開始專案後，我主要負責研究網路自免疫，
對人工免疫系統有了一些
初步的了解。
人工免疫特點：
1.識別與分類：可是識別自體和非自體。（如陰性選擇法建立的檢測器）
2.多樣性：可以對進行基因重組，並可以進行高頻變異。
3.自學習：親和力成熟，在系統打破穩定後依舊可以識別並消滅抗原，並可以更新規則庫。
免疫網路和轉殖選擇理論揭示了免疫應答過程的機理，表明抗體的產生市免疫系統的學習過程和優化過程。
4.記憶功能：如同人體記憶細胞，一旦發現曾經響應的抗原再次入侵，就可以呼叫記憶細胞，對其進行快速而有效的應答。
5.分布式：免疫系統中的淋巴細胞分布在全身，根據周圍的環境自適應的確定自身的行為，整個免疫系統無中心控制點。
6.自調節：在清除病原體（抗原）後，系統可自行恢復到穩定狀態。具有較強的抗干擾和維持系統自平衡的能力。
已經提出的免疫算模型：
1.獨特型免疫網路模型:
jerne的模型：淋巴細胞通過識別而互相刺激或抑制，形成相互作用的動態網路，免疫系統可在整個網路中對抗原的識別。
抗原的表面具有反映抗原特性的部位,稱為表位(epitope),又稱為抗原決定位。特定的抗體通過自身的可變區與抗原決定位的結合來識別這種抗原,抗體上可以與抗原決定位結合的部位稱為對位(paratope),表位和對位的關係如同鎖和鑰匙的關係,這種結合關係導致了免疫響應的特異性。不只抗原具有能夠被其他抗體識別並結合的抗原決定簇,抗體也具有抗原性。抗體上能夠被其他抗體識別的抗原決定位一般稱為獨特型(idiotype)抗原決定簇,或稱獨特位(idiotope)。
當某種抗體的對位與表位或獨特位結合後,分泌這種抗體的b細胞會受到激勵,當激勵超過一定閥值後,進行轉殖擴增,從而產生免疫響應。同時,被結合的抗原或抗體受到抑制,抗體對應的b細胞數量會減少。大量抗體的相互作用以及與抗原作用組成乙個網路,如圖1所示。圖中ns為b細胞間的激勵,nn為b細胞間的抑制,ps為抗原對b細胞的激勵。
stadler的模型：b淋巴細胞的繁殖由乙個函式控制，可用動態方程描述免疫網路的動態行為。
hirayama的模型：用數學方程描述免疫網路在短時間內的動態行為。
2.多值免疫網路模型：
tang提出了一種基於b細胞和t細胞相互作用的多值免疫網路模型用於模式識別，其具有良好的記憶能力和抑制雜訊的能力。
該模型模擬免疫系統b 細胞和t 細胞的相互作用，體現抗原( ag) 、抗體( ab) 、b 細胞、輔助t 細胞( th) 和抑制t 細胞( ts) 之間的互動過程。
當抗原入侵時，b細胞受輔助t細胞啟用(il+)和抑制t 細胞抑制(il－)的雙重調節作用下分泌抗體，其數量不單由b細胞決定，而是由b細胞和t細胞的互動調節機制決定。
3.免疫聯想記憶模型：
smith指出免疫記憶是一種具有魯棒性的聯想記憶，並將其與分布式記憶相比較。
abbattista基於免疫網路的學習和自適應原理提出免疫聯想記憶模型，用於模式識別。（分成學習和回憶階段）
tarakanov基於免疫系統中抗原與抗體的相互作用原理建立了免疫系統數學模型。
zak模擬免疫系統的功能提出了免疫系統的隨機模型，它具有自己和非己識別、自我修復等功能。
已經提出的免疫演算法：
1.陰性選擇法（反向/否定選擇法）：由forrest提出。主要包括兩個步驟：a.生成檢測器集合。b.檢測器與已知自體（被保護資料）比較
優點：異常檢測不需要先驗知識，魯棒性強； 缺點：自體資料變長後，檢測器的數量指數率增加。
helman提出演算法改進，讓檢測器線性增加。
2.轉殖選擇法：
de castro轉殖選擇法：模擬免疫系統的學習過程的進化演算法。
3.基於疫苗的免疫演算法
