免疫异常(精选4篇)
免疫异常 篇1
1 概述。
研究入侵检测技术, 保护网络和系统的安全具有重要的意义。目前, 已提出许多入侵检测方法, 如统计方法、专家系统、人工神经网络、数据挖掘等[1,2,3]。随着对生物免疫系统的研究, 人们发现免疫系统所解决的问题与计算机安全系统或入侵检测系统所面临的问题具有相似性;免疫系统保护生物体免受细菌的侵害, 而一个计算机安全保护系统保护计算机抵抗入侵。
近几年, 人工免疫系统吸收了免疫系统新的灵感, 成为一个活跃的研究领域[4]。否定选择算法是最早的人工免疫方法之一, 在可供选择的方法中具有明显的作用并且能够以更高的质量提供独特的效果。
2 混合免疫学习方法的提出。
NSA算法主要利用否定检测, 也就是由算法产生的检测器来直接鉴别在异常 (非自体) 空间的元素。这种方法被应用在一些特殊的应用中[5,6] (分布式异常检测和不太小的正常子空间) 。
提出了另一种NSA算法在异常检测中的应用。这种方法既不运用否定算法, 也不运用肯定算法。而是在异常和正常类之间试图寻找一个边界。这种方法可以利用在不执行分布式异常检测或者正常集比较小的情况下。
主要思想是利用实值否定选择算法 (RNSA算法) 来产生非自体样本。然后, 应用分类算法来寻找自体的特征功能。这种特征功能应用于异常检测功能。
在训练部分, 输入对应于正常样本 (特征向量) , 它利用由RNSA算法产生的异常样本。接着, 正常和异常样本被用来作为监督算法的输入产生一个分类。这个分类对应于异常检测功能并且在检测段将新的样本分为正常或异常的样本。
重要的是这种技术允许把监督算法的利用作为一个任务, 它通常需要一个非监控的方法。这种方法的主要优点是:
a.这种分类方法已经研究了很长时间。有另一种高效算法, 已被广泛测试并且被应用于其它领域。b.这种方法不需要对分类算法初始化。它允许模块组合使它能被更广泛的利用, 并且对于监督算法存在很好的执行效果。c.分类方法比非检测学习问题更接近异常检测问题。例如, 类聚。类聚方法基于最大化内部分类和最小化外部分类原则聚合输入数据。另一方面, 分类算法的主要目的是增加分类的准确性, 也就是说增加区分两类的能力。它接近于异常检测的目的, 最大化检测率和最小化误报率。d.可能利用真实的异常样本, 如果可行的话, 通过把它们与RNSA算法所产生的样本相结合, 并且把它们一起送给分类算法。
最想达到的目的与最近邻方法相似。一个元素接近于正常样本就可能是正常。如果距离选择好的话, 这个设想对很多应用程序都是合理的。
3 实值否定选择算法。
实值表示法其搜索空间通常是连续的并且难以用计数组合学的方式分析, 但却适合一些无法有效采用二进制表示法的应用。在实值否定选择算法中, 通常以超球体或超立方的形式表示检测器。这些检测器既可以用原始的随机生成方法生成也可以用其他方法, 例如遗传算法生成。
与二进制表示相比, 实值表示最主要特点是把与Rn子集对应的自体/非自体检测空间, 归一化到超矩形空间[0, 1]n。其中, n表示维数空间大小。实值否定选择算法就是在这个归一化的超立方中操作。
定义1.实值表示自体定义
S= (X, rs) 。其中X= (x1, x2……xm) 是m维的点, S表示以X为中心, rs为半径的超球体。
定义2.实值表示检测器定义
d= (X, rd) 。和自体数据类似, 检测器是一个以m维的点为中心, rd为半径的超球体。
算法的输入是由n维点 (向量) 表示的自体样本集。算法进化覆盖非自体空间的其他点集 (检测器) 。它由一个反复的过程完成, 这个过程是由两个目标驱动的检测器位置的修正:
3.1 移动检测器远离自体点。
3.2 保持检测器分离以最大化覆盖非自体空间。
算法1产生有效实值检测器
输入:检测半径r, 更新率η, 当检测器成熟时达到的代数t, 被考虑到临近的数量k, 候选检测器集合R0, 迭代次数num_iter
