免疫入侵检测动态自适应机制研究

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。