焦李成、王磊提出乙個演算法；在遺傳演算法中加入免疫運算元，以提高演算法的收斂速度和防止群體退化。其中免疫運算元包括接種疫苗（提高適應度）和免疫選擇（防止種群退化）兩部分。
4.基於免疫網路的免疫演算法
naruaki基於mhc（主要組織相溶性複合體）和免疫網路理論提出一種自適應優化免疫演算法，該演算法比遺傳演算法具有更高的搜尋效率。
兩步驟：a. mhc區別自己和非己
b.用免疫網路產生智慧型體的自適應行為。
免疫演算法的基本步驟：（此處只是演算法，而非免疫過程，目的是找出最優抗體——最優解）
1.識別抗原：確認入侵的抗原。
2.產生出是抗體群體：初始抗體採用隨機生成法，並通過條件加以限制約束，產生符合要求的初始抗體，再通過擇優汰劣，得到優秀的群體。
3.計算抗原、抗體間的親和力。抗原-抗體親和力為他們之間的結合強度。抗體親和力表示抗體間的相似程度。、
4.記憶細胞分化：將與抗原有最大親和力的抗體轉化成記憶細胞，若有相似抗體，則擇優選擇，親和力較大的代替親和力較低的。若無相似抗體，則將適應度最高的（親和力最大的）抗體轉化成記憶細胞。
5.促進和抑制抗體的產生：親和力高——促進產生，增加選擇概率；抗體濃度高——抑制產生，減少選擇概率，保持個體多樣性。
6.抗體的產生：對於新入侵抗原，通過抗體交叉、變異準則，產生下一代抗體，以此代替舊抗體。
7.終止判斷：判別終止條件。
8.獲得最優抗體：產生與抗原親和力最大的抗體。
人工免疫功能：
1.檢測和識別系統內部的作業系統，以及應用軟體的漏洞。
2.檢測和識別病毒，阻止其在網路內部傳播。
3.有效的檢測並識別網路外部攻擊行為。
4.動態適應網路不斷執行這一特徵，並可以識別新形式的攻擊和入侵。
5.對攻擊和潛在的攻擊行為進行攻擊源追溯，完成攻擊特徵提取。
6.輔助ids，提高入侵檢測準確率，降低誤報率，提高ids的自適應能力。
7.基於免疫優化原理，**網路安全態勢。
8.具備自主學習進化能力，適應網路組網與執行狀態的變化。
人工免疫的基本知識：（異常檢測）
2.抗原：對網路上傳輸的ip包進行特徵提取後得到的長度為l的二進位制字串。
3.抗體：抗體基因（含於抗原抗體基因）、抗體年齡、抗體壽命，抗體數目。
4.r連續位匹配：若x與y至少有連續r位相同，則匹配成功。
5.抗體耐受過程：在耐受期，與自我體匹配的抗體死亡，不匹配的則可以轉變成為成熟的抗體，加入抗體集合中。
6.記憶抗體：若在存活時間內累積的匹配數超過了啟用閾值，成熟抗體將被啟用，轉變成記憶抗體，否則死亡。
記憶抗體的生命週期更長，在遇到相同或相似的非自體會迅速被啟用，並進行轉殖擴增。只要記憶抗體與抗原匹配就會
人工智慧 免疫演算法概述
immune 免疫 是從拉丁文衍生而來的。很早以前，人們就注意到傳染病患者痊癒後，對該病會有不同程度的免疫力。在醫學上，免疫是指機體接觸抗原性異物的一種生理反應。1958年澳大利亞學者burnet率先提出了與免疫演算法 immune algorithm，ia 相關的理論 轉殖選擇原理。1973年je...
免疫演算法詳解
基本思想是將想要求解的各類優化問題的目標函式 約束條件 與抗原相對應，找到可以與抗原進行親和反應的抗體，該抗體就是要求的最優解。最核心要解決的就是 1.計算抗原和抗體的親和度，親和度越高，越可能是最優解，2.計算抗體和抗體間的相似度，調查抗體群具有的多樣性。ia是必須要產生多樣性抗體和抗原去抗衡。具...
轉殖免疫演算法 ICPSO
一 改進的pso 缺點 早熟 陷入區域性最優 後期失去多樣性。二 精英轉殖演算法 1.將種群按粒子數等分成i個子種群 p1,p2 pi 評價粒子的適應度值，將每個子種群的有最優解三個的粒子的位置存在p0中，p0大小為3 i，稱作精英種群，用於替換最差的粒子。2.對p0進行超突變。每個粒子隨機選擇乙個...