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。     

基于克隆扩增策略的免疫算法*

借鉴动态克隆选择算法的运行机制并结合克隆选择机理,提出一种基于克隆扩增策略的免疫算法。该算法提出调整未成熟检测器的补入条件,对成熟检测器群体实施克隆扩增策略,并消除冗余的成熟检测器。算法设计了对成熟检测器群体进行有效性评估的方法,由检测器的有效性确定克隆规模。理论证明了该算法的收敛性。实验表明,与传统的动态克隆选择算法相比,该算法提高了检测率,有效抑制了误报率,改善了算法的适应性。     

免疫入侵检测多目标优化克隆选择算法研究

免疫入侵检测理论中克隆选择是检测器进化的关键。传统克隆选择算法通过比较样本间的亲和力累加值筛选样本,该方法具有较低的时间复杂度,但也造成了检测器的高重叠,影响迭代效率。将检测器个体的筛选与进化转化为pareto最优解的求解过程,提出了多目标优化理论的检测器克隆选择算法。实验表明,检测器基数不变的情况下,该算法明显提升了每代种群在进化过程中的检测范围,精简了记忆检测器的数量,提高了检测阶段系统的检测率。     

基于人工免疫的记忆检测器研究

传统的手段已不能充分地解决计算机网络的安全问题。为了确保计算机网络系统安全,建立一个有效的入侵检测系统IDS,针对IDS中成熟检测器检测率低和错误肯定率高的问题,根据人工免疫记忆原理,研究了免疫检测器集中成熟检测器激活,记忆检测器生成与变异机制以及演化,给出了记忆检测器生成算法,研究了记忆检测器变异和淘汰机制。实验结果证明记忆检测器为主的检测器集合实现了检测器自学习和联想记忆的功能,提高了入侵检测系统的自适应能力和检测率,减少了错误肯定率。     

基于人工免疫的记忆检测器研究

传统的手段已不能充分地解决计算机网络的安全问题.为了确保计算机网络系统安全,建立一个有效的入侵检测系统IDS,针对IDS中成熟检测器检测率低和错误肯定率高的问题,根据人工免疫记忆原理,研究了免疫检测器集中成熟检测器激活,记忆检测器生成与变异机制以及演化,给出了记忆检测器生成算法,研究了记忆检测器变异和淘汰机制.实验结果证明记忆检测器为主的检测器集合实现了检测器目学习和联想记忆的功能,提高了入侵检测系统的自适应能力和检测率,减少了错误肯定率.     

基于免疫和模糊模式识别的检测器生成模型

分析了在检测器生成过程中引入模糊模式识别的原因,提出了一种基于免疫原理和模糊模式识别的检测器生成模型,该模型的核心算法是基于隶属度的检测器选择算法.详细描述了该算法的算法流程和检测器对非我抗原集合隶属度的计算算法,并简述了初始检测器生成算法和分层检测策略.设计了仿真试验,并将实验结果同传统方法进行了比较,详述了仿真实验中各个参数选择的依据和理由,试验结果表明新模型呈现较高的检测率和低的误检率.     

基于ISM 特性的检测器生成算法及模型

针对现有检测器生成算法存在效率低、自适应性差、生成的检测器集庞大且冗余等问题, 借鉴生物免疫系统中抗体的克隆机制和亲和度变异机制, 并融合小生境策略以及检测器的变异和优化等, 构建基于免疫软件人(ISM) 特性的检测器生成算法及模型. 与传统算法相比, 该算法能够降低检测器的冗余度, 减少检测器集的规模, 保持检测器的多样性; 通过合理地改变其匹配阈值, 能够实现以较小的检测器集检测出更多的异常行为的目的. 实验结果表明, 所提出的算法具有较强的自适应性, 且拥有较高的检测效率和性能.

     

应用免疫原理的无线传感器网络入侵检测系统

为了提高无线传感器网络的安全性,将生物免疫原理应用到无线传感器网络安全问题中,设计了一个基于生物免疫原理的轻量级入侵检测系统。该系统主要完成检测器的生成和抗原检测,在检测器的生成过程中,通过离散r-连续位匹配算法简化否定选择算法;通过提取记忆免疫细胞疫苗对抗体进行接种,加快免疫算法的收敛性;通过聚类算法对记忆免疫细胞集合进行分类优化,提高了抗体的多样性。仿真实验表明,系统具有较好的检测率和较低的能耗。     

改进的检测器大小可变的免疫异常检测算法

在传统的免疫异常检测算法中,通常存在检测器对非我空间的覆盖漏洞,以及检测器数量过大且相互覆盖等问题,这是导致免疫异常检测算法效率较低的主要原因。提出了一种能够处理混合型数据的免疫异常检测算法,它能够生成不同大小的检测器,提高对非我空间覆盖的效率。通过模拟实验和对比实验表明,该算法能够较好地完成对混合型数据的处理,并有效提高生成检测器的效率。     

具有可变阀值的免疫算法

自计算机免疫学被引入到计算机安全领域以来,传统的免疫算法就存在着漏报率高的问题.针对上述问题,根据人工免疫系统的基本原理和方法,提出了一种具有可变阀值的免疫算法,并给出了详细的检测器生成和检测算法.该免疫算法通过给每个检测器设定阀值的方法,尽可能的扩大单个检测器的检测空间,从而使得整个检测器集合的检测空间达到最大,实现降低系统漏报率的目的.最后模拟实验结果表明,该免疫算法可以有效地降低系统的漏报率.     

