PPT模板iis2.ppt

1、第2章 免疫信息处理,主讲老师：龚涛 信息科学与技术学院 2008年2月 主教材：人工智能及其应用(第3版，研究生用书) 网上课程：,龚涛,东华大学信息科学与技术学院,2,大纲,免疫计算新模型的实际应用,免疫计算的鲁棒性等特性分析,免疫计算新模型的免疫算子,免疫计算的3层测不准有限计算模型,免疫计算研究的进展,免疫计算研究的结论与展望,龚涛,东华大学信息科学与技术学院,3,1. 免疫计算研究的进展,什么是人工免疫系统？ 生物免疫系统启发而来 由人工免疫组件和免疫算子组成 模拟免疫功能 可解决计算机、控制等领域的难题 什么是免疫算法？ 模拟生物免疫学和基因进化机理 人工构造的免疫操作集合 免疫计

2、算的重要形式之一,龚涛,东华大学信息科学与技术学院,4,1.1. 免疫计算问题,1. 免疫计算研究的进展,龚涛,东华大学信息科学与技术学院,5,1.2. 国内外研究现状,免疫计算研究,1. 免疫计算研究的进展,龚涛,东华大学信息科学与技术学院,6,1.3. 分析结果和研究思路,1. 免疫计算研究的进展,龚涛,东华大学信息科学与技术学院,7,人工免疫系统的自然计算模型,2. 免疫计算的模型构建,东华大学,免疫信息处理,8,2.1. 自然免疫系统的正常模型,2. 免疫计算的模型构建,龚涛,东华大学信息科学与技术学院,9,2.2. 人工免疫系统的正常模型,2. 免疫计算的模型构建,龚涛,东华大学信息

3、科学与技术学院,10,2.2.1. 有关正常模型的定理结论,2.2 人工免疫系统的正常模型,龚涛,东华大学信息科学与技术学院,11,2.2.2. 状态与时空属性的改变,人工免疫组件ci在时刻t2的状态变为异常的，该异常状态变为 (pi,t2,0)。,人工免疫组件ci在时刻t1的状态是正常的，该正常状态表示为 (pi,t1,1) 。,人工免疫组件ci在时刻t3的状态变为正常的，该正常状态变为 (pi,t3,1)。,2.2. 人工免疫系统的正常模型,龚涛,东华大学信息科学与技术学院,12,2.3. 基于正常模型的免疫计算模型,2. 免疫计算的模型构建,龚涛,东华大学信息科学与技术学院,13,2.3

4、.1. 免疫计算的3层测不准有限计算模型,2.3. 基于正常模型的免疫计算模型,龚涛,东华大学信息科学与技术学院,14,2.3.2. 基于正常模型的自体/异体检测模型,2.3. 基于正常模型的免疫计算模型,龚涛,东华大学信息科学与技术学院,15,2.3.3. 未知异体学习模型,未知异体,特征提取,求取最相似异体,学习结果,2.3. 基于正常模型的免疫计算模型,龚涛,东华大学信息科学与技术学院,16,2.3.4. 基于正常模型的系统自修复模型,2.3. 基于正常模型的免疫计算模型,龚涛,东华大学信息科学与技术学院,17,3. 免疫计算新模型的免疫算子,龚涛,东华大学信息科学与技术学院,18,3.

5、1.1. 人工免疫静态系统的正常模型构建算子,3.1. 人工免疫系统的正常模型构建算子,龚涛,东华大学信息科学与技术学院,19,3.1.2. 人工免疫动态系统的正常模型构建算子,3.1. 人工免疫系统的正常模型构建算子,龚涛,东华大学信息科学与技术学院,20,3.2. 基于正常模型的自体/异体检测算子,3. 免疫计算新模型的免疫算子,龚涛,东华大学信息科学与技术学院,21,3.3.1. 人工免疫系统的已知异体识别算子,3.3. 人工免疫系统的异体识别算子,龚涛,东华大学信息科学与技术学院,22,3.3.2. 人工免疫系统的未知异体识别算子,3.3. 人工免疫系统的异体识别算子,龚涛,东华大学信

6、息科学与技术学院,23,图3-8 BP神经网络的结构,图3-10 BP神经网络对未知 异体的识别结果,从图3-10中可以看出，该BP神经网络成功地识别了未知异体信息，该未知异体的类型与第2种已知异体类型最为相似，该未知异体的类型编码值为1.8139573042559265。,3.3. 人工免疫系统的异体识别算子,3.3.2. 人工免疫系统的未知异体识别算子,龚涛,东华大学信息科学与技术学院,24,图3-9 BP神经网络的训练结果,3.3. 人工免疫系统的异体识别算子,3.3.2. 人工免疫系统的未知异体识别算子,龚涛,东华大学信息科学与技术学院,25,3.4. 人工免疫系统的异体消除算子,3

