مقاله درمورد دانلود بهبود عملکرد

به کشف آنومالي نيستند. اين شناساگرهاي نامعتبر در نواحي مرزي ايجاد مي شوند.

شکل 4-6- نمايش شناساگرهاي نا معتبر در مرز ناحيه خودي و غير خودي

براي حل مسئله حفرهها ، هافمير22و همکاران (2003)، يک روش با نام ماسک جايگشتي23 ارائه داد. همچنين بالدروپ24 و همکاران(2002) ، قاعده تطبيق r-chunks را براي NSA در سيستم دودويي ارائه کرد. جي آي25 و همکاران (2004)، يک الگوريتم V-detector مرز آگاه26 معرفي کرد و بلاچندران27 و همکاران(2007)، يک NSA با شناساگرهايي با اشکال مختلف توسط نمايش حقيقي تعريف کرد. اگرچه اين راه حلها برخي از حفرهها را کاهش داده اند ولي مشکل حفرهها همچنان وجود دارد. در حقيقت مسئله حفرهها ارتباط مستقيم دارد با مسئله توليد تعداد زيادي شناساگر نامعتبر. در واقع اگر بخواهيم حفره ها را کاملا پوشش دهيم، نيازمند توليد شناساگرهاي نامعتبر بسياري هستيم .
همان طور که در فصل دو عملکرد سيستم ايمني بدن انسان شرح داده شد، سلول هاي T وظيفه شناسايي عوامل مخرب در بدن را دارند. ولي سلول هاي T فقط شامل سلول هاي Th 28 نيستند بلکه شامل سلول هاي سرکوب گري به نام Ts 29 نيز ميباشند که در فرآيند کشف عوامل مخرب موثرند. در حقيقت در يک بدن سالم هر دو گروه سلول هاي Th و Ts در جهت حفظ سلامت بدن با هم همکاري مي کنند. الگوريتم هاي انتخاب منفي ارائه شده تنها از سلول هاي Th استفاده مي کنند و از سلول هاي Ts غافل هستند. در حالي که بهکار گيري اين سلولها تأثير بسيار مطلوبي در کارايي فاز کشف، و در نتيجه موجب بالارفتن بهره وري الگوريتم NS مي شود (يانگلي30 و همکاران ، 2009). در اين روش، داده هاي نرمال يا همان نمونه هاي خودي مورد آزمايش، به دو دسته تقسيم مي شوند : نمونه هاي نرمال مرزي31 و نمونه هاي نرمال غير مرزي32. نمونههاي نرمال مرزي در طول فاز آموزش شناسايي و نگهداري مي شوند. در فاز کشف شناساگرهاي توليد شده به عنوان سلولهاي Th کار کشف را انجام مي دهند و نمونه هاي نرمال مرزي به عنوان سلول هاي Ts براي سرکوب کردن سلول هايT غير فعال وارد عمل ميشوند. بنابراين شناساگرهاي کمتري براي پوشش فضاي غيرنرمال مي توانند مورد استفاده قرار گيرند و نيز تعداد حفره ها کاهش مي يابد.
در روش پيشنهاد شده در اين پژوهش، هدف بهبود الگوريتم انتخاب منفي با تلفيق روش استفاده از نمونههاي خودي مرزي در فاز تشخيص خطا به عنوان سلولهاي ايمني سرکوبگر و همچنين استفاده از تابعي براي تعيين شعاع متغير براي نمونه‌هاي خودي (علاوه بر شعاع متغيري که براي شناسگرهاي ناحيه غير خودي مطرح است) در مرحله آموزش است.
