自适应权重优化的树突状细胞算法

树突状细胞算法是人工免疫系统中先天免疫层的经典算法,该算法通过融合危险和安全信号发现异常。但树突状细胞算法在信号权重的取值上常需要根据数据特征手动设置,削弱了算法的自适应性。针对这一问题,引入了网格搜索法,在给定的权重范围内根据识别效果自动调整权重取值,得到适应不同类型和规模数据集的信号权重组合。在多个公开数据集上的实验结果表明自适应权重优化的树突状细胞算法能根据数据集特征自适应训练得到较合理的权重矩阵,减少了人工经验对算法准确率的影响,改进后的算法识别准确率、真阳性率等均高于原树突状细胞算法,并优于同类算法。

树突状细胞算法原理及其应用

描述树突状细胞的生物学机理,给出树突状细胞算法(DCA)的设计、实现及改进过程。介绍DCA在计算机网络、无线传感器网络、实时嵌入式系统和机器人学等方面的应用情况,对算法性能进行评价。基于标准数据集,将DCA与其他方法进行比较,分析DCA存在的问题,指出其下一步的研究方向。

确定性树突状细胞算法的异常检测系统

介绍了一种新型的确定性树突状细胞算法,该算法不仅精简了计算开销,同时最大程度地维持了树突状细胞算法的优势.加入抗原提呈同步作为输入算法,使得算法更精确,并把该算法应用于异常检测系统,以实现真正意义上的实时.

针对无序数据集异常检测的树突状细胞算法

为了提高树突状细胞算法对无序数据集的异常检测性能,分析了上下文环境的频繁转换是导致检测精度降低的主要原因,提出了一个"倍增-归并"的树突状细胞算法。先将数据集放大n倍,即每种抗原产生n个实例,对每个实例进行评估,综合每种抗原的n次评估得到最终结果。算法体现了细胞环境决定抗原状态的生物机制,通过倍增营造了相对稳定的环境,通过归并综合了多数正确判断减少了误判的影响。实验结果表明,该算法对无序数据集具有可观的检测精度和稳定的检测性能。

树突状细胞算法形式化及其在入侵检测中的应用

在描述和分析了树突状细胞的生物学机理基础上,分析树突状细胞算法数据处理过程,并将其形式化定义。通过KDD99数据集实验对该算法进行验证,并与其他方法进行了比较。实验结果表明,新算法对降低入侵检测误报率,进一步增强计算机安全,具有一定的应用价值。

基于树突状细胞算法的垃圾邮件群发检测

通过分析垃圾邮件的群发特征,结合危险理论的思想,提出了运用树突状细胞算法(DCA)检测垃圾邮件群发现象的方法。该方法从垃圾邮件群发的行为特征入手,对一段时间内垃圾邮件的群发特征进行分析,根据正常和垃圾邮件在群发特征表现上的差异,判断是否为垃圾邮件群发。实验结果表明:该方法能够有效、快速地检测出垃圾邮件群发现象,具有较高的检测率。

面向异常检测的时间序列树突状细胞算法

针对树突状细胞算法中信号及参数的定义存在高度随机性,导致检测率较低的问题,提出了一种时间序列数据的异常检测树突状细胞算法.采用多维数据流相关性分析和变化点检测方法对抗原进行检测,遴选出能够反映突变状态的关键点数据作为异常活动候选解;基于变化点子空间追踪算法提取特征集,准确地获取及分类各种输入信号子空间;在算法的上下文评估中加入动态迁移阈值的概念,累积一定窗口时间内的抗原评估,有效地减少了误判率.通过仿真实验证明该算法能够利用更少的存储空间和计算资源,有效地提高异常检测的检测率与准确率,具有更高的稳定性.

用于实时异常检测的树突状细胞算法

为了提高异常检测系统的实时性能,在尽可能短的时间内对出现的异常做出反应,对传统的树突状细胞算法的离线分析过程进行了改进,提出了一种实时分析算法。当抗原被足够多的树突状细胞提呈后立即输出评估结果,从而到达实时或接近实时分析的目的,足够的评判次数减少了误判的影响,与时间序列相关的抗原信号池消除了无关数据的相互干扰,和生物免疫相关的一些随机因素的考虑更加近似地模拟了生物系统的表现。实验结果表明,该算法在实时分析的基础上还具有可观的检测精度。

树突状细胞算法在图像分类中的应用

由于传统树突状细胞算法存在大量的随机参数,很难对算法的有效性进行评价与分析,提出一种用于图像分类的改进树突状细胞算法。针对图像的颜色及纹理特征,定义抗原和分类元素,根据抗原的危险度对目标进行聚类;设计更精确的异常程度指标,简化算法的输入信号,并对处理过程进行优化,使其具有较快的收敛速度和稳定的识别性能。实验证明,该算法能够提高图像的识别率以及识别过程的稳定性,并且减少了算法运行时间。

基于危险理论树突状细胞算法的入侵检测模型

按照树突状细胞的功能、作用,建立入侵检测模型,并进行了相关仿真实验.实验结果显示,模型能够实时地检测出已知和未知的攻击,并且具有效率高、负载小与低误报率的优点.理论分析和实验结果表明,该算法较传统的危险理论入侵检测算法效率大大提高.