7、免疫计算新模型的免疫算子,龚涛,东华大学信息科学与技术学院,26,3.5. 基于正常模型的系统自修复算子,3 免疫计算新模型的免疫算子,龚涛,东华大学信息科学与技术学院,27,4. 免疫计算的测不准性、计算有限性和鲁棒性分析,龚涛,东华大学信息科学与技术学院,28,量子物理的测不准特性,4.1. 免疫计算的测不准特性,4. 免疫计算的特性分析,龚涛,东华大学信息科学与技术学院,29,4.2. 免疫计算的计算有限性,4. 免疫计算的特性分析,龚涛,东华大学信息科学与技术学院,30,4.3. 免疫计算的鲁棒性分析,4. 免疫计算的特性分析,龚涛,东华大学信息科学与技术学院,31,一般来说，系统在某

8、种扰动下，出现一定范围的参数不确定性或存在一定限度的未建模动态时，仍能保持系统某些性质不变，保证一定的动态品质的能力，称为系统的鲁棒性。 定义5-2 在免疫系统受到外界病菌的感染后，能够通过自身的免疫机制恢复健康以保持正常工作的一种特性或属性称为免疫系统的鲁棒性。在异体等抗原的扰动下，基于正常模型的人工免疫系统能通过自体/异体检测、识别和异体消除恢复系统的正常状态，能保持系统的自体百分比、异体百分比和某些功能不变，保证一定的动态免疫品质的能力，称为人工免疫系统的鲁棒性。 定义5-4 人工免疫系统的鲁棒性判据集是指其自体含量最大化、异体含量最小化的条件集合。 定理5-2 从数学上说，人工免疫系统

9、 具有鲁棒性的判据 是该系统中自体百分比恢复100%、异体含量降为0的条件，即 ，且 。,4.3.1. 人工免疫系统鲁棒性的定义,4.3. 免疫计算的鲁棒性分析,龚涛,东华大学信息科学与技术学院,32,图5-1 人工免疫系统的分布式结构,4.3.2. 人工免疫系统的分布式结构,4.3. 免疫计算的鲁棒性分析,龚涛,东华大学信息科学与技术学院,33,定理5-3 对于理想分布式人工免疫系统，系统处于对等型分布式环境，人工免疫系统运行过程 的鲁棒性判据集为 其中， 表示对集合列 取并运算，各个模块 的鲁棒性判据集分别记为 ，计算模块 与 之间的免疫控制过程 的鲁棒性判据集为,4.3.3. 人工免疫系

10、统的鲁棒性归约定理,4.3. 免疫计算的鲁棒性分析,龚涛,东华大学信息科学与技术学院,34,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,35,图4-11抗蠕虫病毒免疫计算过程中异体百分比的变化,5.1. 免疫计算新模型的抗病毒应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,36,在图4-11中，系统的异体百分比都逐渐降为0。其中，曲线表示该系统中本身存在丢失的文件，最初蠕虫病毒数目与文件总数的百分比为1.1%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于激活状态，复制自身，产生新的蠕虫病毒文件，直到这些病毒的进程被关闭，然后这些病毒逐

11、渐被消除；曲线表示该系统中没有丢失文件，最初蠕虫病毒数目与文件总数的百分比为1%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于激活状态，复制自身，产生新的蠕虫病毒文件，直到这些病毒的进程被关闭，然后这些病毒逐渐被消除；曲线表示该系统中没有丢失文件，最初蠕虫病毒数目与文件总数的百分比为1%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于激活状态，感染系统的正常文件，直到这些病毒的进程被关闭，然后这些病毒逐渐被消除；曲线表示该系统中本身存在丢失的文件，最初蠕虫病毒数目与文件总数的百分比为1.1%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于非激活状态；曲线表示该系统中没

12、有丢失文件，最初蠕虫病毒数目与文件总数的百分比为1%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于非激活状态。,5.1. 免疫计算新模型的抗病毒应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,37,图4-12抗蠕虫病毒免疫计算过程中自体百分比的变化,5.1. 免疫计算新模型的抗病毒应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,38,在图4-12中，5条曲线显示系统的自体百分比都逐渐上升到100%。其中，曲线表示该系统中没有丢失文件，最初自体数目与正常系统中自体总数目的百分比为99%，在用人工免疫系统检测并消除病毒的同时，这些蠕