با استفاده از شعاع متغير براي نمونه‌‌‌هاي خودي، مي‌توان مشخصات33 مناسبي از سيستم به دست آورد و سپس با استفاده از مشخصات بدست آمده از سيستم، شناسگرهاي باکيفيت‌تري براي پوشش ناحيه غير خودي ايجاد کرد. با استفاده همزمان از شعاع متغير براي نمونه‌هاي خودي مي‌توان با تعداد کمتري شناساگر ناحيه غير خودي را پوشش داد. رويکرد جديد باعث بهبود عملکرد کلي شناسگرها بدون افزايش در پيچيدگي مي‌شود.
با تلفيق روش هاي ذکر شده در بالا، در اين فصل يک راهکار پيشنهادي در جهت بهبود تشخيص نفوذ به وسيله الگوريتم انتخاب منفي ارائه گرديده است که در ادامه به بررسي جزئيات آن مي پردازيم .
4-2- راهکار پيشنهادي
الگوريتم انتخاب منفي يکي از موفقترين روشها در سيستم ايمني مصنوعي مي باشد. کاربردهاي معمول آن شامل کشف تغييرات، کشف خطا و نيز کشف نفوذ در شبکه هاست. در اين بخش يک الگوريتم انتخاب منفي بهبود يافته در جهت کاهش حفرهها و نيز کاهش تعداد شناساگرهاي موردنياز براي پوشش فضاي غيرخودي و در نتيجه بهبود عملکرد الگوريتم انتخاب منفي ارائه مي گردد. راهکار پيشنهاد شده تلفيقي است از الگوريتمهاي توليد شناساگر با شعاع متغير، تعريف نمونههاي خودي با شعاع متغير در فاز آموزش و نيز به کارگيري مکانيسم سرکوب ايمني34 با استفاده از نمونههاي خودي مرزي به عنوان سلولهاي ايمني سرکوبگر، در جهت بهبود در فاز تشخيص الگوريتم جديد.
4-2-1- فاز آموزش
همانطور که در شکل 4-1 فاز آموزش الگوريتم انتخاب منفي نشان داده شده است، اين فاز پس از تعريف مشخصات سيستم توسط نمونه هاي خودي، شامل توليد شناساگرهاي کانديد وآموزش آنها به وسيله مجموعه دادههاي نرمال مي باشد. حال براي بهبود الگوريتم و ارائه راهکار جديد، نيازمند تغييراتي در فاز آموزش الگوريتم انتخاب منفي اصلي هستيم که در ادامه به آن مي پردازيم .
4-2-1-1- تعيين شعاع متغير براي نمونه‌هاي خودي
در بيشتر الگوريتمهاي انتخاب منفي شعاع نمونههاي خودي ثابت در نظر گرفته مي شود ولي همان طور که قبلا شرح داده شد، شعاع خودي متغير مي‌تواند پوشش مناسبتري از ناحيه خودي را ممکن سازد و مشخصات سيستم را به خوبي بيان کند. براساس اين مشخصه سيستم، مي‌توان شناساگرهاي با کيفيت بالاتري ايجاد کرد و آزمايشات نشان ميدهد که شناسگرهاي توليد شده با اين روش نرخ تشخيص35 بالا و نرخ هشدار غلط36 پاييني دارد.
روش ارائه شده براي توليد نمونه هاي خودي با شعاع متغير در شکل 4-7 آمده است(زنگ37 و همکاران ، 2013). فاصله ميان مجموعه نمونه‌هاي خودي را محاسبه نموده و مقدار متغيري براي شعاع خودي براساس مجموع فاصله هر نمونه تا ساير نمونه‌هاي خودي اختصاص مي‌دهد.
Algorithm (S, n)
Input: S = the set of self samples, n = the self radius coefficient
1 Begin
2 for each s ? S do
3 total = 0
4 for each p ? S do
5 total = total+ dist(s_p) //dist(s_p), Euclidean distance between s and p
6 end for
7 r_s= total / (|S|-1)/n //r_s , the self radius of the sample s
8 end for

