免疫入侵检测动态自适应机制研究

本项目针对当前免疫入侵检测自体与检测器存在的主要问题展开分析与研究，拟建立一个免疫入侵检测动态自适应系统：借助免疫自适应机制、免疫系统亚动力学以及生物工程领域中的DNA技术等，建立检测器集自适应学习模型，强调对实时数据的学习，增大有效表位的密度，最大化异常基因覆盖率，解决系统检测不稳定的问题；借助免疫亚动力学和免疫自监督机制，利用概率统计相关知识，提出自体集实时更新模型，最小化自体重叠，提高自体集纯度，保障其时效性；借鉴免疫系统反馈模型、信号标签诱变技术等，提出自体/检测器集反馈模型，使得自体和检测器在各自动态更新的基础上互相监督，从而更好地服务于系统检测；借助免疫细胞的DNA官能性、生物芯片技术和离散拓扑理论，研究形态空间的邻域表示，给出匹配策略和判定标准，解决二进制和实值表示的根本缺陷，并在邻域空间下建立以上自体集与检测器集动态模型。

本项目针对基于免疫的入侵检测中存在的自体优化缺失、问题表示不合理、自适应性不理想等问题展开研究，以建立一个基于免疫的入侵检测动态自适应系统为目标，完成了以下主要研究工作：. 针对自体多分区、噪声、高重叠、自体入侵等问题，提出了基于模糊聚类和Gaussian分布的自体集优化算法，并以此为基础建立了以自体收集、筛选、优化、去噪为核心的自体实时更新模型，以解决了过时自体样本与自体区域偏移等问题；. 针对检测器构造随机性、维度灾难、黑洞和高重叠等问题，提出了基于n维混沌映射的检测器构造、基于信息增益的属性域降维重构、基于协同进化和Monte Carlo估计的检测器分布优化和基于危险信号机制的多形态检测等算法。并在此基础上，建立了以自体/检测器集反馈和DNA疫苗机制为核心的检测器集自适应学习模型，使检测器随环境变化自我进化;. 针对二进制和实值形态空间对问题表示存在的不足，借鉴离散拓扑理论，构建了邻域形态空间，并在邻域形态空间下提出了以邻域划分、邻域否定选择算法、邻域检测器生成与优化为核心的人工免疫入侵检测新模型。. 综上，项目的各个研究内容通过大量的实验验证获得了预期效果。取得的成果包含了对生物免疫系统自适应性机制、亚动力学、DNA技术等的建模，配以其它数据挖掘、人工智能等方面成熟的算法，不但建立了具有自适应学习特性的IDS模型，而且也丰富了人工免疫理论。因此，本项目的各项研究成果是可行和有效的，对人工智能和网络安全相关领域的研究起到一定的推动作用，具有良好的应用开发前景。