一种基于危险理论及模糊集的匹配免疫算法

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,提出了一种基于模糊集和危险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,有效地优化了检测元的特性,提高了基于人工免疫模型的入侵检测效率和自适应性。     

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。     

基于加权直觉模糊集合的聚类模型

针对已有基于直觉模糊集的聚类方法的局限性,提出了一种基于加权直觉模糊集合的聚类模型——WIFSCM。在该模型中,提出了特定特征空间下的等价样本和加权直觉模糊集合的概念;并推导出基于等价样本和加权直觉模糊集合的直觉模糊聚类算法的目标函数,利用该目标函数推导出直觉模糊聚类中心迭代算法和隶属度矩阵迭代算法;定义了基于加权直觉模糊集合的密度函数,确定了初始聚类中心,减少了迭代次数。通过灰度图像分割实验,证明了该模型的有效性,同时与普通直觉模糊集FCM聚类算法(IFCM)相比,聚类速度提高近百倍。     

软件脆弱性危险程度量化评估模型研究

软件脆弱性的危险程度是对软件脆弱性被利用来攻击系统的潜在危险的度量。在分析目前已知的相关评价方法及其局限性的基础上,提出了根据脆弱性影响的严重程度和脆弱性可利用性来评佑脆弱性危险程度的分析框架,并基于模糊理论,提出了软件脆弱性危险程度评估的量化模型,建立了模糊测评因素关联隶属关系的递阶层次结构,并重点分析了基于模糊集的指标量化、基于模糊关系矩阵的指标权重的确定和软件脆弱性危险程度的综合评价方法。最后,给出了模型的应用与实现。     

基于区间二型模糊集合的人工交通系统可信度评估

提出了一种基于区间二型模糊集合理论的人工交通系统可信度评估方法.该方法以二型模糊集合算法为核心数据处理方法,构建了人工交通系统的评估体系.利用置信区间方法提取实际交通数据和人工交通数据的统计特征,同时为二型模糊集合提供了输入数据.利用二型模糊集合处理不确定性、随机性和噪声数据的能力,得到刻画实际交通系统和人工交通系统特性的输出数据集.并基于Jaccard算法对两个系统二型模糊集合的输出集进行了相似度运算,以Cronbach系数值为依据,实现了人工交通系统的可信度评估.与传统可信度评估方法相比,该评估方法具有较强的数据处理能力,有效地实现了基于数据驱动方法理念下人工系统与实际系统之间的比较.本文基于面向对象编程语言搭建开发的基于Agent的人工交通系统模型,对其进行了可信度评估验证,评估结果说明了所提出方法的合理性和有效性.     

II型模糊集合与系统研究进展

Ⅱ型模糊集合是传统Ⅰ型模糊集合的扩展,其本质是模糊集合中隶属度值的再次模糊化表示.Ⅱ型模糊集合可以直接处理模糊规则的不确定性,是解决现实环境高不确定性问题的有效手段.本文首先简要给出了Ⅱ型模糊集合与系统的基本概念,然后分别回顾了广义和区间Ⅱ型模糊理论的发展历史.接着分别讨论了广义和区间Ⅱ型模糊系统的计算复杂性问题研究进展,并进一步介绍了基于区间Ⅱ型模糊集合的词计算理论发展状况.最后给出了本文的结论和进一步研究问题的展望.     

基于模糊集合的可信计算信任模型评估

可信计算是信息安全的重要研究领域,而信任模型的可信性评估是该领域中亟待解决的关键问题。在深入研究可信计算信任根、信任链及其可信性影响因素的基础上,提出了基于模糊集合理论的可信计算信任模型评估方法。基于模糊集合理论的评估方法定义了不同的可信度度量规则和模糊集合,基于计算得到的可信度,评价信任模型的可信性。分析结果表明,基于模糊集合的信任评估方法能够有效评估可信计算信任模型的可信性,丰富了可信计算信任评估理论。     

直觉模糊集的熵及其一般形式

在综合分析目前直觉模糊集熵的各种公理化定义的基础上,认为直觉模糊集合熵应该是直觉模糊集合的模糊性与不确定性的综合性度量,并且直觉模糊集合退化为模糊集合时,其熵应该与模糊集合熵是一致的。根据这种思想,给出了新的直觉模糊集合熵的公理化定义,并给出了几个直觉模糊集合熵的构造形式。     

基于直觉模糊集的图像相似性度量

提出一种基于HSV颜色直方图的图像直觉模糊模型.在该模型下图像可看作是一个直觉模糊集合(IFS),图像之间的相似程度可通过计算直觉模糊集合之间距离来度量.实验数据表明:在HSV颜色空间下基于直觉模糊集的相似性度量能够有效用于图像数据库的查询,并且比普通基于模糊集的相似性度量和直方图距离在查询正确率方面提高5%～10%.     

基于贝叶斯网络的入侵容忍系统

提出一种基于贝叶斯网络的入侵容忍系统,给出系统的运行流程.用进程特性向量来表示一个具体的进程,并对进程特性进行具体的分类.提出利用贝叶斯网络模型来描述进程的运行过程,给出基于贝叶斯网络推理的进程类型概率值的计算公式,构造了用于确定进程危险程度的危险函数,并用实例说明了对入侵进程的具体识别过程.     