基于模糊树突状细胞算法的研究

利用模糊集合论的理论来改变传统的树突状细胞算法中对半成熟树突状细胞和成熟树突状细胞的清晰化划分问题。传统的树突状细胞算法的基于边界判断的清晰化划分方式对数据的排序敏感,并且存在着一定比例上的误判。提出的模型是基于模糊集合论框架下结合树突状细胞算法建立起来的一种全新的算法模型,实验证明基于模糊树突状细胞算法的实验结果一定程度上减低了误报率,不受排序的影响,更加有效和精确。

基于树突状细胞的免疫算法

树突状细胞是人体内机体中功能最强的抗原提呈细胞,树突状细胞可以高效地摄取抗原后经过加工处理向免疫机体提呈抗原,处于启动、调控、并维持免疫应答的中心环节。人体中的树突状细胞的功能可以被抽象提取成一种用算法。本文通过比拟的方式归纳出基于树突状细胞的免疫算法。

基于树突状细胞算法的分类方法研究

树突状细胞算法DCA（Dendritic Cell Algorithm）是人工免疫学理论中危险理论的最新研究成果，该算法具有对实时异常数据的检测能力．该文将树突状细胞算法引入到数据分类的应用中来，建立了对数据分类的模型，使用UCI Wisconsin Breast Cancer数据集对模型和其他分类算法进行了测试，结果表明基于树突状算法的分类模型降低了误报率的同时，提高了处理数据的能力，处理速度更快。

用于异常检测的小参数集树突状细胞算法

树突状细胞算法（dendritic cell algorithm,DCA）是受自然免疫系统中树突状细胞的功能启发的免疫算法。当应用于实时异常检测时该算法具有优越的性能,但由于参数和随机元素相当多,算法难于分析。提出了一种用于异常检测的小参数集树突状细胞算法,在保证算法实现正确功能的前提下,减少了DCA中的参数,使算法参数数量得到了控制。此外,新算法还定义了更为简洁的信号处理过程以及对应的异常度量和异常阈值。最后,利用端口扫描数据集对算法进行了测试,实验结果表明,新算法是DCA的一种有效形式,新的异常度量更加敏感且它体现出的正确分类时间延长了30.3%~56.7%。

基于树突状细胞算法的蠕虫检测模型

树突状细胞算法DCA(Dendritic Cell Algorithm)是受人工免疫学中的危险理论启发的,具有实时检测异常的能力。树突状细胞DC(Dendritic Cell)能够将抗原与环境信号关联起来激活或抑制人体的免疫响应。按照树突状细胞的功能、作用,建立对蠕虫进行实时检测的模型,实验结果显示,模型能够实时地检测出已知蠕虫和未知蠕虫,并且具有效率高、负载小与低误报率的优点。

基于mRMR与基尼重要性的树突状细胞模型

树突状细胞算法(DCA)模拟人体免疫系统中树突状细胞对抗原的识别与提呈过程,是一种快速有效的异常检测方法,其关键是从数据中选取有效特征以表示特定的输入信号。然而,现有信号选取方法存在特征子集冗余、时间复杂度高等问题,导致生成的抗原信号有效性较低,且在高维大样本数据集上运行速度较慢。考虑抗原信号的可用性与信号选取过程的时间效率,提出基于最大相关最小冗余(mRMR)与基尼重要性的树突状细胞模型MRGI-DCA。通过mRMR从原始数据集中快速地提取最相关特征子集,且最大限度地降低特征子集的冗余性。在mRMR预降维的基础上,根据CART树模型快速、准确等特点,利用基尼重要性得到更有效的抗原信号。实验结果表明,MRGI-DCA总体表现优于IG-DCA、COR-DCA、GA-DCA和SVM-DCA方法,其中,准确率、F1值和AUC在高维、低维、异常数据集上的平均值较COR-DCA分别提高6.01%、5.86%、9.96%,并且平均运行时间约为COR-DCA的1/5。

树突状细胞算法在Web服务器异常检测中的应用

Web服务器常因遭受攻击或负载过大进入异常状态,无法响应用户请求。为解决已有异常检测方法准确率较低的问题,将DCA引入Web服务器的异常检测,建立Web服务器运行状态的多层次指标体系,给出指标体系针对抗原、危险信号及安全信号的映射定义,描述了Web服务器异常检测的方法。对比实验表明该方法较传统的统计学方法及K-means聚类方法,具有准确率高、误报率低的优点,能够有效检测Web服务器异常。

树突状细胞安全模型的抗原识别和提呈算法的研究

针对传统人工免疫网络安全模型在对异常检测中的弊端,首先定义了危险理论树突状细胞在网络安全模型中的表示形式,并提出了一种新的抗原识别和抗原提呈算法来解决该弊端。结果表明:该算法可以大大降低入侵检测系统的误报率和提高检测率,该模型不仅对建立计算机安全系统具有重要的理论意义,并能应用在农业病虫害预测和水文气象监测中建立实时监测模型。

可调控误报率和漏报率的树突状细胞算法

为了解决传统树突状细胞算法(DCA)对环境评判的盲目性,分析DCA权值矩阵对检测结果的影响,提出两种可调控误报率和漏报率的DCA。一种是改进的投票制DCA,即在树突状细胞(DC)状态转换准则中融入倾向因子,以求得对环境评判的公平,并通过对倾向因子的微调控制检测结果的误报率和漏报率;另一种是评分制DCA,即在DC状态转化阶段忽略对细胞环境的评判,改为直接对抗原进行评分,最后根据抗原的平均分分布调整异常阈值,以达到调控误报率和漏报率的目的。实验表明,两种算法均有效地实现了结果可控性,相比而言,评分制DCA可实现更为直观的调控。

一种改进的树突状细胞算法

针对危险状态识别问题,提出一种改进的树突状细胞算法(IDCA)。在原算法的基础上引入"时间窗"、未成熟DC尽快成熟、衰减因子等概念与策略,提高算法的响应速度和识别精度,解决传统树突状细胞算法一遍运行可能无法评价输入序列末端抗原的问题。在UCI标准数据集上的对比实验证明了IDCA算法的有效性。