Page 133 - 《软件学报》2021年第10期

席亮 等:邻域形态空间多源免疫检测器生成与检测 3105

performances, and overcomes the shortcomings in the real-valued shape-space mentioned before. Experimental results show that the
proposed method enhances generation efficiency, whole detection performances, and stability.
Key words: neighborhood shape-space; anomaly detection; negative selection algorithm; chaotic map; genetic algorithm

[1]
作为人工智能的一个重要分支,AIS 是一种模拟生物免疫功能的智能技术 ,现已被广泛应用于异常检测、
数据挖掘、医学影像等各个领域 [2,3] .生物免疫系统与异常检测的基本作用机理十分相似,人工免疫方法经常以
[4]
异常检测或基于异常的入侵检测为应用对象展开研究 .而且,基于免疫的异常检测技术因其具有良好的预知
[5]
未知异常的能力和较强的鲁棒性等特点而成为本领域的研究热点 .如:文献[6]使用 AIS 构建适合监控环境的
分布式传感器网络来防范 DoS;文献[7]改进了树状细胞算法,提出了一种免疫异常检测模型,并以此为核心建立
实时入侵检测模型;文献[8]提出了基于免疫启发合作 agent 的安全防御系统,它使用增强型否定选择算法,使系
统更好地覆盖自体或非自体(异常),以提高系统的整体异常检测性能.
目前,AIS 应用主要基于实值形态空间展开,匹配策略主要根据样本间的 Euclidean 距离和 Manhattan 距离
来度量,其“维度灾难”问题严重影响了属性选取范围和计算效率;而且,实值检测器的高重叠和“黑洞”问题也是
[9]
影响人工免疫算法应用效果的关键问题,如图 1 所示 .因此,许多学者就这些问题展开了大量研究工作 [10] .文献
[11]利用抗原空间密度计算抗原密集聚集的低维子空间,并在这些子空间中直接生成检测器来解决高维空间中
存在的问题,并通过抑制被其他成熟检测器识别的候选检测器,采用“抗体抑制率”代替“预期覆盖率”作为终止
条件来解决检测器冗余的问题.文献[12]基于克隆选择提出一种实值否定选择改进算法 CB-RNSA(clonal-
selection-based RNSA),首先生成大半径候选检测器,覆盖远离自体空间以减少检测器数量;然后生成小半径候
选检测器,并使它们逐渐覆盖自体和非自体之间的边界区域以便减少黑洞,从而有效提高检测器的检测率,并降
低误报率.然而,实值形态空间的“维度灾难”及样本重叠造成的“黑洞”和规模过大等问题并没有从根本上得到
[9]
解决,因而使得人工免疫算法在属性选取、计算效率、优化和检测等方面还需进一步展开研究 .

(a) 黑洞 (b) 高重叠
Fig.1 Problems in real-valued shape-space
图 1 实值形态空间存在的问题

鉴于此,针对上述问题,本文使用由我们研究团队首先提出的形态空间表示法——邻域形态空间表示法 [13] ,
提出邻域形态空间多源免疫检测器生成与检测方法:通过改进邻域否定选择算法(neighborhood negative
selection algorithm,简称 NNSA)解决“维度灾难”问题,并采用随机、混沌映射和 DNA 遗传变异多源机制构造候
选检测器进行耐受训练,实时更新检测器集,使其具有对非自体区域的完备覆盖;并基于邻域的集合特性设计亲
和力计算方法,解决实值形态空间的样本高重叠和“黑洞”问题;最终设计基于此的人工免疫检测模型,以提高检
[9]
测器集的整体检测性能为目标,提升检测器的构造、生成(收敛)与检测效率 .
本文第 1 节介绍人工免疫系统和相关的免疫异常检测基本模型,并分析混沌映射与遗传算法的特点.第 2
节详述本文提出的方法,并进行算法收敛性和时间复杂度分析.第 3 节是实验结果与分析.最后进行结论性总结
和展望.