基于改进否定选择匹配算法的异常检测

使用了一种改进的否定选择匹配算法来检测异常行为。在这种算法中考虑了位置因素对两个序列匹配度的影响,从而能够更加准确识别自体与非自体,有效地减小检测集的规模。首先使用正常的序列调用生成初始检测集,然后通过学习来扩充检测集,使用最终得到的检测集扫描一定长度的调用序列,通过其中异常序列的比例来显示该段序列调用是否出现了异常。最后给出了实验结果。     

高维数据环境下网络异常检测的改进否定选择算法

人工免疫中的否定选择算法目前已成功地应用于异常检测的低维数据集上,但在高维数据集上的效果不大理想。为了改善算法的性能,分析了现有否定选择算法在网络异常检测中的不足,对带变长检测器的否定选择算法进行了修改,提出了一种改进的否定选择算法,新算法中通过移动检测器控制检测器覆盖情况。仿真实验结果表明了改进算法在网络异常检测中高维数据集上的有效性,可以取得较高的检测率和较低的误报率。     

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。     

基于改进负选择算法的异常检测

为实现用较少数目的检测器覆盖较大的非自体空间,提出一种基于渐增式矩形检测器的负选择算法.该方法采用D∞距离匹配原则,检测器在每一维的方向上呈指数形式逐渐增长,直至与自体空间相匹配,从而使得产生的每个检测器在空间的每一维都延伸至最大,能够产生足够优秀的检测器集覆盖非自体空间.通过对检测器的合并,消除重叠等简化处理,实现了检测器的数目和大小的双重优化.对不同几何形状的数据集合进行了仿真.实验结果表明,该算法在对非自体空间的覆盖和检测率的提高方面有显著的效果.     

基于改进否定选择算法的网络入侵检测模型

为了解决网络入侵检测中如何迅速有效地检测出未知模式的入侵的问题,通过对人类免疫系统的基本原理的研究,提出了一种基于免疫原理的网络入侵检测新模型.该模型采用了改进的否定选择算法;根据否定选择理论,若与"自我"模式相匹配,则该模式不成为检测者,从而去掉它;否则,该模式成为一个检测者模式,并存入检测系统.实验结果表明,该模型可以准确地识别出未知入侵模式,有效地提高了系统的自适应性.     

免疫进化否定选择算法

当训练样本分布密集交错时,传统的否定选择算法难以将检测器生成在正/反样本间的有效区域,导致检测器集合对这些样本的识别率降低,影响了算法性能。为使检测器能有效地识别分布密集交错的样本,本文提出了免疫进化否定选择算法（IENSA）。IENSA通过加入两个免疫进化过程,首先在样本分布密集的区域引导检测器在正/反样本之间有效地生成,然后在样本分布稀疏的区域对冗余检测器进行抑制。实验结果表明在二维人工数据集Rectangle与三维标准数据集Skin Segmentation上,相对于经典的RNSA与V-Detector算法,IENSA均能以较少的检测器而达到较高的检测率。     

新型否定选择算法计算机病毒检测技术的研究与实现

分析传统否定选择算法和计算机病毒检测技术所存在的问题,总结诸多学者在这方面的改进方案和实施方法。根据切割空间的否定选择算法,提出一种应用于二进制生成串检测器的新型切割否定选择算法。     

否定选择算法中一种改进的检测器集生成机制

为提高否定选择算法中检测器集的检测率,提出改进的检测器集生成方法。其主要针对检测器在检测边界元素时遇到的困境问题,把自体点和它的临近点一起作为自体区域,处理自体的泛化问题。给出算法的具体实现过程、优势分析,并通过人工合成数据集2DSyntheticData和实际Biomedical数据集对算法进行了验证。实验结果表明,本算法检测率较高,尤其可以有效检测到处于自体与非自体边界处的点,具有一定的优越性。     

面向子空间的否定选择算法

传统的否定选择算法无法有效识别落入到低维子空间的样本,导致算法在高维空间检测性能不佳。为此,本文提出了面向子空间的否定选择算法（Subspace-oriented Real Negative Selection Algorithm, SONSA）。在训练常规检测器的基础上,SONSA将搜索样本分布较密度高的低维子空间以进一步训练面向子空间的检测器,从而提高算法对低维子空间内样本的识别能力。实验结果表明在标准数据集Haberman’s Survival（3维）与Breast Cancer Wisconsin (9维)上,相对于经典的V-Detector算法以及采用PCA降维的V-Detector算法,SONSA能在误报率相似的情况下显著地提高检测率。     

