基于协同进化的免疫检测器分布优化算法

doi:10.3969/j.issn.1000-3428.2013.11.035

计算机工程

基于协同进化的免疫检测器分布优化算法

刘海龙^1,2，张凤斌¹，席亮¹

(1. 哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080；2. 哈尔滨师范大学计算机科学与技术学院，哈尔滨 150025)

收稿日期:2012-10-16 出版日期:2013-11-15 发布日期:2013-11-13
作者简介:刘海龙(1976－)，男，讲师、博士研究生，主研方向：网络与信息安全，模式识别；张凤斌(通讯作者)，教授、博士生导师；席亮，讲师、博士
基金资助:
国家自然科学基金资助项目(60671049, 61172168)

Immune Detector Distribution Optimization Algorithm Based on Co-evolution

LIU Hai-long ^1,2, ZHANG Feng-bin ¹, XI Liang¹

(1. College of Computer Science and Technology, Harbin University of Science and Technology, Harbin 150080, China; 2. College of Computer Science and Technology, Harbin Normal University, Harbin 150025, China)

Received:2012-10-16 Online:2013-11-15 Published:2013-11-13

摘要/Abstract

摘要： 为解决免疫实值检测器的黑洞问题，分析检测器规模对检测性能的影响，提出一种基于协同进化的免疫实值检测器分布优化算法。将检测器集分成不同子集，寻找每个子集的最优个体，利用各子集间的相互作用与影响对各子集进行优化处理，取并集构成完整检测器集。实验结果表明，与否定选择算法相比，该算法不仅可以有效减少黑洞的产生，并且能以较少的检测器精确地覆盖非自体空间，从而提高检测器性能。

关键词: 入侵检测, 人工免疫, 检测器, 分布优化, 否定选择算法, 协同进化

Abstract: In order to avoid lots of holes among mature immune detectors in intrusion detection, analyzing the relationship with number of detector and detection performance, an immune detector distribution optimization algorithm based on co-evolution is proposed in this paper. It divides the detectors into different subsets, looks for the best individual of each subset, optimizes the subsets by using the interaction between different subsets, and forms a complete detector set by taking union set. Experimental results demonstrate that this algorithm not only can decrease the holes, but also can achieve a more precise coverage of the nonself space with fewer detectors, and can increase the detector performance.

Key words: intrusion detection, artificial immunity, detector, distribution optimization, Negative Selection Algorithm(NSA), co- evolution

中图分类号:

TP301.6

刘海龙，张凤斌，席亮. 基于协同进化的免疫检测器分布优化算法[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2013.11.035.

LIU Hai-long, ZHANG Feng-bin, XI Liang. Immune Detector Distribution Optimization Algorithm Based on Co-evolution[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2013.11.035.

http://www.ecice06.com/CN/Y2013/V39/I11/154

参考文献

参考文献 [1] Kim J, Bentley P J. The Human Immune System and Network Intrusion Detection[C]//Proc. of the 7th European Congress on Intelligent Techniques and Soft Computing. Aachen, Germany: [s. n.], 1999. [2] Zhou Ji, Dasgupta D. V-Detector: An Efficient Negative Selection Algorithm with “Probably Adequate” Detector Coverage[J]. Information Sciences: An International Journal, 2009, 179(10): 1390-1406. [3] Zhou Ji, Dasgupta D. Revisiting Negative Selection Algori- thms[J]. Evolutionary Computation, 2007, 15(2): 223-251. [4] Gonzalez F, Dasgupta D, Kozema D. Combining Negative and Classification Techniques for Anomaly Detection[C]//Proc. of Congress on Evolutionary Computation. Honolulu, USA: IEEE Press, 2002. [5] Balachandran S, Dasgupta D, Nino F, et al. A Framework for Evolving Multi-shaped Detectors in Negative Selection[C]// Proc. of IEEE Symposium on Foundations of Computational Intelligence. Honolulu, USA: IEEE Press, 2007. [6] Xu Bin, Zhuang Yi. Hybrid Detector Based Negative Selection Algorithm[C]//Proc. of the 5th International Conference on Wireless Communications Networking and Mobile Computing. Beijing, China: [s. n.], 2009. [7] 王辉, 毕晓君, 于立君, 等. 基于疫苗理论的变阈值免疫阴性选择算法[J]. 哈尔滨工程大学学报, 2011, 32(1): 69-72. [8] 方贤进, 李龙澍, 钱海. 基于人工免疫的网络入侵检测中疫苗算子的作用研究[J]. 计算机科学, 2010, 37(1): 239-242. [9] Violato R P, Azzolini A G. Antibodies with Adaptive Radius as Prototypes of High-dimensional Datasets[C]//Proc. of the 9th International Conference on Artificial Immune Systems. Edinburgh, UK: [s. n.], 2010. [10] 张凤斌, 席亮, 王胜文, 等. V-detector优化算法[J]. 高技术通讯, 2012, 22(5): 449-454. [11] 刘国兴. 基于协同进化的多目标优化算法研究[D]. 天津: 天津大学, 2008. [12] Zhou Ji, Dasgupta D. Estimating the Detector Coverage in a Negative Selection Algorithm[C]//Proc. of Conference on Genetic and Evolutionary Computation. Washington D. C., USA: [s. n.], 2005. [13] UCI Machine Learning Repository. Fisher’s Iris Data[EB/OL]. (2009-12-23). http://archive.ics.uci.edu/ml/datasets/Iris. [14] 王大伟. 基于生物免疫的检测器分布策略研究[D]. 哈尔滨: 哈尔滨理工大学, 2008. 编辑陆燕菲

