基于混沌免疫聚类异常检测算法.docVIP

基于混沌免疫聚类异常检测算法 　　摘要：在对免疫聚类类型和流程分析的基础上，结合混沌变量的遍历性和聚类融合方法，提出了基于改进aiNet（artificialimmunenet）聚类算法CO-aiNet（Chaosoptimizationofartificialimmunenet）的异常检测算法ICDA（ImmuneclusteringbasedAnomalydetection）。CO-aiNet算法在引入权重矢量、相关度等基础上，采用模拟退火算法和概率准则优化监测数据，优化了聚类效果；引入异常因子概念，通过对多次聚类融合后的数据按照异常标记次数排序，得到异常数据集。实验表明，CO-aiNet算法聚类效果优于同类算法，基于聚类融合的异常检测准确性和稳定性显著提升。 　　关键词：混沌理论；免疫聚类；异常检测；聚类融合 　　中图分类号：TP312 献标识码：A 文章编号：1672-7800（2016）004-0055-04 　　1人工免疫系统的混沌特性 　　人工免疫系统是一种复杂的自适应系统，它需要不断吸收和消耗物质能量，属于耗散系统。免疫系统的非线性动力方程[1]为： 　　Ag（t+1）=k1-Ag（t）AgmaxAg（t）-k′Ag（t）（1） 　　式（1）中Ag表示抗原，Ag（t）表示在t时刻抗原的浓度，k反映抗原的增值率，当抗原浓度达到最大Agmax时，抗原不再增殖。k′表示细胞死亡速率。 　　对式（1），初值Ag（0）=0.3，μ=k-k′取值从0-4，对μ和Ag作系统分岔图，如图1所示。由图1可以看出，当μ3时，系统出现分岔，随着μ的逐渐增大，当μ=3.7时，系统呈现一片混沌状态。 　　2混沌免疫聚类算法 　　aiNet算法[2]实现免疫的过程主要是对生物免疫系统的抗原变异、克隆选择、网络抑制和亲和力成熟等生物机理进行模拟。aiNet算法存在诸多局限性问题：①基于学习的aiNet算法在对网络数据集合时，抗原与抗体、抗体与抗体之间的亲和度主要利用距离原则度量；②aiNet算法参数过多，导致参数选择过于敏感；③获得的结果是经过克隆和变异之后得到的免疫细胞集合，结果不足以完全表述原数据集的聚类效果；④aiNet算法对于边界模糊数据和高维数据来说，其聚类效果较差。 　　在分析人工免疫系统的混沌特性[3]及aiNet算法局限性的基础上，本文将混沌优化、相关度及模拟退火算法应用于aiNet算法中，提出一种改进的CO-aiNet算法。 　　这里采用有限区域折叠无限次的混沌模型来产生混沌变量，使其混沌特性更明显。一维混沌自映射[4]定义为： 　　xn+1=sin2xn，n=0，1，2，…，N-1≤xn≤1，xn≠0（2） 　　其中，初始值不能为0，也不能为无穷多个不动点中的任意一个，不动点为xn+1=sin2xn的解。 　　权重矢量[5]定义：假设X群体中拥有m个个体，pn作为n维空间的矢量，每一维度都会与一个评判标准相对应，在某问题中的第i个成员关于n个评判标准得到的度量值为：vij，j=1，2....，n，vij≥0。将vi=vi1，vj2，...，vjn作为X群体中的第i个成员权重矢量，x=1，2....，m。 　　相关度[6]定义：假设一个群体中的每个个体权重矢量是独立存在的，并且不完全相同，将权重矢量vi和vj的相关度定义如下： 　　r（vi，vj）=（|vi-vi）|?（|j-vj|）rvi-vip?vj-vjq（3） 　　其中，1p∞，1q∞，1p+1q=1，p作为矢量的p范数，q作为矢量的q范数： 　　vi=1n∑nt=1vit，vj=1n∑nt=1vjt（4） 　　模拟退火算法[7]属于物理学科中对固体退火进行模拟的一种过程，常用于数据优化中，模拟退火算法可以对算法优化方向进行控制，利用概率准则避免陷入局部极值。 　　基于模拟退火算法的特征，对aiNet算法进行改进，得到CO-aiNet免疫聚类算法，该算法描述如下： 　　（1）按照评判准则对群体进行权重矢量数据处理。 　　（2）初始化免疫网络数据集，选择式（2）产生的（0，1）间的N个混沌变量作为初始化网络数据集Abs，记作M。 　　（3）对每个抗原Ag按照如下环节操作：①计算相关度，得出抗原Ag与初始化网络数据集Abs中抗体的相关度，记作r（Vi，Vj）；②从初始化网络数据集Abs中选择亲和度最高的p个抗体，将其作为临时抗体网络集t；③基于临时抗体网络集t进行克隆计算，得到被刺激抗体的克隆数量Nc；④基于临时抗体网络集t，通过模拟退火算法进行变异；⑤计算被刺激抗体的克隆数量Nc与抗原的相关度，记作r，将相关度较小的抗体删除；⑥基于临时抗体网络集t进行抑制操作，通过计算抗体之间的距离和度量公式对抗体之间的亲和度d进行