Page 144 - 《软件学报》2021年第10期

3116 Journal of Software 软件学报 Vol.32, No.10, October 2021

从中可以看出:每组参数在不同测试数据集下所表现出来的性能都有所波动.这是因为,算法在不同参数组
合下对于不同类型的数据认知能力不同.同时,从结果的标准差也可以看出,每种参数组合下检测的整体稳定性
也有所差别.
[,step]与二进制的比特匹配和实值的半径匹配一样,都是检测器最重要的参数,直接影响了算法的最终效
果.而[,step]结合了两个方面,可有效降低二进制和实值匹配方法单匹配规则的敏感度.以上实验结果也可以佐
证该优势.
综上,结合以上实验结果,当[,step]取值为[16,0.15]时,算法表现出了最佳的性能.由此,后续实验选定该值
组合进行.

3.2 单源、双源和多源免疫检测器对比实验
为了验证本文算法的多源优越性,本部分实验对比分别使用随机、遗传算法、混沌映射这 3 种单源构造候
选邻域检测器的检测器生成算法、两两组合的双源构造候选邻域检测器的检测器生成算法与 MSNNSA 在生
成时间和检测性能方面的效果.本实验使用上一部分实验中的 30%自体样本集合和选取的 5 组测试数据集,参
数设置同上.
检测率和误报率的实验结果如图 11(a)和图 11(b)所示.从图 11(a)可以看出:在第 1 组测试数据集中,
MSNNSA 生成的检测器的检测率仅低于 NNSA(即随机单源方式)的检测器;但从检测稳定性和对不同测试数
据集的检测率曲线上看,NNSA 最不稳定,遗传和混沌机制较为接近,而双源方式彼此之间差别不大,但要略优于
3 种单源方式生成的检测器.MSNNSA 优于其他 6 种单源和多源方式.从图 11(b)中可以看出:NNSA 的误报率最
高,遗传和混沌机制次之且具有一定的波动性,双源方式在稳定性方面略好于单源方式,MSNNSA 的误报率最
低且最稳定.
图 11(c)为 7 种方式生成 300 个检测器的生成时间和对应的检测时间对比.从生成时间结果对比中可以看
出:采用随机方式所花费的时间最短,混沌映射和遗传算法次之,多源方式接近或优于双源方式.这主要是由于
MSNNSA 双/多源选择和迭代次数要高于单源方式.但从检测效果(如图 11(a)和图 11(b)所示)可以看出:这种时
间代价在检测器生成对时间性能要求较低的阶段是可接受的,而且生成的检测器性能更高,因此也是值得的.而
且,MSNNSA 的检测时间花费最短.这也就说明本文的检测方法兼顾二进制和实值优势,在保证整体检测性能
更好的基础上,效率更高.
因此,从以上分析可以看出:MSNNSA 生成了更高质量的检测器,在检测率和误报率及其稳定性方面要优
于其他 6 种单/双源方式.

(a) 检测率 (b) 误报率 (c) 生成和检测时间
Fig.11 Experimental results’ comparison of MSNNSA and other 3 single-source-inspired &
3 2-source-inspired detectors generation algorithms
图 11 MSNNSA 与 3 种单源、3 种双源检测器生成算法的实验结果对比