[1]	陈仲磊, 伊鹏, 陈祥, 胡涛. 基于集成学习的系统调用实时异常检测框架[J]. 计算机工程, 2023, 49(6): 162-169,179.
[2]	张凯林, 董红斌. 基于mRMR与基尼重要性的树突状细胞模型[J]. 计算机工程, 2023, 49(5): 129-138.
[3]	张雷, 鲍蓉, 朱永红, 史新国. 基于CSA-ResNet的人员入侵检测方法[J]. 计算机工程, 2023, 49(4): 297-302,311.
[4]	石磊, 张吉涛, 高宇飞, 卫琳, 陶永才. 基于Transformer与BiLSTM的网络流量入侵检测[J]. 计算机工程, 2023, 49(3): 29-36,57.
[5]	刘强, 张颖, 周卫祥, 蒋先涛, 周薇娜, 周谋国. 自适应类增量学习的物联网入侵检测系统[J]. 计算机工程, 2023, 49(2): 169-174.
[6]	刘金硕, 詹岱依, 邓娟, 王丽娜. 基于深度神经网络和联邦学习的网络入侵检测[J]. 计算机工程, 2023, 49(1): 15-21,30.
[7]	孙扬威, 戚湧. 基于聚类混合采样与PSO-Stacking的车载CAN入侵检测方法[J]. 计算机工程, 2023, 49(1): 138-145.
[8]	董卫宇, 李海涛, 王瑞敏, 任化娟, 孙雪凯. 基于堆叠卷积注意力的网络流量异常检测模型[J]. 计算机工程, 2022, 48(9): 12-19.
[9]	金海波, 赵欣越. 共形预测框架下的高可靠入侵检测算法[J]. 计算机工程, 2022, 48(7): 130-140.
[10]	生龙, 袁丽娜, 武南南, 姬少培. 基于GSA与DE优化混合核ELM的网络异常检测模型[J]. 计算机工程, 2022, 48(6): 146-153.
[11]	李晋国, 焦旭斌. 雾计算环境下入侵检测模型研究[J]. 计算机工程, 2022, 48(5): 43-52.
[12]	朱灵灵, 高超, 陈福才. 基于轻量级卷积神经网络的人脸检测算法[J]. 计算机工程, 2021, 47(7): 273-280.
[13]	徐访, 黄俊, 陈权. 基于3D卷积神经网络的动态手势识别模型[J]. 计算机工程, 2021, 47(11): 283-291.
[14]	张艺, 周雯, 梁意文, 谭成予. 基于数字微分的函数化树突状细胞算法模型[J]. 计算机工程, 2020, 46(9): 54-60.
[15]	刘菲菲, 伍忠东, 丁龙斌, 张凯. 基于改进在线序列极限学习机的AMI入侵检测算法[J]. 计算机工程, 2020, 46(9): 136-142,148.

选择文件类型/文献管理软件名称

选择包含的内容

基于协同进化的免疫检测器分布优化算法

Immune Detector Distribution Optimization Algorithm Based on Co-evolution

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

基于协同进化的免疫检测器分布优化算法

Immune Detector Distribution Optimization Algorithm Based on Co-evolution

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价