一种自适应的人工免疫异常检测算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (16): 86-88.

一种自适应的人工免疫异常检测算法

翟鸿雁1，熊伟2，曾纪霞1

1.广州城市职业学院，广州 510405
2.广州大学计算机科学与教育软件学院，广州 510006

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-01 发布日期:2011-06-01

Self-adaptive anomaly detection algorithm with artificial immune

ZHAI Hongyan1，XIONG Wei2，ZENG Jixia1

1.Guangzhou City Polytechnic，Guangzhou 510405，China
2.School of Computer Science and Educational Software，Guangzhou University，Guangzhou 510006，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-01 Published:2011-06-01

摘要/Abstract

摘要： 提出了一种基于免疫的自适应异常检测算法SAIM，该算法通过对训练抗原的学习，形成最优的抗体对记忆细胞集进行进化和更新，通过记忆细胞集采用KNN方法投票进行异常检测。实验采用著名UCI机器学习数据库的Hepatitis标准数据集，获得的分类准确率为93.5%，与现有同类算法进行比较，SAIM所取得的准确率具有一定的优越性。

关键词: 异常检测, 人工免疫系统, 自适应算法

Abstract: A self-adaptive anomaly detection algorithm based on artificial immune system，named as SAIM，is proposed.In SAIM，the optimal antibodies will be obtained through the learning of each training antigen and the memory cell will be evolved and updated by the optimal antibodies.Anomaly detection process is accomplished by majority vote of the k nearest neighbor antibody in the artificial immune system.The experiments use the famous Hepatitis Benchmark dataset，which is taken from the UCI machine learning database.The obtained detection accuracy of SAIM is 93.5%，which is very promising with regard to the other classification applications in the literature for this problem.

Key words: anomaly detection, artificial immune system, self-adaptive

翟鸿雁1，熊伟2，曾纪霞1. 一种自适应的人工免疫异常检测算法[J]. 计算机工程与应用, 2011, 47(16): 86-88.

ZHAI Hongyan1，XIONG Wei2，ZENG Jixia1. Self-adaptive anomaly detection algorithm with artificial immune[J]. Computer Engineering and Applications, 2011, 47(16): 86-88.

[1]	张博文，刘智，桑国明. 基于核密度波动的异常检测算法[J]. 计算机工程与应用, 2021, 57(12): 132-136.
[2]	麻琛彬，张政波，王晶. 基于深度学习的生理异常检测研究综述[J]. 计算机工程与应用, 2021, 57(10): 10-25.
[3]	刘杰，房俊，雷峰津. 电能质量异常数据在线检测方法[J]. 计算机工程与应用, 2020, 56(9): 240-247.
[4]	吴楚田，陈永乐，陈俊杰. 多协议交叉的HMM协议异常检测算法[J]. 计算机工程与应用, 2020, 56(8): 81-86.
[5]	黎佳玥，赵波，李想，刘会，刘一凡，邹建文. 基于深度学习的网络流量异常预测方法[J]. 计算机工程与应用, 2020, 56(6): 39-50.
[6]	贺寰烨，林果园，顾浩，方梦华. 云虚拟机异常检测场景下改进的LOF算法[J]. 计算机工程与应用, 2020, 56(23): 80-86.
[7]	展鹏，陈琳，曹鲁慧，许浩然，李学庆. 核转折点裁剪表示的时间序列异常检测算法[J]. 计算机工程与应用, 2020, 56(23): 130-138.
[8]	刘文芬，穆晓东，黄月华. 基于多分辨率网格的异常检测方法[J]. 计算机工程与应用, 2020, 56(17): 78-85.
[9]	张常华，周雄图，张永爱，姚剑敏，郭太良，严群. 深度自编码器在数据异常检测中的应用研究[J]. 计算机工程与应用, 2020, 56(17): 93-99.
[10]	熊逸，梁意文，谭成予，周雯. 基于反向选择的地震前兆观测数据异常检测[J]. 计算机工程与应用, 2020, 56(10): 226-230.
[11]	胡东海，邵元，陈莹，夏士雄. 基于改进粒子滤波的室内自适应定位算法[J]. 计算机工程与应用, 2019, 55(9): 65-71.
[12]	崔芳怡1，荆晓远2，董西伟2，3，吴飞2，孙莹2. 自适应蝙蝠算法优化的模糊聚类及其应用[J]. 计算机工程与应用, 2019, 55(7): 16-22.
[13]	杨飞跃，陶洋. 时空协作的WSNs节点异常检测算法[J]. 计算机工程与应用, 2019, 55(7): 127-131.
[14]	王凯，陈丹伟. 基于LSTM的动态图模型异常检测算法研究[J]. 计算机工程与应用, 2019, 55(5): 76-82.
[15]	贺亮1，王永程1，李赟1，褚衍杰1，沈超2. 基于Lindeberg-Feller定理的网络异常检测算法[J]. 计算机工程与应用, 2019, 55(4): 41-47.