阵降低数据维度;设计了基于否定选择算法的在线检测,对于未知的或者大规模的连接则提取其特征并实现基于人工免疫计算的入侵检测.最后利用进化能力的异常检测器进行训练和检测,并将提取的异常特征模式加入到快速匹配的数据库来及时地更新数据库.仿真实验表明算法能够提高混合检测器系统的检测效率,同时检测速度能够满足实时性的要求.