免疫入侵检测多目标优化克隆选择算法研究

计算机工程与科学

免疫入侵检测多目标优化克隆选择算法研究

张凤斌，范学林，席亮

（哈尔滨理工大学计算机科学与技术学院，黑龙江哈尔滨 150080）

收稿日期:2016-04-20 修回日期:2016-08-30 出版日期:2018-02-25 发布日期:2018-02-25
基金资助:
国家自然科学基金(.61172168);黑龙江省教育厅科学技术研究项目(12541130);黑龙江省普通本科高等学校青年创新人才培养计划

A multi-objective optimization based clonal

selection algorithm in immune invasion detection

ZHANG Feng-bin,FAN Xue-lin,XI Liang

(School of Computer Science and Technology,Harbin University of Science and Technology,Harbin 150080,China)

Received:2016-04-20 Revised:2016-08-30 Online:2018-02-25 Published:2018-02-25

摘要/Abstract

摘要：

免疫入侵检测理论中克隆选择是检测器进化的关键。传统克隆选择算法通过比较样本间的亲和力累加值筛选样本，该方法具有较低的时间复杂度，但也造成了检测器的高重叠，影响迭代效率。将检测器个体的筛选与进化转化为pareto最优解的求解过程，提出了多目标优化理论的检测器克隆选择算法。实验表明，检测器基数不变的情况下，该算法明显提升了每代种群在进化过程中的检测范围，精简了记忆检测器的数量，提高了检测阶段系统的检测率。

关键词: 免疫入侵检测, 多目标优化, 记忆检测器, 克隆选择

Abstract:

In immune invasion detection theory,clonal selection is the key todetectorevolution.The traditional clonal selection algorithm, which compares the cumulative value of affinitybetween samples to select samples, has lower time complexity, but also causes high overlap of detectors and affects the iterative efficiency.This paper transforms the selection and evolution of detector individuals into the solving process of pareto optimal solution, and proposes the detector clone selection algorithm based on multi-objective optimization theory.Experiments show that the algorithm can significantly improve the detection range of each population in the evolutionary process, reduce the number of memory detectors and improve the detection rate of the detection system.

Key words: immune intrusion detection, multi-objective optimization, memory detector, clonal selection

张凤斌，范学林，席亮. 免疫入侵检测多目标优化克隆选择算法研究[J]. 计算机工程与科学.

ZHANG Feng-bin,FAN Xue-lin,XI Liang.

A multi-objective optimization based clonal

selection algorithm in immune invasion detection

[J]. Computer Engineering & Science.

[1]	罗莉, 石伟, 何鸿君, 潘国腾, 王蕾, 龚锐. 一种面向IO Die的敏捷验证方法[J]. 计算机工程与科学, 2023, 45(04): 571-576.
[2]	申晓宁, 游璇, 陈庆洲, 潘红丽, 黄遥. 采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送[J]. 计算机工程与科学, 2022, 44(12): 2255-2265.
[3]	李艺辉, 刘作军, 李洁. 基于模糊逻辑NSGA-Ⅲ的开关磁阻发电机多目标优化算法[J]. 计算机工程与科学, 2021, 43(03): 542-550.
[4]	张明珠, 曹杰, 王斌. 基于精英集的多目标差分进化聚类算法[J]. 计算机工程与科学, 2021, 43(01): 170-179.
[5]	马永杰, 陈满丽, 陈敏. 基于Pareto解集分段预测策略的动态多目标进化算法[J]. 计算机工程与科学, 2020, 42(08): 1454-1462.
[6]	衡红军, 戚馨桐. 考虑任务均衡的加油车动态调度问题[J]. 计算机工程与科学, 2020, 42(05): 923-930.
[7]	朱登京，段倩倩. 无参分组大规模变量的多目标算法研究[J]. 计算机工程与科学, 2020, 42(04): 603-609.
[8]	赵凤1,2，孔令润1,2，马改妮1,2. 多目标粒子群和人工蜂群混合优化的阈值图像分割算法[J]. 计算机工程与科学, 2020, 42(02): 281-290.
[9]	李克武,张功萱,朱昭萌. 云环境中基于分解的多目标工作流调度算法[J]. 计算机工程与科学, 2016, 38(08): 1588-1594.
[10]	薛蒙蒙，马永涛，刘敬浩. 基于模拟退火粒子群算法的认知引擎研究[J]. 计算机工程与科学, 2016, 38(08): 1640-1646.
[11]	杨斌，郝杨杨，李军军. 面向监测应用的物联网节点布局方法研究[J]. J4, 2014, 36(07): 1255-1261.
[12]	李金忠,夏洁武,曾小荟,曾劲涛,刘新明,冷明,孙凌宇. 多目标模拟退火算法及其应用研究进展[J]. J4, 2013, 35(8): 77-88.
[13]	王君. 带时间窗车辆路径问题的多目标文化基因算法[J]. J4, 2013, 35(1): 124-129.
[14]	敖友云1，迟洪钦2. 多目标优化差分进化算法[J]. J4, 2011, 33(9): 88-94.
[15]	刘波涛1，李会凯2. 公交车和驾驶员集成调度算法研究[J]. J4, 2011, 33(4): 150-153.