Page 139 - 《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 3111

混沌映射方式搜索效率低、收敛速度慢的问题;混沌映射的均匀覆盖特性,可缓解遗传变异的“马太效
应”;随机方式的速度优势,可从总体上加快算法的结束时间;3 种方式不断地自适应调整,最终较为全
[9]
面地覆盖问题解空间,并使算法收敛于全局最优 .
2.3 邻域检测器检测算法
本文算法基于 NNSA,参数设定、规范化处理与生成算法相同,如图 6 所示.其关键是检测的亲和力计算匹
[9]
配,采用邻域的检测器与实值的待检测样本间的计算,基于公式(2)~公式(4)进行 .
开始

1. 初始化参数
2. 标准化测试集
Y
3. 是否测试完成
N
4. 测试样本与检测器
进行亲和力计算

5. 亲和力>匹配阈值
Y N
异常样本 正常样本

6. 调整检测器的
weight 值

7. 基于weight值调整不同检测器
构造方式的轮盘赌权值值
结束

Fig.6 Flow chart of MSNNSA detection algorithm
图 6 MSNNSA 检测算法基本流程

具体而言,检测算法的伪代码实现如下.
输入:亲和力匹配阈值;
待检测样本集合 Detect;
成熟检测器集合 D;
输出:轮盘赌选择概率 p r [3];
检测结果.
1. Begin /*设定算法亲和力匹配阈值等参数,如图 6 中步骤 1*/
2. Normalize(Detect) /*按照公式(5)对测试数据集进行标准化处理,如图 6 中步骤 2*/
3. for (i=0;i<Detect.size;i++){ /*依次检测每个待检测样本,如图 6 中步骤 3*/
4. t=Affinity(D,Detect i ); /*通过公式(2)~公式(4)进行待检测样本与成熟检测器之间的亲和力计算,如
图 6 中步骤 4*/
5. if (t<){Detect i normal;} /*亲和力小于,则该检测样本正常,如图 6 中步骤 5*/
6. else {Detect i abnormal;D i .weight++;} /*亲和力大于,则该检测样本异常,增加相应检测器 weight
属性值,如图 6 中步骤 6*/