شکل ‏0-1: الگوريتم تعيين شعاع متغير براي نمونه‌هاي خودي در الگوريتم پيشنهادي(زنگ و همکاران ، 2013).
4-2-1-2- توليد شناساگر با شعاع متغير
در فاز آموزش، شناساگرهاي کانديد به طور تصادفي توليد مي شوند و سپس توسط نمونههاي خودي آموزش داده مي شوند تا شناساگرهاي خودي حذف شده و در نهايت مجموعهاي از شناساگرهاي غير خودي به دست آيد. روند فاز آموزش به صورت زير است:
تمام نمونه‌هاي خودي مجموعه S را به فاصله اقليدسي ?[0,1]?^n نرمال مي‌کنيم،
هر نمونه خودي به صورت s = (c_s, r_s ) است، که c_s??[0,1]?^n مرکز و r_s شعاع نمونه خودي است؛
براي پوشش ناحيه غيرخودي، شناسگر کانديد به مرکز? c?_d??[0,1]?^n به صورت تصادفي انتخاب مي‌شود،
اگر اين داده تصادفي توسط يکي از نمونه‌هاي خودي شناخته شود، بدين ترتيب که Dis(d,s)= (?_(i=1)^n?(c_d (i)-c_s (i))^2 )r_s، در اين زمان داده کانديد حذف مي‌شود،
در غير اين صورت، کمينه فاصله MinDis(d,s) از داده کانديد تا همه نمونه‌هاي خودي محاسبه مي‌شود، MinDis(d,s) به عنوان شعاع داده کانديد r_d درنظر گرفته مي‌شود،
نهايتا مولفه d = (c_d, r_d )به مجموعه شناسگرهاي Dافزوده مي‌شود،
اين روند تا کامل شدن تعداد شناسگرها ادامه مي يابد.
همان طور که در شکل 4-8 ملاحظه مي کنيد ،در الگوريتم V-detector توليد شناساگرها با شعاع متغير، طبق مراحل توضيح داده شده در بالا انجام مي پذيرد.

شکل 4-8- الگوريتم توليد شناساگر با شعاع متغير (V-detector )(جي آي و داسکوپتا ، 2004).

4-2-1-3- شناسايي و نگهداري نمونههاي خودي مرزي
در مکانيسم سرکوب ايمني ، دادههاي نرمال يا همان نمونههاي خودي مورد آزمايش ، به دو دسته تقسيم مي شوند: نمونه هاي نرمال مرزي و نمونههاي نرمال غير مرزي. در طول فاز آموزش، نمونههاي نرمال مرزي مي بايست شناسايي و نگهداري شوند. در فاز کشف شناساگرهاي غير نرمال توليد شده به عنوان سلولهاي Th کار کشف را انجام مي دهند و نمونههاي نرمال مرزي به عنوان سلول هاي Tsبراي سرکوب کردن سلول هايT غير فعال وارد عمل مي شوند. چنانچه در قسمت قبل شرح داده شد با اين روش شناساگرهاي کمتري براي پوشش فضاي غيرنرمال مي توانند مورد استفاده قرار گيرند و نيز تعداد حفره ها کاهش مي يابد. بنابر اين در الگوريتم پيشنهادي گام شناسايي و نگهداري نمونههاي خودي مرزي در فاز آموزش، پس از گام توليد شناساگرها، اضافه مي شود. يافتن نمونه هاي نرمال مرزي کار دشواري نيست. درگام قبلي يعني به هنگام توليد شناساگرها، براي تعيين شعاع هر شناساگر لازم است فاصله شناساگر با نزديکترين نمونه خودي به آن شناساگر، محاسبه شده که اين فاصله به عنوان شعاع شناساگر در نظر گرفته مي شود. نزديکترين نمونههاي خودي به شناساگرها همان نمونه هاي خودي مرزي هستند. پس به هنگام توليد شناساگرها نمونههاي خودي مرزي شناسايي مي شوند. حال بايد در اين مرحله امکاني براي نگهداري اين نمونه هاي خودي مرزي فراهم گردد تا در فاز تشخيص، از آنها به عنوان سلول هاي Tsبراي سرکوب کردن سلول هاي Tغير فعال استفاده شود.
با جمع بندي مطالب فوق، فلوچارت فاز آموزش الگوريتم پيشنهادي در اين بخش، در شکل 4-9 نشان داده شده است. همانطور که در شکل مشاهده مي کنيد لازم است نمونه هاي خودي مرزي در فاز آموزش شناسايي شده و براي استفاده در فاز تشخيص آنها را نگهداري کنيم. به همين منظور يک گام جديد به فاز آموزش اضافه شده است .

