第3章 多變異模式獨(dú)特型網(wǎng)絡(luò)自適應(yīng)檢測(cè)器設(shè)計(jì)

3.1 引言

本章的工作是設(shè)計(jì)三級(jí)模塊式檢測(cè)系統(tǒng)中的第一級(jí)模塊中的檢測(cè)器，即設(shè)計(jì)一種檢測(cè)方法，對(duì)待檢測(cè)的行為進(jìn)行初步檢測(cè)。如第2章所述，本章利用模式識(shí)別技術(shù)進(jìn)行檢測(cè)，因此可將所有行為分為正常和異常兩類，通過(guò)對(duì)正常和異常行為特征的學(xué)習(xí)，利用模式匹配確定待測(cè)試行為的類別屬性。這種方法結(jié)合了異常檢測(cè)和誤用檢測(cè)兩種方法，有助于改善系統(tǒng)的檢測(cè)性能。

神經(jīng)網(wǎng)絡(luò)由于具有學(xué)習(xí)和記憶能力，與模式識(shí)別技術(shù)相結(jié)合，被廣泛用于各種應(yīng)用領(lǐng)域。但許多神經(jīng)網(wǎng)絡(luò)一旦訓(xùn)練完成投入使用后，除非重新訓(xùn)練，否則很難改變或得到及時(shí)調(diào)整。而且神經(jīng)網(wǎng)絡(luò)的性能依賴于訓(xùn)練所用的數(shù)據(jù)。對(duì)于入侵檢測(cè)、故障檢測(cè)、病毒檢測(cè)等領(lǐng)域，將神經(jīng)網(wǎng)絡(luò)用作檢測(cè)器時(shí)，意味著需要定期更新，否則無(wú)法完成對(duì)新特征尤其是新異常行為的學(xué)習(xí)。而采用在線訓(xùn)練方法時(shí)，有可能在學(xué)習(xí)階段系統(tǒng)就遭受損失。因此，本書放棄了利用神經(jīng)網(wǎng)絡(luò)來(lái)設(shè)計(jì)檢測(cè)器的方法。

人工獨(dú)特型網(wǎng)絡(luò)（artificial idiotypic network, AIN）與人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）相似，都是由大量高性能單元組成，因而具有許多相似功能，如容噪能力、泛化能力、學(xué)習(xí)能力和記憶能力，以及通過(guò)競(jìng)爭(zhēng)實(shí)現(xiàn)的并行分布處理能力。另外，人工獨(dú)特型網(wǎng)絡(luò)具有動(dòng)態(tài)調(diào)整能力，使其在作為檢測(cè)器時(shí)可以實(shí)時(shí)調(diào)整，不再需要定期更新。這是本書采用人工獨(dú)特型網(wǎng)絡(luò)來(lái)設(shè)計(jì)檢測(cè)器的原因。

盡管獨(dú)特型網(wǎng)絡(luò)理論已成功用于多種領(lǐng)域，如分類、聚類、數(shù)據(jù)挖掘、優(yōu)化等，Aichelin等人[172]在對(duì)基于免疫的入侵檢測(cè)方法進(jìn)行總結(jié)后發(fā)現(xiàn)，還沒(méi)有將其用于入侵檢測(cè)的研究成果，因此本書希望在這個(gè)應(yīng)用領(lǐng)域能夠有所突破。

本章的3.2節(jié)簡(jiǎn)單分析獨(dú)特型網(wǎng)絡(luò)的相關(guān)原理；3.3節(jié)提出一種多變異模式人工獨(dú)特型網(wǎng)絡(luò)模型，分析其收斂性能和泛化能力，并將其與幾種人工神經(jīng)網(wǎng)絡(luò)進(jìn)行比較；3.4節(jié)利用該多變異模式獨(dú)特型網(wǎng)絡(luò)實(shí)現(xiàn)一種自適應(yīng)檢測(cè)器；3.5節(jié)用3個(gè)仿真實(shí)驗(yàn)對(duì)提出的網(wǎng)絡(luò)模型和檢測(cè)器進(jìn)行性能測(cè)試。