基於免疫進化的算法及應用研究

１　緒論/ １
１. １　引言/ １
１. ２　生物免疫系統/ １
１. ２. １　生物免疫系統的組成/ ３
１. ２. ２　生物免疫系統的層次結構/ ４
１. ２. ３　生物免疫系統的免疫機制/ ５
１. ２. ４　生物免疫系統的免疫理論/ １３
１. ２. ５　生物免疫系統的主要特徵/ １４
１. ３　人工免疫系統研究概況/ １５
１. ３. １　人工免疫系統的主要算法/ １６
１. ３. ２　人工免疫系統的基本模型/ ２０
１. ３. ３　人工免疫系統的應用/ ５１
１. ４　本書的研究內容與組織結構/ ５３
參考文獻/ ５６

２　基於網格的實值否定選擇算法/ ６５
２. １　引言/ ６５
２. ２　ＲＮＳＡ 的基本定義/ ６６
２. ３　ＧＢ－ＲＮＳＡ 的實現/ ６８
２. ３. １　ＧＢ－ＲＮＳＡ 算法的基本思想/ ６８
２. ３. ２　網格生成策略/ ７０
２. ３. ３　非自體空間的覆蓋率計算方法/ ７３
２. ３. ４　候選檢測器的過濾方法/ ７４
２. ３. ５　時間複雜度分析/ ７５
２. ４　實驗結果與分析/ ７６
２. ４. １　２Ｄ 綜合數據集/ ７７
２. ４. ２　ＵＣＩ 數據集/ ７８
２. ５　本章小結/ ８４
參考文獻/ ８５

３　基於免疫的網絡安全態勢感知模型/ ８８
３. １　引言/ ８８
３. ２　網絡安全態勢感知研究現狀/ ９３
３. ３　基於免疫的網絡安全態勢感知模型框架/ ９８
３. ４　入侵檢測/ ９９
３. ４. １　抗體和抗原/ ９９
３. ４. ２　親和力計算/ １００
３. ４. ３　血親類和血親類系/ １００
３. ４. ４　血親類系的濃度計算/ １０１
３. ４. ５　雲模型建模/ １０２
３. ４. ６　總體流程/ １０３
３. ５　態勢評估/ １０７
３. ６　態勢預測/ １０９
３. ７　實驗結果與分析/ １１１
３. ７. １　實驗環境和參數設置/ １１１
３. ７. ２　檢測率ＴＰ 和誤報率ＦＰ 對比/ １１２
３. ７. ３　攻擊強度與安全態勢對比/ １１５
３. ７. ４　安全態勢實際值與預測值對比/ １１７
３. ８　本章小結/ １１７
參考文獻/ １１８

４　基於免疫的雲計算環境中虛擬機入侵檢測技術研究/ １２２
４. １　引言/ １２２
４. １. １　雲計算的概念及面臨的安全問題/ １２２
４. １. ２　雲計算環境中虛擬機系統安全研究現狀/ １２４
４. ２　模型理論/ １２６
４. ２. １　架構描述/ １２７
４. ２. ２　模型定義/ １２８
４. ２. ３　危險信號的實現機制/ １３０
４. ２. ４　信息監控的實現機制/ １３２
４. ２. ５　免疫演化模型/ １３３
４. ３　模型性能分析/ １３５
４. ４　實驗結果與分析/ １４０
４. ４. １　模型性能評估/ １４０
４. ４. ２　檢測率和誤報率比較/ １４３
４. ５　本章小結/ １４５
參考文獻/ １４６

５　基於免疫網絡的優化算法研究/ １４９
５. １　優化問題的研究現狀/ １４９
５. １. １　最優化問題/ １４９
５. １. ２　優化算法/ １５１
５. １. ３　聚類問題/ １５３
５. １. ４　聚類算法/ １５４
５. ２　免疫網絡理論研究/ １５５
５. ２. １　Ｊｅｒｎｅ 獨特型免疫網絡/ １５５
５. ２. ２　ａｉＮｅｔ 網絡模型/ １５７
５. ２. ３　ＲＬＡＩＳ 網絡模型/ １６０
５. ２. ４　ｏｐｔ－ａｉＮｅｔ 優化算法/ １６２
５. ３　基於免疫網絡的優化算法研究/ １６４
５. ３. １　流程描述/ １６４
５. ３. ２　算子描述/ １６５
５. ３. ３　特點分析/ １７０
５. ３. ４　收斂性分析/ １７１
５. ３. ５　進化機制分析/ １７５
５. ３. ６　性能測試/ １８６
５. ４　本章小結/ １９３
參考文獻/ １９３

６　基於免疫網絡的優化算法的改進研究/ １９７
６. １　引言/ １９７
６. ２　一種基於危險理論的免疫網絡優化算法/ １９７
６. ２. １　流程描述/ １９８
６. ２. ２　優化策略/ ２００
６. ２. ３　算法特點/ ２０６
６. ２. ４　算法收斂性分析/ ２０７
６. ２. ５　算法計算複雜度分析/ ２０８
６. ２. ６　算法魯棒性分析/ ２０８
６. ２. ７　仿真結果與分析/ ２１２
６. ３　一種基於危險理論的動態函數優化算法/ ２１７
６. ３. １　動態環境的基本概念/ ２１７
６. ３. ２　動態優化算法的研究/ ２１７
６. ３. ３　流程描述/ ２１９
６. ３. ４　優化策略/ ２２０
６. ３. ５　仿真結果與分析/ ２２１
６. ４　本章小結/ ２２８
參考文獻/ ２２８

７　基於免疫網絡的增量聚類算法研究/ ２３１
７. １　引言/ ２３１
７. ２　一種基於流形距離的人工免疫增量數據聚類算法/ ２３２
７. ２. １　流形距離/ ２３２
７. ２. ２　人工免疫回應模型/ ２３３
７. ２. ３　算法描述/ ２３５
７. ２. ４　基於流形距離的簇選擇/ ２３５
７. ２. ５　基於流形距離的簇生成/ ２３６
７. ２. ６　基於流形距離的簇更新/ ２３７
７. ２. ７　算法的計算複雜度分析/ ２３８
７. ３　仿真結果與分析/ ２３８
７. ３. １　數據集及算法參數/ ２３８
７. ３. ２　人工數據集測試結果/ ２４０
７. ３. ３　ＵＣＩ 數據集測試結果/ ２４３
７. ４　本章小結/ ２４４
參考文獻/ ２４４

８　總結與展望/ ２４７
８. １　工作總結/ ２４７
８. ２　進一步的研究工作/ ２４９
 

序

　　對人類以及自然界生物的研究一直是科學家感興趣的領域和關注的焦點，科學家在該領域已進行了大量研究。人們已經從各種生物角度開創了不同的學科來研究自然界生物系統，其中的一個重要系統就是關於生物信息的處理系統，很多研究者開始在工程領域應用生物信息處理系統的工作原理，生物信息處理系統包括神經網絡、內分泌系統、基因遺傳和免疫系統。關於神經網絡和基因遺傳的研究已經比較成熟，而關於免疫和內分泌系統的研究還處於初始階段，生物免疫系統(Biologicalimmune system,BIS) 是一種具有高度分佈式特點的生物處理系統，具有記憶、自學習、自組織、自適應等特點。近年來，大量的研究者開始借鑑BIS 機制來處理工程上的問題。