输出:有效实值检测器集合R
方法:
Near Cells=使用k-邻近法计算出的Self集中的邻居
并按照与d的距离排序
参数r代表每一个检测器半径。为了决定检测器d与自体样本点是否匹配, 算法计算出d在自体集中的k最近邻。计算出这些k最近邻的中值距离。如果距离小于r, 则检测器d被认为与自体相匹配。这个策略使得算法对噪音和外界干扰更健壮。
函数是检测器d的隶属匹配函数。它现实了自体/非自体空间中x和检测器之间的匹配程度。它定义为:
参数η代表一处检测器的步伐的大小。为了保证算法将收敛到一个稳定的状态, 这就有必要在每次迭代后以的方式减少这个参数。更新规则如下:
4 结论。
试验表明, 混合免疫学习算法效果很好, 同时, 它能够利用正常样本的子集来学习自体集的结构。在一些应用中, 主要在改变检测中, 假定自体集已完成, 然而, 在许多真实的异常检测应用中, 情况并不是这样。因此, 一个异常检测算法必须能够产生自体和非自体空间结构的好的近似值。即使训练集中自体集的部分是可用的。
摘要:传统的基于免疫的入侵检测系统采用低级别的二进制检测器, 妨碍了有意义的知识提取, 对Nonself空间的覆盖也不完备。研究了实值否定选择算法, 使用实值否定选择算法来产生非自体样本。应用分类算法来寻找自体的特征功能。
关键词:人工免疫,实值否定选择算法,混合免疫
参考文献
[1]Leandro N.de Castro and Jonathan Tim-mis.Artificial Immune System:A New Compu-tational Intelligence Approach[M].Springer, 2002:56.
[2]Dipankar Dasgupta, Zhou Ji, and F.Gon-zalez.Artificial immune system (AIS) researchin the last five years.In Proceedings of The2003 Congress on Evolutionary Computation[C], Canberra, Australia, CEC 2003, 9-12De-cember 2003:123-130.
[3]Chao D L, Forrest S.Information immunesystem[A].Proceedings of the First InternationalConference on Artificial Immune System (I-CARIS) [C].2002, 132-140.
[4]Lee W, Stolfo S J, Mok K W.Adaptive in-trusion detect&colon:a data mining approach[J].Artificial Intellignece Review, 2000, 14 (6) :533-567.
[5]Zhou Ji.A Boundary-Aware Negative Selection Algorithm[J].Artifi-cial Intelligence and Soft Computing (ASC2005) , September 2005, pages 451, Benidorm, Spain, pages 12-14.
[6]董晓梅, 于戈, 肖柯, 向光.基于免疫的入侵检测方法研究[J].小型微型计算机系统.2005, 26:1735-1741.
免疫异常 篇2
