檢測器生成和自我表示方法研究.pdf

1、非選擇算法（NSA）是一類人工免疫算法，它基于自然免疫系統(tǒng)的自我非我識別機制。實值非選擇算法（RNSA）是一類重要的非選擇算法，它采用實值表示方法，常用于解決實值空間的異常檢測問題。
　　 在非選擇算法中，首先需要定義一組自我集，它包含了系統(tǒng)正常的狀態(tài)特征。由于自我集本身的有限性，需要通過一定的方法來對自我集中的自我樣本進行擴展，使得它們可以盡量的覆蓋自我空間，同時又不會覆蓋過多的非我空間。隨后，基于自我集中的自我樣本，生成不與

2、自我樣本相匹配的成熟檢測器集。最后，通過成熟檢測器集來對系統(tǒng)的異常行為或狀態(tài)進行檢測。
　　 本文主要研究實值非選擇算法的檢測器生成問題和自我表示問題。針對非選擇算法中這兩個重要的問題，本文提出了新的檢測器生成算法和自我表示方法。具體工作包括以下幾個方面：
　　 （1）針對隨機生成的檢測器集效率不高的問題，本文提出了一種新的檢測器進化生成算法EvoSeedRNSA。EvoSeedRNSA將進化算法和檢測器生成算法相結(jié)合，

3、通過進化隨機數(shù)種子，可以生成近似最優(yōu)的檢測器集。和V-detector算法的實驗比較結(jié)果表明，EvoSeedRNSA在檢測率上有較大提高。
　　 （2）在EvoSeedRNSA算法基礎(chǔ)上，本文提出了一種改進的檢測器進化生成算法EvoSeedRNSAII。通過重新設(shè)計個體的編碼方式和遺傳算子，EvoSeedRNSAII能夠更有效的保留個體中好的模式，使得算法性能得到了進一步提高。實驗結(jié)果表明，隨著個體中隨機數(shù)種子組數(shù)的增加，Evo

4、SeedRNSA II算法的檢測率有了明顯的提升。
　　 （3）針對固定自我半徑的自我表示方法的不足，本文提出了一種新的基于自適應(yīng)自我半徑的自我表示方法。本文首先提出了基于K近鄰算法（K-NN）的自我表示方法K-NN-ASR。隨后，又引入了一種新的邊界判定方法，將這種邊界判定方法和K-NN結(jié)合，提出了帶邊界判定的自我表示方法B-NN-ASR。K-NN-ASR、B-NN-ASR和固定自我半徑的自我表示方法的實驗比較結(jié)果表明，B-N