模塊化免疫神經網絡模型在計算機病毒分類檢測中的

0 引言

隨著信息技術的發展和互聯網應用的普及，計算機系統受到計算機病毒的威脅。計算機病毒分類檢測，指將可疑文件作為輸入，執行某病毒檢測算法后輸出結果(無毒、帶毒／帶何種毒)的過程，實質上是對文件的分類。病毒分類檢測應屬于模式識別范疇。由于單一的技術無法有效地對抗計算機病毒，技術的融合并用及智能化，將是未來計算機病毒檢測的趨勢。故采用免疫算法和神經網絡的新型網絡模型，對計算機病毒分類檢測進行研究。

1 模塊化免疫神經網絡模型的提出

人工神經網絡和人工免疫系統都是受生物學的啟發發展而來的理論和技術，兩者在生物學原理和人工原理上各有異同。研究表明，免疫原理可以應用到神經網絡中，以提高神經網絡的性能；反之，神經網絡理論也可以應用到人工免疫系統中，從而產生一個相互之間可以受益的研究領域。

圖1中，抗原(Ag)表示神經網絡中輸入神經元到輸出神經元的權向量Wk(由抗體Ab和自體庫集S共同作用后，基本調節好的權向量)，基于計算機病毒的入侵檢測中，代表一類網絡數據包，以二進制串表示。抗體(Ab)表示神經網絡中的輸入樣本。S代表自體庫集合。權值及輸入樣本和輸出單元都使用二進制，即只使用0和1表示，如圖2。

首先抗體庫中的向量都會和白體庫的向量進行識別。如果抗體庫中的向量一旦和自體庫中的向量匹配，則會進行剪枝操作。

沿用傳統的抗體網絡特征，規定ξj表示網絡中抗體j的抗原濃度，即抗體j所能識別的抗原個數。1個抗體細胞k與某種抗原細胞的親和力，由權向量與該抗體的漢明距離(Hamming)決定，可由式(1)得到與Ag可能性的最大狀態序列δ：

親和力δ越大，說明這種抗體能夠對此抗原進行較好的應答，保留。相反，通過剪枝的方式，從網絡中刪掉。把不與自身反應的抗體保留，進行對抗原的識別，進行后續的工作。

否定選擇后的抗體與抗原進行神經網絡的作用，規則如上，如果抗體不匹配，按照已有的神經網絡的權值算法的改進步驟進行權值的調整，以達到在給定抗體空間中擁有最大的解空間度，即2個抗體之間有最大的不相同度。

更新抗體種群，經過若干次的疊代運算，把抗體種群訓練收斂于一個較穩定的集合，即學習過程完畢。學習完成后，可以用于計算機病毒檢測中。

2 模型設計思路

整個網絡的競爭學習步驟分為2部分：

第1部分：首先從抗體庫里根據概率密度P(Ab)選擇出1個抗體進行輸入。并和自體庫S進行運算，并設定閾值ε，當滿足式(2)時：

抗體經過了自體耐受，變為成熟的檢測器，且不與自體發生免疫應答，是合格的檢測器。如果超過閾值ε，則從網絡中刪除此抗體節點。抗體Ab1和自體集S中的S1產生了免疫應答。

第2部分：經過自體耐受的抗體分別和某個抗原Agk進行作用，在抗體內部設定1個ξi，一旦抗原的權向量和抗體的漢明距離超過閾值ε，ξj增加1，如果ξj長時間等于0，將此抗體從網絡中刪去。當ξj增加到1個常值M時，不再繼續增加，啟動1個計時器，按一定的間隔時間t遞減ξj，避免了長時間未產生應答的抗體繼續殘留在抗體庫中。新模型中的神經網絡處理單元如圖3。

上一頁 1 2 3 下一頁