文档介绍：多层动态克隆选择算法的研究论文导读:所以有必要用否定选择算法对新生成的子检测器做一个判定。遗传算法是克隆选择算法的核心。否定选择,多层动态克隆选择算法的研究。关键词:入侵检测,否定选择,克隆选择 1. 引言克隆选择是基于人工免疫机制的入侵检测系统中一个重要组成部分。 Forrest 小组提出的静态克隆选择算法能够在一个静态数据集上建立一个有效的误用检测器, 但它最大的缺点是不能适应网络流的变化,即不具有自适应性[1] 。在 Forres t 的静态克隆选择算法中, 首先产生随机检测器集合D, D 中的检测器都是经过随机产生器产生, 再经否定选择后送到集合 D 中, D 中的检测器初始适应度值为 0 。否定选择的目的,是为了排除和“自体”匹配的无效检测器,使随机产生的检测器,先和“自体”数据库中的所有记录进行比较,若匹配,则丢弃;否则,送入检测器集合 D 。由于“自体”数据库非常大,因此进行否定选择的时间很长。 J. Kim 此此算法略作改进[2] ,使否定选择函数返回一个特定的值, 作为检测器的初始适应度值, 检测器的优劣由适应度值的大小来衡量。可以把适应度值限制在0和1 之间, 在进行否定选择时,计算产生的每个随机检测器和“自体”数据库中的每个“自体”模式匹配的相异度值,否定选择函数返回这些相异度的平均值, 并把这个返回值作为这个检测器的初始适应度值。即其中: fitness(i) 为随机产生的第 i 个随机检测器; N为自体数据库中“自体”模式的个数; dissimilarity(antibody(i),self (j)) 为产生的第 i 个随机检测器和“自体”数据库中第 j个“自体”模式匹配的相异度值。论文格式,否定选择。静态克隆选择算法在一定程度上改进了否定选择算法。但是, 传统的克隆选择算法是在静态的抗原数据集基础上进行模式识别的, 这种方法对先前已经收集到的数据具有较好的效果[3] 。不过, 现实环境中( 比如网络中的入侵检测), 不停的有新的入侵模式, 也就是说 AIS 每天面对的可能是各种不同的抗原。更重要的是, 现实中某时刻被认为 Self( 正常行为模式) ,到了下一时刻可能就成了 Nonself( 异形模式)。因此, 我们要求 AIS 除了具备先前已经描述的具有识别新的未知模式的能力外,当识别器的识别能力不再正确的时候,它应该随时被替换[4] 。 2. 否定选择算子检测系统选择两个双亲检测器,采用交叉、变异的方法去产生后代检测器, 并用后代检测器中更优的子检测器去代替父检测器中检测效果较差的检测器。由于两个父检测器随机选取,交叉、变异的过程中可能产生无效的检测器,所以有必要用否定选择算法对新生成的子检测器做一个判定, 当后代检测器与任一自体抗原匹配时, 这个后代检测器就被淘汰。当一个无效后代检测器产生时, 检测系统就用同一对双亲检测器基因算子产生一个新的后代检测器。当产生有效后代检测器失败次数超过 T时, 检测系统就选择一对新的双亲检测器产生新的后代检测器。论文格式,否定选择。 3. 遗传选择算子遗传算法是克隆选择算法的核心。遗传算法的基本原理是直接由自然行为类推而来。每个个体根据问题的好坏被赋予一个适应度。适应度越高的个体有更高的机会与其他个体交叉繁殖进行再生, 新产的个体被称为后代, 它们共享一些来自于它们双亲的特征。那些适应度较低的个体因为不太可能被选出来, 最后都会灭亡。克隆选择算法用遗传算法作为遗传算子, 随机选择成熟的检测器, 这样能产生更新更优的子检测器。用遗传算法产生的新的子检测器中, 有更优的, 但也有更不合格的, 所以需要用否定选择算法对他们作一个选择。遗传算法是建立在自然选择和群体遗传学机理基础上的随机、迭代、进化, 具有广泛适用性的搜索方法。所有自然种类都是适应环境而得以生存, 这一自然适应性是遗传算法的主旋律。论文格式, 否定选择。遗传算法搜索结合了达尔文适者生存和随机信息交换,前者消除了解中不适应因素, 后者利用原有解中己有知识, 从而有力地加快了抽索讨程。下面举例说明基本方法。对于一个给定的优化问题, 设目标函数 F=(x,y,z), (x,y,z),FR 要求(x0,y0,z0) 使得 F=f(x0,y0,z0)=max(f(x,y,z)) 其中(x,y,z) 为自变量,是(x,y,z) 的定义域, (x,y,z) 可以是数值,也可以是符号; F 为实数,是解的优劣程度或适应度的一种度量;f 为解空间(x,y,z) 到实数域 FR 的一种映射, 那么遗传算法的求解步骤如下:(1 )编码用一定比特数的 0,1 二进制码对自变量 x,y,z 进行编码形成基因码链, 每一码链代表一个个体, 表示优化问题的一个解。如 x有 16 种可能取值 x0,x1 , …x15