改进人工免疫负选择算法在数据分类中应用.docVIP

改进人工免疫负选择算法在数据分类中应用 　　【摘要】负选择算法是人工免疫的分支，对自我和非我细胞区分过程进行计算模拟。由于负选择算法具有对于自我和非我较强的判别能力，可以模拟数据分类。本文在对特征提取算法，人工免疫系统以及负选择算法深入研究之后，将基于改进的负选择理论应用于数据分类。主要采用对检测器的改进提高负选择算法的检测率，采用自然计算方法优化负选择算法，通过其高效的全局搜索能力和局部搜索能力，优化负选择算法，并将其应用到数据分类，设计基于新算法的数据分类系统，检测该系统的效率。 　　【关键词】负选择算法；优化；数据分类 　　1.人工免疫系统概述 　　人工免疫系统（AIS）借鉴自然免疫系统的原理，将其应用于各种智能系统中，解决实际工程问题[2]。 　　许多研究人员已经利用免疫系统某一个或某些性质、功能、机制发展出各种人工免疫系统技术，被统称为人工免疫系统[1]。Jamey提出的人工免疫网络理论，阐述了自然免疫系统具有大量独特型及抗体独特型的抗体，由此形成了细胞间相互制约关系。免疫系统中B细胞和T细胞之间的相互反应被借鉴用于建立人工免疫网络模型。基于自然免疫系统检测抗原原理可以被应用于计算机安全等。人工免疫系统模型被广泛应用于模式识别、异常检测、数据分类计算机安全等领域，这些模型可以大体分为四类[2]：人工免疫网络（aiNet）、克隆选择算法、负选择算法以及一些其它的模型，比如危险理论[3][4][5]。 　　2.负选择算法及其改进 　　2.1 负选择基本算法 　　从生物学角度看，区分自我和非自我细胞是复杂免疫系统的主要机制之一。负选择算法是对自我和非我细胞区分过程的计算模拟。一般来说，在负选择算法中输入一个象征正常数据的字符串集合（自我集合），并在非我（non-self）区域产生一定数量的检测器。匹配检测器和自我字符串，如果检测器可以匹配，检测器则被丢弃；如果检测器和自我字符串不能匹配，保存检测器。 　　2.2 负选择算法的改进 　　2.2.1 检测器的改进 　　很多研究在检测器方面对负选择进行改进，我们在二维的基础上提出多维空间的超球体检测器以提???非我空间的覆盖率。 　　假设自我和非我空间为实数集合Rn的子集合[0，1]n。一个检测器（抗体）可以定义为Rn中的一个超球体，用n维向量表示圆点，用一个数值表示半径。检测器与抗体的欧几里德距离定义为： 　　如上式r表示检测器半径，表示匹配函数，也就是自我和非我区域的元素x与检测器的匹配程度。 　　检测器的控制：重复两个步骤，1）使检测器远离自我样本；2）使检测器相对独立，以此更新检测器的位置，得到最好的覆盖“非我”区域效果； 　　主要算法：产生覆盖“非我”区域的检测器，用向量集合表示； 　　输入表示：n维向量集合，即自我样本的表示； 　　此算法中，如果自我样本与中心点的距离小于r则认为检测器与自我样本匹配。检测器有成熟时间，如果时间大于t，生成新的检测器。 　　我们利用一个混淆矩阵来表示检测器的检测率和误报率。 　　我们在高的检测率和低的误报率之间找到一个平衡，也就是找到一个最优的检测器半径。 　　2.2.2 利用混合算法优化负选择算法 　　对于负选择算法，我们提出了用混合算法优化负选择算法。 　　在负选择算法中，检测器对非我空间的覆盖是一个关键的问题。为解决这一问题，引入动态克隆选择算法。由于检测器的位置是随机产生的，采用动态克隆选择算法进行优化，以实现用较少的检测器实现对非我空间的更大覆盖。在保证检测器尽可能小地覆盖自我空间的前提下，扩大检测器集合对非我空间的覆盖，提高了检测率，并且在这个过程中保持检测器的数目一定。 　　将这种方法用于网络入侵检测的实例中，应用动态克隆选择算法[15]优化负选择检测器。将检测器集分为“记忆检测器”、“成熟检测器”和“未成熟检测器”。记忆检测器负责检测曾经出现过的入侵方式，而成熟检测器负责检测新的入侵方式。算法在指定数目的“代”中实现以下几个功能模块：（1）首先利用记忆检测器检测收集到的数据集，将检测到的入侵数据删除，并产生协同刺激；如果是误报，则删除相应的记忆检测器。（2）利用成熟检测器检测数据集余下的数据，将检测到的入侵数据删除并累计信息，适当时产生协同刺激；如果确认是出现入侵，则将该成熟检测器加入到记忆检测器集，否则删除之。（3）利用数据集余下的数据，对未成熟检测器进行负向选择，若出现匹配则将相应的未成熟检测器删除。（4）生成充足的未成熟检测器。 　　3.负选择算法的应用 　　计算机安全领域的核心问题是识别异常状态，这与生物免疫系统所遇到的问题具有很大的相似性。因此，近年来，负选择算法被广泛应用于计算机安全领域，并取得了很大的进展。Dasgupta[2]提出了一种用户验证的新方法，