基于改进否定选择算法的异常检测方法研究

发布时间：2025-05-01 13:28

　　 人工免疫理论目前被广泛应用于入侵检测系统,以解决无法识别的未知异常问题,应用最多的是否定选择算法。传统的实值否定选择算法通过随机方式生成候选检测器,随着自体集数量的增多,成熟检测器生成的时间复杂度呈指数级增长,导致训练阶段耗费时间长。为解决检测器生成过程中时间消耗过长问题,文章提出基于邻域搜索的实值否定选择算法(Real-Valued Negative Selection Algorithm Based on Neighborhood Searching,NS-RNSA),通过邻域搜索算法找到落在候选检测器邻域的自体样本点,利用这些样本点构建新的自体集合,以提高成熟检测器生成效率。文章以NS-RNSA算法为核心构建异常检测模型NSRNSAADM,在此模型基础上进行实验,验证基于邻域搜索的否定选择算法的性能。实验表明,文章提出的方法在保证检测率、误报率的基础上,能够降低自体耐受过程所需时间。

【文章页数】：8 页

【部分图文】：

图1 二维空间寻找邻近点

证明：本文以二维空间为例，如图1所示。候选检测器的坐标为(x,y),r、R分别为小圆和大圆的半径，深色区域为S1，浅色区域为S2，在[x-r,x+r]和[y-r,y+r]区域（即图中正方形所在区域）内寻找符合条件的自体点（即图中正方形所在区域）。1）若自体点全部落在以r为半径的白....

图2 NSRNSAADM模型设计

本章提出基于NS-RNSA算法的异常检测模型NSRNSAADM，从检测器生成时间方面改进模型的整体运行效率。模型包括训练阶段和检测阶段。训练阶段主要生成能识别异常样本的检测器集合，检测阶段利用训练阶段生成的检测器集合进行输入样本的正常/异常判断。模型设计如图2所示。1）训练阶段由....

图3 Cross数据集下覆盖率达到98%时的准确率

模型的训练集为从自体区域中选取的1000个点，测试集数量为1000。在保持半径变化范围为0.01～0.05的前提下，检验算法的准确率、误报率等是否仍在可接受的范围内。每种情况下实验均运行20次，取平均值，结果如图3～图10所示。图4Cross数据集下覆盖率达到98%时检测器生成....

图4 Cross数据集下覆盖率达到98%时检测器生成时间

图3Cross数据集下覆盖率达到98%时的准确率图5Cross数据集下覆盖率为98%时的误报率

本文编号：4042357