基于免疫协作的P2P网络病毒检测模型

P2P环境提供了便捷的资源共享和直接通信,但也使病毒等获得了更为方便的传播和感染渠道.提出一种基于免疫协作的混合式对等网络病毒检测模型,利用对等节点间的协作实现记忆检测器的共享,通过在中枢节点建立疑似病毒库降低病毒检测的漏检率和误栓率.在检测器生成阶段,提出基于二次成熟的否定选择算法以降低检测器集的冗余度;在病毒检测阶...     

免疫算法在入侵检测模型中的应用研究

在对常见的免疫算法原理进行分析的基础上,采用阴性选择算法和r-连续位匹配算法,提出一种改进的免疫检测机制,建立一个新的入侵检测模型。新的模型主要采取三点措施:改进候选检测集的生成规则;降低检测器冗余;引入协同检测机制等。在入侵识别阶段,采用基于编辑距离的匹配规则,提高了检测效率。试验仿真表明,该模型可有效提高入侵检测系统的检测率,降低误警率。     

BIORV-NSA: Bidirectional inhibition optimization r-variable negative selection algorithm and its application

The original negative selection algorithm (NSA) has the disadvantages that many “black holes” cannot be detected and excessive invalid detectors are generated. To overcome its defects, this paper improves the detection performance of NSA and presents a kind of bidirectional inhibition optimization r-variable negative selection algorithm (BIORV-NSA). The proposed algorithm includes self set edge inhibition strategy and detector self-inhibition strategy. Self set edge inhibition strategy defines a generalized radius for self individual area, making self individual radius dynamically be variable. To a certain extent, the critical antigens close to self individual area are recognized and more non-self space is covered. Detector self-inhibition strategy, aiming at mutual cross-coverage among mature detectors, eliminates those detectors that are recognized by other mature detectors and avoids the production of excessive invalid detectors. Experiments on artificially generating data set and two standard real-world data sets from UCI are made to verify the performance of BIORV-NSA, by comparison with NSA and R-NSA, the experimental results demonstrate that the proposed BIORV-NSA algorithm can cover more non-self space, greatly improve the detection rates and obtain better detection performance by using fewer mature detectors.     

邻域形态空间多源免疫检测器生成与检测

人工免疫系统（artificial immune system,简称AIS）是人工智能技术的重要分支之一,被广泛应用于异常检测、数据挖掘、机器学习等多个领域.检测器是其核心知识集,其生成、优化和检测操作决定了人工免疫的应用效果.目前,人工免疫的问题空间以实值形态空间为主,但实值非自体空间“黑洞”、检测器生成速率慢、检测器高重叠冗余、“维度灾难”等问题,使得人工免疫检测的效果不甚理想.鉴于此,使用邻域形态空间,并改进邻域否定选择算法（neighborhood negative selection algorithm,简称NNSA）,引入混沌理论和遗传算法,提出了一种多源邻域否定选择算法（multi-source-inspired NNSA,简称MSNNSA）,并基于此提出邻域形态空间多源免疫检测器生成与检测方法,改进邻域形态空间下检测器的构造与生成机制,使其更具靶向性,并使获得的检测器具有更好的分布性,提高其生成效率和整体的检测性能,解决以上实值形态空间下存在的问题.实验结果表明,该方法提高了检测器生成效率以及检测的整体性能和稳定性.     

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。     

基于协同进化的免疫检测器分布优化算法

为解决免疫实值检测器的黑洞问题,分析检测器规模对检测性能的影响,提出一种基于协同进化的免疫实值检测器分布优化算法。将检测器集分成不同子集,寻找每个子集的最优个体,利用各子集问的相互作用与影响对各子集进行优化处理,取并集构成完整检测器集。实验结果表明,与否定选择算法相比,该算法不仅可以有效减少黑洞的产生,并且能以较少的检测器精确地覆盖非自体空间,从而提高检测器性能。     

基于小生境免疫遗传算法的硅钢片优化排样

提出一种基于小生境免疫遗传算法的多级序列优化方法,并解决硅钢片优化排样问题。以免疫算法为基础,通过遗传算法进化抗体群,利用小生境技术保持抗体群的多样性。遗传算子和免疫记忆策略加快了优良个体的产生,提高了算法的收敛速度。共享机制和克隆抑制策略提高了算法的全局搜索能力,有效地避免早熟收敛现象。实际生产数据排样结果表明,该算法是有效、可行的。     

基于Monte Carlo估计的免疫检测器分布优化算法

针对免疫实值检测器的黑洞和边界入侵问题,分析规模对检测性能的影响,提出一种基于Monte Carlo估计的检测器分布优化算法,以Monte Carlo方法估计检测器对非自体空间的覆盖效果作为算法结束的条件,通过优秀子代替代不合时宜的父代来完成检测器的分布优化处理。经实验测试表明,该算法不仅可以有效地降低黑洞,而且能够以更少的检测器更精确地覆盖非自体空间,从而提升检测器的检测性能。