基于负选择算法的异常入侵检测

自然免疫系统的保护机制为设计计算机入侵检测带来了巨大的灵感,并且它是一种能够解决复杂入侵问题的信息安全技术。本文提出一个新的异常入侵检测算法,该算法能够通过产生有效率的检测因子来检测即时的入侵。     

基于改进负向选择算法的异常数据检测方法

针对基本实值负向选择算法检测率不高的问题,采用可变尺寸检测器,有效减少了漏洞问题.同时,限制检测器的最小半径,节省了存储检测器所需要的空间.通过对污水处理数据进行检测,实验结果表明,该方法提高了异常数据的检测精度.     

基于生物免疫原理的负选择模式匹配检测算法

仿生物免疫检测算法是人工免疫系统研究的一个重要的组成部分。文章针对过去所有的仿生物免疫检测算法中将数据文件等长划分所带来的基因缺失的缺陷,提出了一种负选择模式匹配检测算法。算法融合了生物学中负选择的思想,采用模式匹配的方法,并加入疫苗算子进行辅助检测。仿真实验表明,该算法具有较高的检测效率及不占用过多的时间和空间的优点。     

基于平均海明距离的WSN安全路由算法

提出一种基于平均海明距离的无线传感器网络安全路由算法。该算法利用节点的实时包传递率短序列和正常运行短序列之间的平均海明距离,检测节点是否正常。在节点中引入邻近节点表,对恶意节点进行隔离,在重新组簇的过程中节省节点能量,在路由选择时综合考虑能量、跳数和路径可靠性等因素。仿真实验结果表明,该算法能耗较低,具有较高的检测率。     

基于免疫重构的阴性选择算法

针对阴性选择算法在解决实际问题中,易误判及自修复能力差的弱点,该文基于生物免疫系统内部学习优化机制以及工业领域中的可重构系统,提出了一种基于免疫重构的阴性选择算法.新算法将可重构系统的思想融入到阴性选择算法中,提出了重构串、重构模型与重构操作的概念与实现方法,以保证系统发生意外的时候能够及时恢复、重组.将算法应用于一个Web系统进行仿真实验,结果表明该算法是有效的.     

一种基于小生境策略的阴性选择算法

阴性选择算法是计算机人工免疫系统的传统核心算法之一,并以此为基础产生了许多改进算法,但这些算法大多存在计算时间过长以及空间资源消耗过大等问题。针对这些问题,提出了一种基于小生境策略的阴性选择算法,算法引入了小生镜策略,增强了检测器生成的多样性,降低了算法的复杂度并减少了检测器的生成时间,提高了阴性选择算法的生成效率。     

基于一种相对Hamming距离的入侵检测方法--RHDID

首先分析了传统入侵检测方法的不足,即误用入侵检测方法难于检测新形式的入侵,异常入侵检测方法难于建立合理有效的正常行为特征和检测方法。然后,通过对特权进程的系统调用和参数序列的研究,提出了一种相对Hamming距离入检测方法（RHDID）。应用RHDID检测入侵不仅能有效降低漏报率和误报率,而且使实时入侵检测成为可能。最后,原型系统证实了该方法的可行性,获得了在实时环境中检测入侵的技术效果。     

基于改进负选择算法的异常检测

为解决基于负选择的异常检测算法中检测器数目和检测器对非我空间的覆盖二者之间的矛盾问题,采用粒子群优化算法(PSO)来优化负选择算法中随机产生的检测器的位置,从而实现用较少的检测器实现对非我空间更大的覆盖.在保证检测器尽可能小的覆盖自我空间的前提下,扩大检测器集合对非我空间的覆盖,并且在这个过程中检测器的数目是一定的.对正弦时间序列信号(artificial datasets)和轴承滚珠故障的振动信号(real-word datasets)进行了仿真实验.实验结果表明,该算法相对于原始的负选择算法在对非我空间的覆盖和检测率的提高方面有显著的效果.     

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。