采用奇异值分解和信息增益的树突状细胞模型

杨信民，董红斌，谭成予，周 雯

1.武汉大学 国家网络安全学院，武汉 430072

2.武汉大学 计算机学院，武汉 430072

人工免疫系统是模拟人体免疫系统工作机理的计算机免疫系统[1]，包括反向选择、危险理论、克隆选择、免疫网络等理论分支[2]，由于继承了免疫系统的生物智能特性，人工免疫系统被广泛应用于机器学习[3]、优化计算[4]、入侵检测[5]、异常检测[6]、故障检测[7]等领域。最新的免疫学理论称为危险理论（Danger Theory，DT）[8]。根据DT 的思想，从树突状细胞（Dendritic Cell，DC）的行为特征中获得的启发导致了称为DCA的免疫算法的发展[9]。

DCA是受生物危险理论启发，模拟DC生物机制的人工免疫算法，用于对人体内危险抗原的最初识别。但DCA 从本质上还是属于先天性免疫范畴，在设计之初就没有过多的考虑适应性。在实际的应用中如何将输入的特征映射到具体的信号特征，存在着严重依赖人工经验的问题，始终没有一个统一的、一般性的方法，严重影响DCA的适应性。

SVD能将原数据集规约成最相关特征子集，且能最大限度地保留分类信息，减弱数据混乱给算法带来的影响，然后根据IG得到最相关特征子集中的最相关特征，自适应地提取信号。根据以上特征，本文在DCA 的基础上，结合SVD 和IG 的思想，改进了DCA 算法中数据预处理和信号选择的部分，建立了一个基于SVD 和IG的树突状细胞模型——SIDCA，并将SIDCA 与经典DCA，优化版本的dDCA进行了比较。

1 相关工作

1.1 树突状细胞算法

1994年，生物免疫学家Matzinger提出了DT[8]，认为免疫系统是感知机体组织内的潜在危险，所有引发危险的抗原才是免疫识别的对象，而那些没有引发危险的抗原，免疫系统不会做出免疫反应。……