1、近年來，人類社會對信息的依賴程度不斷增大，人們對信息的安全性也越來越關注。 在研究中發(fā)現(xiàn)，入侵檢測領域所遇到的問題和人工免疫系統(tǒng)所遇到的問題有很多相似性。因此，免疫系統(tǒng)中許多令人滿意的特征能夠被用來解決計算機安全領域中出現(xiàn)的問題，人們也越來越重視將免疫系統(tǒng)中的機制運用到安全領域中的研究。 Forrest基于免疫系統(tǒng)中自我(self)和非我(non-self)區(qū)分的原則首次提出了負選擇算法，這是第一個由免疫產生的異常檢測算

2、法。為了提高檢測器的性能，在負選擇的基礎上改進檢測器生成算法而產生了實值負選擇算法。 實值負選擇算法應用了一個啟發(fā)式進程——反復改變檢測器的位置，主要有兩個目的：其一是使檢測器遠離自我樣本，另一個就是保持檢測器的分散來達到最大化對非我區(qū)域(non-selfspace)的覆蓋的目的。但是實值負選擇算法仍然存在著一些問題，比如：產生檢測器和設置檢測器位置需要消耗大量的時間。因此，如何用最少的檢測器覆蓋最多的非我區(qū)域成為本文主要解決的

3、問題。 本文首先分析了前人的工作成果，以人工免疫學為指導，研究了負選擇和實值負選擇在入侵檢測中的應用，包括檢測器半徑的改變以及基于實值負選擇的合成算法。 其次，本文對實值負選擇在兩個方面進行改進：其一是對計算非我區(qū)域大小的改進，使用了蒙特卡羅積分法估算覆蓋非我區(qū)域的抗體的數(shù)量；其二是在原始抗體集合產生的基礎上對抗體分布的改進，也就是優(yōu)化抗體對非我區(qū)域的覆蓋。 最后將改進后的算法和實值負選擇算法一起運用到Macke