Page 147 - 《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 3119

围内,算法的执行效率和检测结果均优于实值检测算法.
综上,以上各实验,从确定关键参数取值到测试单源、多源和多源候选检测器的效果,并对比其他相关代表
算法的检测性能可以看出,本文算法得到了更为理想的结果.
(1) 通过参数测定实验可以看出:MSNNSA 的[,step]参数组合的合理范围要大于实值形态空间下的匹配
半径的设定区间,其对超参数的敏感程度低于实值检测算法;
(2) MSNNSA 及检测模型基于邻域形态空间,并设计了更符合实际的匹配规则,相比于实值形态空间,
MSNNSA 极大地减少了数据维度对算法的影响;
(3) 通过对比实验可以看出:MSNNSA 由于在生成候选检测器阶段利用 3 种机制对检测器进行了优化与
训练,使得在各种性能指标上要优于基于单/双源机制的原始 NNSA;
(4) 通过与其他实值形态空间代表算法的对比实验中可以看出:MSNNSA 虽然在检测器生成上花费的时
间较长,但仍在可接受范围内,而且生成的检测器基于更合理的亲和力计算方法,检测效率、性能和稳
定性都优于其他几种算法.
这就说明邻域形态空间相比于实值形态空间具有维度无关性,且亲和力计算速率更快,并基于多源构造检
测器的方式可使得邻域检测器获得更全面的知识,配以适合邻域和实值样本的检测算法,可使人工免疫更好地
应用于异常检测等相关应用中.但本文算法是基于 step 进行邻域划分,自适应程度不够.下一阶段将继续进行改
进和完善使其更适合动态环境下的邻域转换操作,从而适应具有更复杂变化特征的异常检测应用.
4 结 论

人工免疫系统有两个重要的研究对象:形态空间与检测器.本文针对人工免疫系统在实值形态空间中存在
的“维度灾难”“黑洞”、高重叠等主要问题,以候选检测器构造机制为出发点,改进邻域形态空间否定选择算法,
提出了邻域形态空间多源免疫检测器生成与检测方法.算法通过引入随机、混沌映射和遗传算法这 3 种机制构
造候选检测器,优势互补,从而可以有效提升生成候选检测器的全局性和靶向性,提高检测器的分布性能.实验
结果表明:本文算法提高了检测器的生成速率和分布性能,以此为基础的检测算法也表现出了很好的计算效率
和检测水平.
相比于传统的实值形态空间和匹配策略,本文算法在算法收敛性和运行速率方面提高明显,同时也可保障
系统的检测性能有效提高.基于此的异常检测/入侵检测方法可以较好地满足实际应用的实时需求.在不同异常
检测应用背景下的改进和实际测试是未来研究的重点.

References:
[1] Zahra Z, Mohammad SH, Akbar R, Kamran K. A robust gene clustering algorithm based on clonal selection in multiobjective
optimization framework. Expert Systems with Applications, 2018,133:301314. [doi: 10.1016/j.eswa.2018.06.047]
[2] Louati A, Darmoul S, Elkosantini S, ben Said L. An artificial immune network to control interrupted flow at a signalized
intersection. Information Sciences, 2018,433:7095. [doi: 10.1016/j.ins.2017.12.033]
[3] Xu Y, Yuan F, Lin Q, Deyou T, Li D. Merging event logs for process mining with a hybrid artificial immune algorithm. Ruan Jian
Xue Bao/Journal of Software, 2018,29(2):396416 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/5253.htm
[doi: 10.13328/j.cnki.jos.005253]
[4] Magna G, Casti P, Jayaraman SV, Salmeri M, Mencattini A, Martinelli E, Natale CD. Identification of mammography anomalies
for breast cancer detection by an ensemble of classification models based on artificial immune system. Knowledge-based Systems,
2016,101:6070. [doi: 10.1016/j.knosys.2016.02.019]
[5] Fernandes G, Rodrigues JJPC, Carvalho LF, Al-Muhtadi JF, Proença ML. A comprehensive survey on network anomaly detection.
Telecommunication Systems, 2019,70(3):447489. [doi: 10.1007/s11235-018-0475-8]
[6] Ring M, Schlör D, Landes D, Hotho A. Flow-based network traffic generation using generative adversarial networks. Computers &
Security, 2019,82:156172. [doi: 10.1016/j.cose.2018.12.012]