人工免疫系統(tǒng)對外部入侵的精確識別是通過模擬生物的免疫機制來完成的,在網絡入侵檢測上的應用非常的普遍。但是因為網絡數據的流量越來越多,一般應用的基于否定選擇算法檢測的準確率和效率都不高。對此,本課題分別改進了對初始數據的降維與檢測器的分布,提出了一種基于深度信念網絡的免疫檢測器生成及分布優(yōu)化方法。本課題的主要內容如下:首先針對否定選擇算法（Negative Selection algorithm,NSA）在檢測器使用初始的自體集合進行生成時,因為初期數據非常繁雜的特征,導致生成檢測器的效率很低的情況,提出了一種基于深度信念網絡的免疫檢測器生成算法,將深度信念網絡運用到特征提取上,來預處理優(yōu)化降維高維的數據,很大程度降低了初始數據的維度,去除大量的冗余,該算法在降維前后可保證原始數據高維的特征保留到最大程度,再利用否定選擇算法后提升了成熟檢測器生成的效率。對數據降維后,因為檢測器在隨機產生后不能均勻的分布在非自體的空間中,因此用否定選擇算法對檢測器進行隨機生成時,會造成檢測器利用的概率較低。對此,提出了一種基于粒子群優(yōu)化算法結合克隆選擇的免疫檢測器分布優(yōu)化算法。此算法將初步生成的檢測器進行... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數】：54 頁

【學位級別】：碩士

【部分圖文】：

免疫算法的基本架構

免疫檢測器模型

哈爾濱理工大學工程碩士學位論文-38-圖5-4不同檢測模型的檢測性能對比Fig.5-4comparisonofdetectionperformanceofdifferentdetectionmodels5.4本章小結針對第3章和第4章在本章進行實驗分析。先對數據在初期使用ADBN算法進行預處理，將數據降維。ADBN算法能夠在操作前后最大程度的保留原始數據高維的特征。成熟檢測器經過實值否定選擇算法生成。然后通過基于粒子群優(yōu)化的免疫檢測器分布優(yōu)化對檢測器覆蓋情況進行優(yōu)化。實驗采用NSL-KDD數據集，本章通過實驗確定了一些比較重要的參數。并對檢測速度和檢測性能進行了測試，檢測結果在檢測性能穩(wěn)定性的影響下差異巨大。實驗說明，該方法生成并優(yōu)化的檢測器性能良好，檢測速率和檢測性能都有了提升。

【參考文獻】：
期刊論文
[1]基于隨機森林與人工免疫的入侵檢測算法[J]. 張玲,張建偉,桑永宣,王博,侯澤翔.  計算機工程. 2020(08)
[2]基于人工免疫的集成入侵檢測模型[J]. 辛壯,萬良.  計算機工程與設計. 2019(10)
[3]基于激素調節(jié)免疫網絡聚類的入侵檢測系統(tǒng)[J]. 白琳,楊超.  信息安全學報. 2019(05)
[4]激素調節(jié)的克隆選擇聚類在入侵檢測中的應用[J]. 白琳.  計算機技術與發(fā)展. 2018(09)
[5]動態(tài)深度信念網絡模型構建[J]. 張俊俊,何良華.  微型機與應用. 2017(01)
[6]一種基于核熵和人工免疫的網絡異常檢測方法[J]. 羅婭,陳文.  西南師范大學學報(自然科學版). 2016(06)
[7]非負矩陣分解在免疫入侵檢測中的優(yōu)化和應用[J]. 張鳳斌,葛海洋,楊澤.  計算機工程. 2016(05)
[8]一種基于肯定選擇的異常檢測方法[J]. 范九倫,蘇晗.  西安郵電大學學報. 2016(02)
[9]基于ISM特性的檢測器生成算法及模型[J]. 馬占飛,楊樹英,郭廣豐.  控制與決策. 2016(03)
[10]基于復合免疫算法的入侵檢測系統(tǒng)[J]. 馮翔,馬美怡,趙天玲,虞慧群.  計算機科學. 2014(12)



本文編號：3426240