基于免疫学的网络入侵检测系统和相关算法设计

本文提出了一种新的基于检测代理的分布式网络免疫入侵检测模型。该模型采用了机体免疫系统中的三个主要的进化过程：否定选择。克隆选择和基因库进化。模型不仅在Agent服务器中生成并维持了一个实际的基因库。而且引入了虚拟基因库的概念，对被删除的记忆检测子进行超变异。生成新的非成熟检测子。该做法使得新的检测子能够从已有的检测结果中得到有用的反馈，从而在减少协同刺激的同时提高了检测正确率。文章还就该模型提出了相关算法并进行了描述。     

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。     

入侵检测免疫模型中抗体基因库的生成和进化

文中简要分析了当前入侵检测技术存在的问题和发展方向，结合人体免疫理论，提出一种基于检测代理的分布式网络入侵检测免疫模型。为了提高免疫系统识别异常的轻负荷和适应性，引入粗集理论的约简算法，用于待检数据的预处理和抗体基因库的生成，并结合抗体进化原理不断对基因实施进化。该模型可降低待检数据的冗余，保持抗体基因的进化和适应性，提高入侵检测的效率和准确性。     

基于人工免疫入侵检测检测器生成算法

为了提高基于人工免疫入侵检测系统中从未成熟检测器生成成熟检测器的效率,论文提出了基因库均衡技术,并将基因库进化算法与传统阴性选择算法相结合,设计了分布式人工免疫入侵检测系统中成熟检测器生成算法,实验证明采用基因均衡技术之后提高了整个系统的计算效率。     

用于网络入侵检测的免疫学习子系统

网络入侵检测当前面临的主要问题是如何迅速有效地检测出未知模式的入侵．借鉴生物免疫系统中的自进化学习机制，我们设计了一种免疫算法，该算法以生物免疫的自我非我识别为基础，并进一步引入免疫学习机制以提高算法对入侵模式识别的效率和正确率．算法由四个紧密联系的模块组成：基因库进化模块、亲和度变异模块、非我选择模块和免疫记忆模块，四者形成一个有机的整体．本文介绍了免疫算法的具体细节，并完成了相应的验证实验．实验表明该算法具有较好的识别未知模式的能力．     

动态克隆选择算法在网络入侵检测中的应用

本文在分析动态克隆选择算法（Dynamic Clonal Selection Algorithm,DCSA）的基础上,针对其存在的问题,提出了一种基于DCSA的分布式网络入侵检测模型。该模型通过专家知识建立规则、基因库自动进化、优化检测器生成过程等策略,提高了检测器对已知入侵和未知入侵的识别能力,从而有效的提高了系统的检测性能和自适应性。     

改进的否定选择算法在入侵检测中的应用

针对基于否定选择算法入侵检测系统检测率低的问题,提出一种新的入侵检测算法,着重分析了检测器生成模块,对原否定选择算法做出了改进。改进算法主要对采用了基于空间包含的匹配算法和B、T双检测器来进行检测,增强检测器的多样性,提高了入侵检测系统的检测能力。最后通过实验证明,改进的否定选择算法提高了入侵检测系统的检测率。     

基于决策树及遗传算法的人工免疫入侵检测算法

针对传统的否定选择算法中生成大量无效抗体,并且抗体之间缺乏多样性的问题,设计了基于决策树及遗传算法的人工免疫入侵检测算法。将决策树和遗传算法引入传统的否定选择算法中,利用决策树计算抗原和抗体之间的亲和力,提出了新fitness的计算公式,并利用抗体浓度衡量抗体集的多样性,将低浓度抗体代替高浓度抗体,实现了抗体的多样性,确保了当抗体集的数量一定时尽可能覆盖最大的非自体集空间,以提高抗体集的性能。     

一种基于多级否定选择的入侵检测器生成算法

文中给出一种改进的基于人工免疫入侵检测系统的否定选择算法。首先是用多级否定选择算法生成不同检测尺度的成熟检测器,然后为了模仿人体免疫系统中的第二次应答机制,引入了记忆检测器的概念及相应的算法,结合亲和力成熟与体细胞突变等方法,将成熟检测器提升为识别率极高的记忆检测器。     

一种基于多级否定选择的入侵检测器生成算法

文中给出一种改进的基于人工免疫入侵检测系统的否定选择算法。首先是用多级否定选择算法生成不同检测尺度的成熟检测器，然后为了模仿人体免疫系统中的第二次应答机制，引入了记忆检测器的概念及相应的算法，结合亲和力成熟与体细胞突变等方法，将成熟检测器提升为识别率极高的记忆检测器。     

