基于动态克隆选择的记忆检测器更新算法

记忆细胞在再次检测到相同或相似的抗原时能迅速活化,产生大量抗体,并进行快速免疫应答。在基于人工免疫的入侵检测中,利用此特性对检测器生命周期进行模拟,可大大提高入侵检测系统的性能。文章在分析动态克隆选择算法模型中记忆检测器生成过程的基础上,提出一种记忆检测器更新算法,对记忆检测器的个数设定最大值,避免出现随着时间的推移产生检测器规模过大的问题。提出"淘汰匹配次数最少检测器"的淘汰策略,较好解决了随机淘汰策略带来的缺陷,能较有效地平衡系统的性能和开销。对淘汰的成熟检测器进行再利用,对不同检测器阶段进行动态调节。

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。

入侵检测系统中动态优化检测器生成方法的研究

在基于人工免疫的入侵检测系统中,通常会采用阴性选择算法来生成检测器,这种算法生成的检测器存在缺乏更新、容易饱和、误警率高等缺陷.鉴于此,给出了一种生成检测器的算法思路:以免疫遗传算法作为基础,对子代记忆检测器进行优化,并结合动态自体集演化方法生成正常行为特征,使子代检测器能够在一定程度上继承父代检测器的优良基因,该方案发挥了遗传算法并行操作、全局寻优、自适应优化等特征,避免了免疫病理机制转移进入入侵检测系统造成的安全隐患,增强了免疫入侵检测系统的实时性、健壮性、高效性、并行性和可适应性.

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。

优化记忆树的研究与实现

分析当前人工免疫算法和模型，特别是记忆检测细胞的匹配效率及随着时间推移细胞越来越多占用资源空间的问题．RLAIS模型没有将时间作为控制因子抑制资源的膨胀，不能很好解决随时间推移细胞占用资源越来越多的问题，其一些改进模型在应用中可调节性也不高．为解决此问题而提出一优化记忆树模型．该模型特点：增加时间控制因子；对经常被匹配到的细胞的动态调整．利用时间控制条件和动态调整方法的记忆树模型既优化了记忆细胞的匹配效率，又优化了细胞资源空间，最终实现优化资源空间和提高效率的目的．最后实验验证本模型的可行性．

基于免疫原理的入侵检测系统研究

文章在研究生物免疫学原理的基础上,论述了免疫原理在入侵检测技术中的应用,将其和入侵检测系统的工作原理进行了详细的比较。建立了一种基于免疫原理的入侵检测模型.并对模型的作了详细的描述,包括检测器的生成、记忆检测器和协同刺激机制,仿真实验表明该模型具有很好的自学习和自适应性。

变异原理在入侵检测技术中的应用

在对基于免疫学原理的入侵检测技术研究的基础上,借鉴免疫系统的变异原理及淋巴细胞的亲和力成熟过程,设计一个生成记忆检测器的算法,实现快速识别已经出现过的入侵行为。提出一种对记忆检测器集的优化方案,能够减少冗余,扩大检测器的检测范围。

一种基于免疫原理的入侵检测模型设计与实现

本文将生物免疫原理应用到入侵检测系统中,充分利用生物免疫系统具有的众多特性:学习与认知、鲁棒性、适应性等,提出一种新的检测系统模型。基于"自我-非我"理论模式,通过排除和杀死"非我",从而保护"自我";并且局部引入危险理论,即当抗体匹配到抗原时,需要一个协同刺激信号才能确认攻击。