1.有一种胰岛素依赖型糖尿病是由于患者体内某种T细胞过度激活为效应T细胞后,选择性地与胰岛B细胞密切接触,导致胰岛B细胞死亡而发病。下列叙述正确的是()A.这种胰岛素依赖型糖尿病属于自身免疫病 B.患者血液中胰岛素水平高于正常生理水平C.效应T细胞将抗原传递给胰岛B细胞致其死亡 D.促进T细胞增殖的免疫增强剂可用于治疗该病 答案 A 解析 根据题意可知,这种胰岛素依赖型糖尿病是由体内T细胞过度激活为效应T细胞,“敌我不分”地将自身的胰岛B细胞当做外来异物进行攻击而引起的,这类疾病叫自身免疫病,A项正确;患者体内因胰岛B细胞死亡导致其胰岛素水平低于正常生理水平,B项错误;据题意可知胰岛B细胞死亡是效应T细胞与胰岛B细胞密切接触导致的,C项错误;促进T细胞增殖的免疫增强剂可能会导致该病更加严重,D项错误。
2.驻渝某高校研发的重组幽门螺杆菌疫苗,对该菌引发的胃炎等疾病具有较好的预防效果。实验证明,一定时间内间隔口服该疫苗3次较1次或2次效果好,其主要原因是
()A.能多次强化刺激浆细胞产生大量的抗体 B.抗原的积累促进T细胞释放大量淋巴因子 C.记忆细胞数量增多导致应答效果显著增强 D.能增强体内吞噬细胞对抗原的免疫记忆 答案 C 解析 第一次口服疫苗,抗原刺激B细胞增殖分化成浆细胞和记生物中学学习资料
生物中学学习资料
忆细胞,再次口服疫苗,抗原刺激记忆细胞,快速增殖分化形成更多记忆细胞和浆细胞,应答效果更显著,A错误,C正确;抗原入侵机体后会被相应免疫细胞、免疫活性物质清除,不会积累,B错误;吞噬细胞对抗原的识别无特异性,D错误。
3.神经递质乙酰胆碱与突触后膜的乙酰胆碱受体(AChR)结合,突触后膜兴奋,引起肌肉收缩。重症肌无力患者体内该过程出现异常,其发病机理示意图如下。下列叙述错误的是()
A.物质a作为抗原能激活B细胞增殖分化为浆细胞 B.抗a抗体与物质a的结合物不能被吞噬细胞清除 C.物质a引发的上述免疫过程属于体液免疫
D.患者体内乙酰胆碱与突触后膜的AChR特异性结合减少 答案 B 解析 本题考查体液免疫相关内容。由题意知,此种情况属于免疫过强,称作自身免疫病。物质a相当于抗原,可以刺激B细胞增殖分化为浆细胞,故A正确;抗原抗体结合后会被吞噬细胞吞噬消化,故B错误;题目所述免疫过程中,在物质a刺激下产生抗体,属于体液免疫,故C正确;抗a抗体与乙酰胆碱竞争AChR,导致乙酰胆碱与AChR结合的机会减少,故D正确。
4.下列关于免疫失调的说法正确的是()A.过敏是由过敏原刺激机体使浆细胞产生组织胺引起一系列反应
B.艾滋病、类风湿性关节炎、风湿性心脏病等都属于免疫缺陷病
生物中学学习资料
生物中学学习资料
C.因为过敏不会破坏组织细胞,也不会引起组织严重损伤,所以不危及生命
D.艾滋病患者最终常常死于复合感染或者肿瘤 答案 D 解析 浆细胞产生的物质是抗体,组织胺不是由浆细胞产生的,A错误;类风湿性关节炎、风湿性心脏病属于自身免疫病,B错误;剧烈的过敏反应也会危及生命,C错误。
5.MMP9酶在引发自身免疫病中具有重要作用,科学家创造了MMP9酶的“人工版本”金属锌—组氨酸复合物,他们将复合物注入小鼠,结果小鼠体内产生了与MMP9酶相应的抗体。下列叙述错误的是()A.自身免疫病是机体免疫功能过强所致 B.MMP9酶的抗体可用来治疗自身免疫病
C.“人工版本”MMP9酶可引发机体产生体液免疫 D.所有免疫细胞均能识别“人工版本”MMP9酶 答案 D 解析 自身免疫病是由于机体免疫系统异常敏感、反应过度地将自身物质当作外来异物进行攻击而引起的,A正确;MMP9酶在引发自身免疫病中具有重要作用,利用MMP9酶的抗体能和MMP9酶发生特异性结合的能力,清除体内的MMP9酶,就能治疗MMP9酶引发的自身免疫病,B正确;机体内有抗体产生,说明此免疫属于体液免疫,C正确;“人工版本”MMP9酶相当于抗原,免疫细胞中效应B细胞不能识别抗原,D错误。
6.为了探究某种复方草药对某种细菌性乳腺炎的疗效是否与机体免疫功能增强有关,某研究小组将细菌性乳腺炎模型小鼠随机分为生物中学学习资料
生物中学学习资料
实验组(草药灌胃)、空白对照组(蒸馏水灌胃)和阳性对照组(免疫增强剂A灌胃),并检测免疫指标。
回答下列问题:
