模塊化免疫神經(jīng)網(wǎng)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(fā)展和互聯(lián)網(wǎng)應用的普及，計算機系統(tǒng)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(zhí)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(zhì)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(jīng)網(wǎng)絡的新型網(wǎng)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(jīng)網(wǎng)絡模型的提出

人工神經(jīng)網(wǎng)絡和人工免疫系統(tǒng)都是受生物學的啟發(fā)發(fā)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(jīng)網(wǎng)絡中，以提高神經(jīng)網(wǎng)絡的性能；反之，神經(jīng)網(wǎng)絡理論也可以應用到人工免疫系統(tǒng)中，從而產(chǎn)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(jīng)網(wǎng)絡中輸入神經(jīng)元到輸出神經(jīng)元的權向量Wk(由抗體Ab和自體庫集S共同作用后，基本調(diào)節(jié)好的權向量)，基于計算機病毒的入侵檢測中，代表一類網(wǎng)絡數(shù)據(jù)包，以二進制串表示?？贵w(Ab)表示神經(jīng)網(wǎng)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(tǒng)的抗體網(wǎng)絡特征，規(guī)定ξj表示網(wǎng)絡中抗體j的抗原濃度，即抗體j所能識別的抗原個數(shù)。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(tài)序列δ：

親和力δ越大，說明這種抗體能夠?qū)Υ丝乖M行較好的應答，保留。相反，通過剪枝的方式，從網(wǎng)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(xù)的工作。

否定選擇后的抗體與抗原進行神經(jīng)網(wǎng)絡的作用，規(guī)則如上，如果抗體不匹配，按照已有的神經(jīng)網(wǎng)絡的權值算法的改進步驟進行權值的調(diào)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(jīng)過若干次的疊代運算，把抗體種群訓練收斂于一個較穩(wěn)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(wǎng)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(jù)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(jīng)過了自體耐受，變?yōu)槌墒斓臋z測器，且不與自體發(fā)生免疫應答，是合格的檢測器。如果超過閾值ε，則從網(wǎng)絡中刪除此抗體節(jié)點。抗體Ab1和自體集S中的S1產(chǎn)生了免疫應答。

第2部分：經(jīng)過自體耐受的抗體分別和某個抗原Agk進行作用，在抗體內(nèi)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(wǎng)絡中刪去。當ξj增加到1個常值M時，不再繼續(xù)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(chǎn)生應答的抗體繼續(xù)殘留在抗體庫中。新模型中的神經(jīng)網(wǎng)絡處理單元如圖3。

上一頁 1 2 3 下一頁