摘要：针对目前入侵检测系统的脆弱性,提出了一种新的基于模糊模式识别的信息处理方法,建立了模式识别模型,把该模型应用于基于人工免疫原理的入侵检测系统的设计方案之中,这在一定程度上克服了传统的基于确定性数学模型的局限性。实验结果表明,该模型具有较高的检测效率。

摘要：针对复杂疾病致病单核苷酸多态性位点识别中单一方法的片面性问题,提出了基于富集分析的致病单核苷酸多态性位点识别方法.通过富集分析机制设计了一种集成学习框架,可将不同的方法有机结合以提升学习性能.基于此组合框架,将ReliefF和CA趋势检验进行了集成,在识别单个致病位点的同时兼顾位点之间的交互作用.在模拟数据集和真实数据集上进行了实验研究,结果表明所提出的方法能显著地提升致病单核苷酸多态性位点的识别性能,且所设计的组合框架具有良好的扩展性,可为其他方法的组合研究提供借鉴.

摘要：针对基于计算机免疫的入侵检测系统中所面临着"不完全Self集"的问题,设计了基于决策树的主从结构的Self集构造算法。将决策树引入到传统的否定选择算法中,通过决策树把经过免疫耐受淘汰后的候选检测器进行重新分类,并将满足设定条件的候选检测器集合构造"从Self集",实现Self集的动态扩充,最后利用"匹配矛盾"淘汰"从Self集"中不合格的元素。实验分析结果表明了该算法的有效性,改善了检测器识别性能。

摘要：提出了一种新的基于模糊集合的免疫危险理论模型,该模型在"危险"定义的基础上,引入模糊集合和隶属度的概念,对危险程度进行计算并分类,使机体感知危险的同时也能依据不同的危险程度做出相应的处理,从而提高系统对"危险"的识别效率,有效地改善了基于免疫的入侵检测系统的准确率,降低了误警率。

摘要：分析了众多的应用在入侵检测系统中免疫模型存在的不足,提出了一种基于Vague集理论的人工免疫模型的设计实现方法,该方法采用了Vague集的核函数和精确函数来解决基于Vague集的模式识别问题,由于Vague集可以同时表示“肯定”、“否定”和“不确定”的信息,这使得在采用了Vague集的人工免疫模型中得到的识别结果更符合实际情况,最后给出了实验证明了该方法的有效性。

摘要：目前计算机安全免疫系统中都还面临着“不完全self集合”的问题,尤其是在基于网络的入侵检测系统中会产生较大的缩放。提出了一种面向网络的免疫模型中自体集的构造方法,借鉴了模糊数学的理论,采用了模糊模式识别原则来评价网络连接行为的“正常度”,从而确定是否作为训练集(self集)中的元素。

摘要：针对当前的基于人工免疫原理的入侵检测系统识别率较低的问题,提出了一种模糊识别器的设计方法。运用模糊集理论建立了一种模糊推理机制,并根据计算机安全领域知识构造了模糊识别规则。实验结果表明模糊识别器可以有效地改善系统的识别性能,克服了复杂网络环境下传统识别器难以对未知入侵行为准确定位的局限性。

摘要：针对传统的否定选择算法中生成大量无效抗体,并且抗体之间缺乏多样性的问题,设计了基于决策树及遗传算法的人工免疫入侵检测算法。将决策树和遗传算法引入传统的否定选择算法中,利用决策树计算抗原和抗体之间的亲和力,提出了新fitness的计算公式,并利用抗体浓度衡量抗体集的多样性,将低浓度抗体代替高浓度抗体,实现了抗体的多样性,确保了当抗体集的数量一定时尽可能覆盖最大的非自体集空间,以提高抗体集的性能。