模塊化免疫神經(jīng)網(wǎng)絡模型在計算機病毒分類檢測中的
加入技術交流群
4.4 實驗結果統(tǒng)計
本文引用地址：http://m.ptau.cn/article/202688.htm在模式識別領域中，Receiver OperatingCharacteristics(ROC)曲線用于比較不同分類檢測算法的性能。曲線下的面積越大，則算法分類檢測性能越好越穩(wěn)定。圖5為該模型與遺傳算法模型以及傳統(tǒng)抗體模型的基于MATLAB環(huán)境下的仿真測試ROC圖?？梢?，集成新型抗體模型網(wǎng)絡ROC曲線下方的面積要大于其它2個網(wǎng)絡模型的面積。說明基于模塊化的免疫神經(jīng)網(wǎng)絡模型的計算機病毒檢測模型性能要優(yōu)于其它2個，正好支持了文獻[2]的結論。文獻[2]對基于n-gram的惡意代碼檢測取得了很好的效果，一共測試了8種分類器，結果如圖5、圖6，其中Boosted J48性能最優(yōu)。
分析以上實驗數(shù)據(jù)，可得到以下結果：
1)由表1可知，自體庫選得過小，會造成單抗體的高擾動率，頻繁更新抗體群，缺乏抗體的多樣性，覆蓋范圍減小。
2)自體庫過大，會造成訓練網(wǎng)絡的時間增多。擬采用200條為自體庫大小，對這30萬條數(shù)據(jù)記錄通過新模型進行檢測，并與單免疫算法模型和傳統(tǒng)的抗體網(wǎng)絡模型進行對比，如表2。雖然此網(wǎng)絡模型在時間上略遜于其他兩種已知算法模型，但在準確率上卻有明顯的提高。
5 小結
由實驗可知，基于免疫算法和神經(jīng)網(wǎng)絡的新型網(wǎng)絡模型降低了傳統(tǒng)的病毒入侵檢測模型的誤報率和漏報率，提高了免疫系統(tǒng)的學習效率和系統(tǒng)的智能化程度，在系統(tǒng)的容錯性上也有較大的改善，對提高系統(tǒng)的檢測能力具有重要意義。
關鍵詞：
模塊化
免疫神經(jīng)網(wǎng)絡
計算機病毒
分類
評論