[發明專利]基于免疫理論的安全感知模型構建方法有效
| 申請號： | 201911388037.5 | 申請日： | 2019-12-22 |
| 公開（公告）號： | CN111131279B | 公開（公告）日： | 2022-04-08 |
| 發明（設計）人： | 楊波;楊美芳 | 申請（專利權）人： | 江西財經大學 |
| 主分類號： | H04L9/40 | 分類號： | H04L9/40;H04L67/12;H04L41/14 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 330034 江西省南昌市昌*** | 國省代碼： | 江西;36 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 免疫 理論 安全 感知 模型 構建 方法 | ||
1.基于免疫理論的安全感知模型構建方法，其特征在于，包括以下步驟；
步驟一：親和度；
假定抗原(a)和抗體(b)同構，用二進制位串表示基因，包括自體、檢測器(抗體)和物聯網網絡層攻擊(抗原)，均為長度為n的二進制位串組合，抗原和抗體的親和度與它們間的距離相關，采用海明威距離計算，親和度計算如公式；
其中Dt為第t周期的親和度，每周期親和度計算采用轉輪算法，首先設定初始親和度Aff0，而后以上一周期最優親和度作為基數，本周期大于上一周期時，則當前值為最優親和度，否則保留上一周期值，ai和bi分別為抗體基因和抗原基因位串第i位的取值，θi為ai和bi的距離；
步驟二：抗原數；
Num(a)t＝Num(a)t-1-M(a)t-1+C(a)t
其中Num(a)t為第t周期抗原的數量；M(a)t-1為t-1周期清除的抗原數，如果抗原抗體親和度大于閾值Aff，則清除抗原；C(a)t為每周期新產生的抗原，假定為常數C1；
步驟三：網絡層安全檢測器數量；
物聯網網絡層安全檢測器通過免疫系統的自體耐受檢驗后，與抗原結合，清除抗原，然后檢測器進行分裂變異進化，選擇高親和度的檢測器克隆，并遺傳到下一周期，下一周期產生固定數量的隨機網絡層安全檢測器，并計算抗體濃度；
Num(b)t＝Num(b)t-1-M(b)t-1+C(b)t
其中Num(b)t為第t周期的檢測器數量；M(b)t-1為t-1周期親和度小于閾值Aff的檢測器數量(即被淘汰的抗體)，親和度閾值Aff可根據當前周期的最優親和度變化；C(b)t為每周期新產生的檢測器，公式如下：
C(b)t＝μ·(Num(b)t-1-M(b)t-1)+C0
其中，Num(b)t-1為第t-1周期內檢測器的數量，C0為初始定義的每個周期隨機產生的固定檢測器數量，μ為克隆系數，物聯網網絡層安全檢測模型模擬免疫系統的抗體多樣性，這些新產生的檢測器來自于淘汰抗體突變后親和力大于閾值的檢測器；
步驟四：能量；
將抗體濃度轉為基因序列的信息熵，基于免疫信息熵的網絡層安全檢測能量模型如下所示；
其中，Et為第t周期最優親和度的抗體的能量；Ns表示基因分類數；CTi表示Ns中第i個位串的信息熵，表示網絡攻擊事件基因的混沌程度如公式，
其中，Si是第i個基因的值得數量在整個事件中同位置基因總數量的占比，表示該類基因出現的概率，公式如下；
其中，′表示非運算；∧表示異或運算；gk，i表示第k個抗原中第i位基因取值；g0，i表示抗原第i位的基因值，當Si＝0時，表明出現檢測盲點；
若出現盲點，調整閾值重新計算Si的值；
采用平均能量作為衡量因素，當前周期平均能量如公式所示；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江西財經大學，未經江西財經大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201911388037.5/1.html，轉載請聲明來源鉆瓜專利網。