شکل 4-9- فاز آموزش الگوريتم پيشنهادي
4-2-2- فاز تشخيص
شناساگرهاي آموزش ديده در فاز آموزش و داده هاي نرمال مرزي شناسايي شده در فاز آموزش، براي تشخيص دادههاي غيرنرمال و ناهنجار در فاز تشخيص بار مي شوند. در راهکار پيشنهاد شده، فاز تشخيص داراي دو مرحله مي باشد. مرحله اول شامل آزمايش داده ورودي با شناساگرها مي باشد ( که در تمام الگوريتم هاي انتخاب منفي مرسوم است ) و مرحله دوم آزمايش داده ورودي با نمونه هاي نرمال مرزي است. ابتدا داده ورودي با مجموعه شناساگرهاي آموزش ديده در فاز آموزش، چک مي شود. چنانچه با هيچ يک از شناساگرهاي موجود تطابق نداشته باشد به اين معناست که داده ورودي نرمال است. چنانچه داده ورودي با هريک از شناساگرها انطباق يافت مکانيسم تشخيص وارد مرحله دوم شده و داده ورودي براي بار دوم با نمونههاي نرمال مرزي چک مي شود. اگر با هيچ يک از نمونههاي نرمال مرزي انطباق نداشت، به اين معناست که داده غيرنرمال و ناهنجار است.
فرآيند تشخيص شامل مراحل زير است :
شناساگرها و نمونههاي خودي مرزي به دست آمده از فاز آموزش به فاز تشخيص انتقال داده مي شوند .
نمونه داده جديد t از ورودي خوانده مي‌شود.
اگر t توسط هيچ يک از شناساگرهاي مجموعه D شناسايي نشود، آنگاه اين داده يک داده عادي است .
اگر t توسط يکي از شناساگرهاي مجموعه D شناسايي شود، بدين معنا که
Dis(d,t)= (?_(i=1)^n?(c_d (i)-t(i))^2 )r_d باشد،(که r_d شعاع و c_d مرکز شناساگر است) آنگاه مي بايست در گام بعدي توسط نمونه هاي خودي مرزي، مجددا مورد آزمايش قرار گيرد .
اگر نمونه ورودي با يکي از نمونه هاي خودي مرزي شناسايي شود، يعني:
Dis(bs,t)= (?_(i=1)^n?(c_bs (i)-t(i))^2 )r_bs باشد (که r_bsشعاع وc_bs مرکز نمونه خودي مرزي است )، آنگاه اين داده به عنوان داده عادي شناسايي مي‌شود؛
اگر داده ورودي با هيچ يک از نمونههاي نرمال مرزي شناسايي نشود، آنگاه داده ورودي يک داده غير نرمال و ناهنجار است.
بر اساس مطالب گفته شده ، فاز تشخيص الگوريتم پيشنهاد شده در شکل 4-10 نمايش داده شده است. همانطور که در شکل 4-10 آمده است، فاز تشخيص الگوريتم جديد شامل دو مرحله مي باشد. در مرحله اول داده ورودي با شناساگرها آزمايش مي شود. اگر با يکي از شناساگرها شناسايي شود وارد مرحله بعدي يعني آزمايش با نمونه هاي خودي

دیدگاهتان را بنویسید