13、虫病毒处于非激活状态，消除病毒后对受损的自体进行了修复；曲线表示该系统中没有丢失文件，最初自体数目与正常系统中自体总数目的百分比为99%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于激活状态，复制自身，产生新的蠕虫病毒文件，直到这些病毒的进程被关闭，这些病毒逐渐被消除，然后对受损的自体进行了修复；曲线表示该系统中没有丢失文件，最初自体数目与正常系统中自体总数目的百分比为99%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于激活状态，感染系统的正常文件，自体百分比逐渐降低，直到这些病毒的进程被关闭，这些病毒逐渐被消除，然后对受损的自体进行了修复；表示该系统中本身存在丢失的文件，

14、最初自体数目与正常系统中自体总数目的百分比为89%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于非激活状态，消除病毒后对受损的自体进行了修复；曲线表示该系统中本身存在丢失的文件，最初自体数目与正常系统中自体总数目的百分比为89%，在用人工免疫系统检测并消除病毒的同时，这些蠕虫病毒处于激活状态，复制自身，产生新的蠕虫病毒文件，直到这些病毒的进程被关闭，这些病毒逐渐被消除，然后对受损的自体进行了修复。,5.1. 免疫计算新模型的抗病毒应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,39,图4-13抗蠕虫病毒免疫计算的异体检测率,5.1. 免疫计算新模型的抗病毒

15、应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,40,图4-13中的曲线表示基于正常模型的异体检测方法所得到的异体检测率，1200次实验的异体检测率均为100%；曲线表示未采用正常模型而采用BP神经网络的异常检测方法所得到的异体检测率，尽管许多次实验的异体检测率高达98%99%，但是都没有达到100%，并且有几次未知病毒检测的实验显示出较低的异体检测率，例如60.8%。,5.1. 免疫计算新模型的抗病毒应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,41,图4-14抗蠕虫病毒免疫计算的异体识别率,5.1. 免疫计算新模型的抗病毒应用结果,

16、5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,42,对于异体识别率，已知异体的识别率应该都是100%，如图4-14中的曲线所示；按照先检测后识别和学习的步骤，基于正常模型的未知异体识别率在1200次相同的实验条件下比未采用正常模型的未知异体率高一些， 图4-14中的曲线表示基于正常模型和BP神经网络的未知异体识别方法所得到的未知异体识别率，图4-14中的曲线表示未采用正常模型仅使用BP神经网络的未知异体识别方法所得到的未知异体识别率。,5.1. 免疫计算新模型的抗病毒应用结果,5. 免疫计算新模型的实际应用,龚涛,东华大学信息科学与技术学院,43,每一次蠕虫病毒的爆发都会给

17、社会带来巨大的损失。 目前蠕虫病毒爆发的频率越来越快，尤其是近几年来，越来越多的蠕虫病毒（如冲击波、振荡波、“爱虫”病毒、“欢乐时光”病毒等）出现。 对蠕虫病毒进行深入研究，并利用免疫计算方法提出一种行之有效的解决方案，为企业和政府提供一个安全的Web系统保护环境成为急待解决的问题。 大多数传统方法不能检测和识别未知的蠕虫病毒，而旧的蠕虫病毒不断产生变体，新的蠕虫病毒又不断出现。为了解决此瓶颈问题，在系统正常模型和BP神经网络的基础上提出了Web系统的适应性免疫化方法。,5.1.1. 需求分析,5.1. 免疫计算新模型的抗病毒应用结果,龚涛,东华大学信息科学与技术学院,44,当且仅当正常Web

18、系统中的每个正常组件都是唯一确定的时，该系统的正常状态才是唯一确定的。 定理4-1 假设Web系统 由 个HTML网页文件和 个文件夹组成，该系统中每个组件 的空间属性 表示为该组件的绝对路径名，该组件的时间属性 表示为该组件的最后修改时间。那么，正常系统 中所有正常文件的绝对路径名和最后修改时间唯一确定该系统的正常状态。 推理4-1 基于Web系统 的正常模型，对其 个自体的检测率从理论上可以达到100%， ；对其异体的检测率从理论上也可以达到100%， 。 推理4-2 基于Web系统 的正常模型和BP神经网络，同等误差条件下对异体的识别率 将比不采用正常模型的异体识别率 更高。,5.1.2. 抗蠕虫病毒Web系统的正常模型,5.1. 免疫计算新模型的抗病毒应用结果,龚涛,东华大学信息科学与技术学院,45,为了测试和演示基于正常模型