一种r可变阴性选择算法及其仿真分析

论文首先简要介绍了人工免疫系统的基本概念,然后着重分析了人工免疫系统中的主要算法“阴性选择算法”,并提出一种r可变阴性选择算法．同传统的阴性选择算法相比,该算法大大减少了不可避免的“黑洞”数量．仿真结果表明：r可变阴性选择算法产生成熟检测器的迭代次数、黑洞数量均大幅下降,同时检测率有显著提高．     

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。     

基于字符串编码克隆选择的建模算法及可靠性预测

提出了一种基于字符串编码克隆选择的建模算法, 其核心是通过字符串编码的克隆选择策略在初等函数空间上进化、选择初等函数和函数间的运算关系, 构成预测模型, 并优化模型参数, 实现预测模型形式的自动生成和参数的自适应确定. 字符串编码设计使随机生成函数表达式成为可能; 克隆选择策略实现了字符串编码抗体的进化训练; 对基于字符串编码的克隆选择操作算子设计, 增加了种群的多样性, 使得不同抗体协同进化, 有效避免了进化``早熟'现象. 用该算法建立某武器系统可靠度预测模型, 实验结果表明: 该模型具有较高的精度, 为可靠性预测、故障预报与维修奠定了基础.     

FSL-SP的研究

在机器学习领域，特征选择对于提高学习机器的性能和效率具有重要意义，但是当前特征选择算法普遍存在着具体实现独立性强、可扩展性差的问题，使得对多种算法性能的统一对比评估实施困难，算法的替换和扩展比较复杂。以面向对象的设计理念为指导，基于设计模式中的策略模式，提出特征选择算法工具库FSL的设计构想，通过将一些常用的特征选择算法按照策略模式进行包装，以便机器学习算法用户的使用，同时确保其较强的可扩展性。     

机器人学中应用的人工免疫原理、模型与展望

给出人工免疫与机器人学的四个结合模型：负选择、克隆选择、进化免疫、免疫网络．介绍其生物机理,归纳和评述了主要算法及在机器人中的应用成果. 与其它进化算法做了比较,并展望了进一步的研究方向．     

基于策略模式的特征选择算法工具库FSLS的设计

在机器学习的研究中,特征选择对于提高学习机器的性能和效率具有重要的意义。各种特征选择算法的不断提出和应用,给各领域科研工作的实施带来极大的帮助,但是当前各种算法普遍存在着具体实现独立性较强、可扩展性差的问题,使得算法的使用者难以对多种算法的性能进行统一的对比评估,算法的替换和扩展工作量也相应较大。论文以面向对象的设计理念为指导,基于设计模式中的策略模式,提出了特征选择算法工具库FSLS(FeatureSelectionLibrarybasedonStrategy-pattern)的设计构想,通过将特征选择方法中一些常用的算法按照策略模式进行包装,以此方便机器学习算法用户的使用,同时确保算法工具库的本身具有较强的可扩展性。     

一种基于模糊免疫的检测器生成算法

网络入侵方法和网络环境的不断变化,入侵越来越难以防范和检测。针对当前入侵检测过程中检测器生成问题,提出了一种基于生物免疫机制和模糊理论的检测器生成算法。该算法利用改进的否定选择算法来提高生成的检测器为成熟检测器的概率。通过仿真实验,表明该模型有效地改善了系统的性能,大大减少了不可避免的"黑洞"数量,黑洞数量大幅下降,检测率有显著提高。     

基于带有惩罚因子的阴性选择算法的恶意程序检测模型

提出了一个基于带有惩罚因子的阴性选择算法的恶意程序检测模型.该模型从指令频率和包含相应指令的文件频率两个角度出发,对指令进行了深入的趋向性分析,提取出了趋向于代表恶意程序的恶意程序指令库.利用这些指令,有序切分程序比特串,模型提取得到恶意程序候选特征库和合法程序类恶意程序特征库.在此基础上,文中提出了一种带有惩罚因子的阴性选择算法(negative selection algorithm with penalty factor,NSAPF),根据异体和自体的匹配情况,采用惩罚的方式,对恶意程序候选特征进行划分,组成了恶意程序检测特征库1(malware detection signature library 1,MDSL1)和恶意程序检测特征库2(MDSL2),以此作为检测可疑程序的二维参照物.综合可疑程序和MDSL1,MDSL2的匹配值,文中模型将可疑程序分类到合法程序和恶意程序.通过在阴性选择算法中引入惩罚因子C,摆脱了传统阴性选择算法中对自体和异体有害性定义的缺陷,继而关注程序代码本身的危险性,充分挖掘和调节了特征的表征性,既提高了模型的检测效果,又使模型可以满足用户对识别率和虚警率的不同要求.综合实验...