基于标签影响力传播的人工免疫检测器生成算法研究

人工免疫系统利用训练样本对候选检测器进行筛选训练,以产生覆盖非自体区域的成熟检测器用于自体和非自体的区分。传统基于否定选择的检测器生成算法(Negative Selection Algorithm,NSA)通常需要大量有标记的自体训练样本,而实际应用中已标记样本有限,导致检测器训练不足,限制了检测器的检测精度。针对这一问题,提出了一种基于标签影响力传播的免疫检测器训练方法。在属于同一聚类的样本中,通过少量的已标记聚类成员进行标签影响力传播,为聚类中的未标记样本进行伪标记。随后,基于噪声学习的伪标记评估去除低可信的新标记样本。通过了标签评估的新标记样本被加入训练样本集合,以扩展已标记样本规模,提升免疫检测器的训练质量。在7类不同维度和规模的UCI公开数据集上的对比实验结果表明,所提基于标签影响力传播的免疫检测训练算法能够有效提升检测器的训练性能,尤其在训练样本有限或数据集不均衡的情况下,检测器的性能明显优于传统方法,相较于PSA,co-PSA和GFNSA等检测生成算法,检测器的识别精度平均提升了10%。

一个自体变异免疫检测器生成算法

人工免疫系统作为一种计算智能方法,具备强大的信息处理和问题求解能力,检测器集的生成是构造人工免疫系统的关键技术,也是智能计算研究的热点之一。分析了传统免疫检测器生成算法,引入自体变异机制,结合空位模板技术,提出了一个自体变异的检测器生成算法。介绍了算法原理,描述了算法模板定义和实现步骤,分析了算法的性能和复杂性。理论分析与试验结果表明,该算法可以有效降低检测器集规模,提高检测器集的检测概率。

一种线性时间检测器生成算法的改进算法

在介绍人工免疫系统基本概念的基础上,讨论了人工免疫系统中应用广泛的负选择模型。研究的重点是负选择模型中初始检测器集的生成算法,对线性检测器生成算法进行了改进。改进算法从两个方向分别构造数组C和C′,并做叉乘得到D数组,使产生的检测器能够匹配更多的"非我"字符串,去除冗余检测器缩小了检测器集的规模,包括算法的设计、性能分析和实验。理论分析与实验结果表明,改进算法降低了检测器规模,漏检概率Pf有较大下降。

基于神经网络的检测器生成算法研究与应用

否定选择算法是用于生成人工免疫系统检测器的重要算法,而有效的检测器生成算法是入侵检测的核心问题。文章针对现有检测器生成算法存在自适应差的问题,通过对人工免疫系统中否定选择算法原理的分析,提出了一种基于神经网络的检测器生成算法。该算法利用高效的神经网络训练,使得检测器生成算法具有很好的动态适应能力。实验结果表明,该算法应用于入侵检测,提高了检测率,降低了误检率,整体检测性能较好。

基于切割的检测器生成与匹配算法

检测器生成和匹配算法直接影响到人工免疫系统的检测效率和非法抗原的检测率.为了改进现有算法存在的生成检测器与识别非法抗原的时间和空间开销较大、对非法抗原检测率较低等问题,本文提出基于切割的检测器生成与匹配算法.针对现有检测器表示方法存在的缺陷,用正超立方体表示检测器,为减少匹配算法的时间和空间开销提供了基础;依据空间包含关系设计基于空间包含的匹配算法,减少了选择检测器和检查抗原的时间和空间开销,使得分析检测器所覆盖的非法抗原较方便;依据自体在论域空间的分布,引入切割空间的方法生成检测器,消除所生成检测器间的冗余信息,减少了检测漏洞,使得所生成的检测器具有较高的非法抗原检测率和检测效率.文中建立了算法的原型系统,构造不同类型的数据集,测试识别非法抗原所需的检测器数量,以及当系统中保存不同数量的检测器时所具有的非法抗原检测率,与现有算法进行比较,验证了基于切割的检测器生成与匹配算法能有效的提高否定选择算法的性能.

负选择模型中初始检测器集的一个生成算法

在介绍人工免疫系统基本概念的基础上 ,讨论了人工免疫系统中应用广泛的负选择模型 .研究的重点是负选择模型中初始检测器集的生成算法 ,在穷举法的基础上提出了一个新的检测器生成算法 ,包括算法的设计、性能分析和试验 .理论分析与试验结果表明 ,新生成算法的时间复杂度小于穷举法 ,随检测器规模成线性递增 .

面向海量自体的检测器反向生成算法

检测器生成算法是影响人工免疫系统性能的重要因素之一，在大数据环境下由于自体数量的庞大使得现有检测器生成算法无法在有限时间内构建出成熟检测器集．在前期使用MapReduce模型构建分布式检测器生成系统的基础上，分析影响算法效率的主要因素；设计了MapReverse Reduce模型构建检测器反向生成算法；通过Reverse阶段反转Map阶段的检查结果并将非法检测器键值对发送给Reduce阶段进行成熟检测器筛选，提高海量自体时人工免疫系统生成检测器的效率；最后在Hadoop集群中分别使用MapReduce模型和MapReverseReduce模型实现检测器生成算法的原型系统，并使用CERT synthethic sendmail data数据集进行测试与分析，验证了使用MapReverseReduce模型生成检测器的时间开销只有使用MapReduce模型时的5．22％-19．07％，并在自体数量不断增加时保持算法时间开销的稳定．

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.

检测器实时生成算法及其应用

基于生物免疫系统中抗体的克隆机制与亲和度变异机制,提出一种可实时改变当前检测器集合的检测器生成算法用于入侵检测系统(IDS)。理论分析和应用结果表明,该算法通过较少的检测器即可检测出大量非自体空间中的异常变化,且能降低IDS系统的漏检率和误检率,提高报警的可信性。

面向大数据系统的检测器快速筛选算法

筛选成熟检测器是决定人工免疫系统性能和效率的关键因素,在大数据环境下由于初始检测器的数量极其庞大,会造成现有检测器筛选算法时间开销过大。针对该问题,提出一种新的海量初始检测器快速筛选算法。设计海量初始检测器的分布存储模式,利用Map/Reduce模型,给出混合式初始检测器快速筛选架构、海量初始检测器分区检查策略和成熟检测器集优化策略,以提高筛选初始检测器的效率,优化成熟检测器。在Hadoop集群中实现面向大数据系统检测器快速筛选算法原型系统,使用CERT synthethic sendmail data数据集进行测试与分析,结果表明,与传统算法相比,该算法能减少58.87%的时间开销,并在初始检测器数量不断增加时保持时间开销的稳定。

一种基于异常的自适应非选择性算法研究

本文研究的重点是检测器生成算法,在非选择性变异算法(NegativeSelectionMutation,NSMutation)的基础上,提出了一种自适应非选择性算法,完成了算法的设计、性能分析和实验。实验结果表明,新算法在正确检测、错误检测、计算时间上都表现出优越的性能。

一种计算机网络安全监测系统的模式研究

检测器的生成时间能很大程度上影响计算机网络安全监测系统.对穷举检测器生成算法、线性检测器生成算法、贪心检测器生成算法这三种生成器算法之间的关系进行了对比研究,计算出了3种算法的时间复杂度和空间复杂度.