人工免疫系统的研究旨在抽取生物免疫系统中独特的信息处理机制,研究和设计相应的模型和算法,进而解决各种复杂问题。人工免疫是继人工神经网络、进化计算之后新的智能计算研究领域,是生命科学和计算机科学相互交叉形成的学科,目前已成为研究热点。生物免疫系统的基本功能是识别“自己”和“非己”,并将“非己”分类清除,具有免疫识别、免疫记忆、免疫调节和免疫监视等功能特征,是一个自适应、自学习、自组织、并行处理和分布协调的复杂系统。通过深入研究生物免疫系统所蕴含的各种信息处理机制,构建和设计有效的入侵检测模型和算法,对于建立基于生物免疫系统的入侵检测新理论、新方法、改变当前网络安全状况具有至关重要的意义。论文回顾了入侵检测系统的发展历史,介绍了入侵检测系统的功能、构成与分类;探索和研究了生物免疫系统所蕴含的学习与检测机制,以及人工免疫系统在异常检测中的具体应用。在详细分析了人工免疫系统核心算法之一的阴性选择算法的实现机理与存在缺陷的基础上,改进了现有的检测器集合生成算法,从多个层次对生成的检测器集合进行了性能分析与实验。具体而言,论文的主要研究工作如下:①深入研究了阴性选择算法流程与检测器集合的产生机制,分析出由阴性选择算法生成的检测器集合存在匹配阈值固定,黑洞数目较大;检测器之间互相匹配,携带信息冗余和空间覆盖率降低等问题。②分析了目前r-连续位匹配规则与r-chunk匹配规则的适用范围与缺陷,在此基础上利用模糊思想定义了局部相似度与差异度的概念。对不同匹配阈值下生成的检测器集合规模及检测器分布情况进行对比,理论分析了匹配阈值变化与黑洞数量、空间覆盖率之间的对应关系。③设计变阈值策略,改进传统阴性选择算法,在生成的检测器集合中加入检测器对应的匹配阈值,提高了检测器集合空间覆盖率,大幅度降低黑洞数量。去除有效检测器集合中相互匹配的检测器,消除冗余现象,保证生成的检测器集合在同等规模的情况下,检测到较大范围的“非己”行为。④最后,通过实验在黑洞数目、覆盖率、失败概率等几个方面将改进算法与多种算法进行了比较,验证了算法的有效性。