Page 145 - 《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 3117

3.3 与其他代表算法的检测性能对比实验
为了进一步验证本文算法的性能,本部分实验选择其他本领域相关的代表算法——实值 NSA(real-valued
NSA,简称 RNSA)、V-Detector 和 NNSA 的检测器生成算法,与前文提到的 CB-RNSA [12] 进行对比.CB-RNSA 引
入克隆选择,采用基于自体集的聚类中心在分层有限范围内随机生成候选检测器,比其他同类型算法及改进具
有更好的时间效率和检测器生成质量.实验包括两部分:(1) 采用最优参数组合的 MSNNSA 与其他算法的对比,
以验证 MSNNSA 算法的优势;(2) 采用代表性参数组合的 MSNNSA 与 NNSA 和 RNSA 算法的对比,以验证
MSNNSA 算法对参数的较低敏感性.对比算法采用的参数都基于最好的设置进行.
(1) 最优参数组合的 MSNNSA 与其他算法的对比
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 12(a)和图 12(b)所示,RNSA 在 5 组测试集中的检测率均是最低的,而误报
率却很高且稳定性差.NNSA 的检测率优于 V-Detector、RNSA 和 MSNNSA,但逊于 CB-RNSA.在误报率方面,
NNSA 优于 V-Detector 和 RNSA,在 2-4 组测试集中略逊于 CB-RNSA,整体检测稳定性也略逊于 CB-RNSA.
MSNNSA 的检测器的检测率,除在第 1 组测试集中劣于 V-detector 和 NNSA,并与 CB-RNSA 持平外,在其余各
组测试集中均优于其余算法.而且,在误报率和检测的整体稳定性方面,MSNNSA 也均优于其余算法.整体对比,
邻域形态空间(MSNNSA 与 NNSA)的整体均要优于实值形态空间(CB-RNSA,V-Detector 和 RNSA).而且在邻域
形态空间下,MSNNSA 的检测器的检测效果优于基于 NNSA 的检测器.
图 12(c)所示为 5 种算法生成的 300 个检测器的检测时间对比情况.从中可以看出:在相同条件下,邻域形态
空间(MSNNSA 与 NNSA)下检测器的检测时间要明显优于实值形态空间(CB-RNSA、V-Detector 和 RNSA)下
的检测时间.

(a) 检测率 (b) 误报率 (c) 检测时间
Fig.12 Experimental results’ comparison of the 5 algorithms
图 12 5 种算法实验结果对比
因此可以看出:邻域形态空间可更好地解决人工免疫系统的“黑洞”、高重叠与“维度灾难”问题,降低问题求
解的计算代价,提高计算效率,获得更好的检测性能.而且,多源方式也提高了 NNSA 的检测器生成质量,使其优
于实值形态空间最具代表性的一些算法.
(2) 采用代表性参数组合的 MSNNSA 与 NNSA 和 RNSA 算法的对比
本部分实验选取上一部分数据集中的一组进行,对比不同[,step]组合下 MSNNSA、NNSA 与最好参数的
RNSA 的实验结果,参数设置同上.
图 13 所示为在选取几组不同的 step 和下,NNSA 与 MSNNSA 的性能对比情况:为较小值时,两种算法的
检测率和误报率都较高;为较大值时,两种算法的检测率和误报率都较低;只有为 16 左右时,两种算法的效果
最为理想.在不同参数组合下,两种算法的检测率和误报率均随 step 值的增加而减小.结合图 11 和图 12 的实验
结果综合可得:MSNNSA 在不同参数组合下的效果均优于 NNSA,且在一个相对合理的范围内([14,18],step