基于FES和FTA的锅炉安全隐患预警及评价系统

锅炉系统中安全隐患与隐患征兆之间具有一定模糊性,难以建立精确的数学模型预测锅炉安全隐患。提出了一种基于FES和FTA的锅炉安全隐患预警及评价模型,该模型通过模糊推理,判断安全隐患征兆,预警锅炉安全隐患,对锅炉系统进行安全性、经济性等系统评价,为管理人员提供最优系统运行方案的重要参考依据。最后,基于Web技术设计开发了B/S结构的锅炉安全隐患预警及评价系统,系统应用结果表明,安全隐患预警结果准确率高,系统评价结果可靠有效。     

使用危险理论的多传感器故障检测

现有的免疫故障检测理论用于多传感器检测对象时,易产生计算开销过大的问题。引入危险模式理论对其进行建模。将免疫算法与危险模式理论相结合,提出了一种基于危险信号的多测点免疫故障检测算法。通过定义和计算危险信号和危险程度信号提高系统故障识别的准确性。仿真结果表明：使用该文提出的模型和算法不但简化了系统计算过程,而且能有效地提高系统对虚假故障的甄别能力。     

基于免疫危险理论的网络安全态势评估

为实时定量评估网络安全态势,提出了一种基于免疫危险理论的网络安全态势评估方法.通过研究免疫运行机制,定义了网络安全问题中的抗原、抗体和免疫细胞,描述了危险信号的判断规则,准确识别出了抗原.在分析免疫应答机制和免疫平衡机制中抗体浓度变化原因的基础上,给出了抗体浓度的计算方法.最后,结合抗体浓度与危险程度的关系,建立了基于抗体浓度的危险感知模型以实时定量评估网络安全态势.仿真实验表明,所提方法计算出的抗体浓度准确地反映了系统面临的危险程度,能够为网络管理提供有效的决策支持.     

基于危险理论的多代理异常入侵检测研究

为了提高分布式网络中异常入侵检测的效率,在对危险理论和人工免疫技术的研究基础之上,提出了一种基于危险理论的多代理异常人侵检测模型,对模型架构和工作原理进行了详细的描述.模型分为三层,在识别"非我"之前,先对主机和网络资源实时监控并进行数据采集,利用云模型对危险进行判定,由危险信号激活免疫识别.该模型能根据定义的危险级别有效地识别出"有害的非我",保障系统的可用性,在一定程度上改善伪肯定和伪否定现象,提高检测系统性能.     

基于免疫危险理论的网络安全态势定量感知模型*

针对基于免疫的异常入侵检测技术自体/非自体区分困难、漏报误报率高而导致网络安全态势感知结果不准确的问题,受免疫危险理论启发,提出了一个新的网络安全态势感知模型。模型采用分布式结构设计,部署在主机上的传感器利用人工抗体实时检测网络攻击,并依据攻击类别和频度计算危险信号大小;模型中的安全态势评估中心通过分析、融合来自主机的多数据源危险信号,进而定量感知主机和整个网络的安全态势。理论分析和仿真结果表明该模型是有效的,并解决了网络安全类的人工免疫系统难以区分自体/非自体之不足,为实时、定量感知网络安全态势提供了一     

基于危险理论的分布式服务异常检测模型

在分布式环境下,对于大量服务的海量行为数据导致服务异常检测效率低以及服务的动态组合导致服务的不确定性这两个问题,基于危险理论提出了一种分布式服务的异常检测模型。首先,借鉴人工免疫识别异常的生物学过程,利用微分来描述海量服务行为数据的变化,通过构造特征三元组的方法检测异常源;然后,借鉴云模型的思想,通过构造服务的状态云,计算服务间隶属度的方法解决服务的不确定性问题,从而计算出危险区域;最后,通过模拟学生登录选课服务进行了实验。实验结果表明,该模型不仅动态地实现了对服务的异常检测,而且准确地描述了服务之间的依赖关系,提高了异常检测的效率。实验结果证明了该模型的可行性与正确性。     

基于危险模式的IDS异常检测模型

针对当前入侵检测技术在检测新入侵的不足,分析了危险模式理论应用于异常检测的可行性,提出了一个新型的基于危险模式的自适应IDS异常检测系统模型以及相关算法.该系统有效地降低了误报率和漏报率,具有自适应、自学习、自组织和分布性特点.     

Outbreak detection model based on danger theory

In outbreak detection, one of the key issues is the need to deal with the weakness of early outbreak signals because this causes the detection model to have has less capability in terms of robustness when unseen outbreak patterns vary from those in the trained model. As a result, an imbalance between high detection rate and low false alarm rate occurs. To solve this problem, this study proposes a novel outbreak detection model based on danger theory; a bio-inspired method that replicates how the human body fights pathogens. We propose a signal formalization approach based on cumulative sum and a cumulative mature antigen contact value to suit the outbreak characteristic and danger theory. Two outbreak diseases, dengue and SARS, are subjected to a danger theory algorithm; namely the dendritic cell algorithm. To evaluate the model, four measurement metrics are applied: detection rate, specificity, false alarm rate, and accuracy. From the experiment, the proposed model outperforms the other detection approaches and shows a significant improvement for both diseases outbreak detection. The findings reveal that the robustness of the proposed immune model increases when dealing with inconsistent outbreak signals. The model is able to detect new unknown outbreak patterns and can discriminate between outbreak and non-outbreak cases with a consistent high detection rate, high sensitivity, and lower false alarm rate even without a training phase.     

基于元胞自动机的小世界网络病毒传播研究

人际网络具有小世界特征,拥有高聚类系数、短平均路径等特点。为研究病毒在小世界网络中的传播动力学及全局预警下节点的自主抑制行为,本文基于元胞自动机理论,提出一种小世界网络上的元胞自动机病毒传播模型。结合云模型,模型中节点在病毒传播过程中拥有断开与重连的自适应性,拥有节点危害性认识能力,可参照全局预警,运用层次分析法,对高危节点主动避让。仿真结果表明,该模型可较好模拟病毒的实际传播,通过全局预警可促使节点对高危节点进行规避,以延缓病毒传播。