(1)研究发现:实验组小鼠吞噬细胞的吞噬能力显著高于阳性对照组,极显著高于空白对照组。这一结果至少可说明该草药增强了小鼠的非特异性免疫功能。非特异性免疫的特点是______________ _________________________________________________________。
(2)研究还发现:实验组小鼠的T细胞含量显著高于空白对照组,与阳性对照组相近。这一结果说明:该草药可能
通过提高小鼠的T细胞含量来增强其特异性免疫功能。通常,在细胞免疫过程中,效应T细胞的作用是_______________________ ________________________________________________________。
(3)在特异性免疫中,T细胞可产生________因子,受到抗原刺激的________细胞可在该因子的作用下,增殖分化为浆细胞,浆细胞产生________,参与体液免疫过程。
答案(1)机体生来就有,不针对某一类特定病原体,而是对多种病原体都有一定的防御作用
(2)识别并与被病原体入侵的宿主细胞密切接触,并使之裂解死亡
(3)淋巴
B 抗体
解析 本题考查了免疫调节的相关知识。
(1)非特异性免疫与生俱来,作用的对象无特异性。
(2)在细胞免疫过程中,效应T细胞的作用是与靶细胞密切接触,使靶细胞裂解死亡。
(3)在特异性免疫中,接受抗原刺激的T细胞可产生淋巴因子。接受抗原刺激的B细胞,在淋巴因子的作用下增殖、分化为浆细胞,浆细胞产生抗体,参与体液免疫过程。
生物中学学习资料
生物中学学习资料
7.某同学一参加打扫卫生活动,就会打喷嚏、流鼻涕,甚至喘不过气来,离开现场后症状就消失。请回答下列相关问题:
(1)打喷嚏是一种防御性呼吸反射,其呼吸中枢主要位于_____,人体若要抑制打喷嚏必须受到________的调控。
(2)鼻黏膜中的某些组织或细胞感受到一定的外界刺激后,由________状态变为________状态,即产生了兴奋。兴奋以________的形式沿着神经纤维传导,兴奋在神经元间通过突触传递时会有一个短暂的延迟,原因是____________________需要一段时间。
(3)该同学的表现叫过敏反应,从免疫学原理来看,过敏反应是指_______________________时所发生的组织损伤或功能紊乱。
答案(1)脑干 大脑皮层(2)相对静止 显著活跃 电信号(或神经冲动,局部电流)神经递质的释放、扩散、与受体的结合(信号的转换)(3)已产生免疫的机体,当再次接受相同的抗原刺激
解析(1)人体的呼吸中枢位于脑干,人体若要抑制打喷嚏需要受到大脑皮层的调控。
(2)鼻黏膜中的组织或细胞感受到外界的刺激后,由相对静止状态变为显著活跃状态时即产生了兴奋,兴奋以电信号的形式沿着神经纤维传导,由于兴奋在不同神经元之间传递时要经过突触,而突触中神经递质的释放、扩散、与受体的结合发生信号转换需要一段时间,即由电信号转变为化学信号,再由化学信号转变为电信号,因而会出现一个短暂的延迟。
(3)过敏反应是指已产生免疫的机体,当再次接受相同的抗原刺激时所发生的组织损伤或功能紊乱。
某研究小组发现了胎盘生长因子抗体——PLGF抗体,该抗生物中学学习资料
生物中学学习资料
体与肿瘤内的胎盘生长因子结合,阻断了胎盘生长因子与毛细血管结合的通路,削减了对肿瘤的养分供给,癌细胞分裂速度减缓,低于免疫系统杀死癌细胞的速度,使肿瘤明显缩小。下列说法正确的是()A.人体内癌变的细胞不属于抗原
B.PLGF抗体的化学本质是蛋白质,其合成与分泌需多种细胞器的参与
C.癌细胞容易转移,是由于细胞表面的糖蛋白增多,细胞之间的润滑作用增强
D.该抗体与肿瘤内的胎盘生长因子结合属于细胞免疫 [错解] A [错因分析] 不知道抗原与抗体的化学本质和来源不同,误认为所有抗原都是外来物质。
[正解] B [解析] 人体内衰老和癌变的细胞也是抗原,A错误;抗体属于分泌蛋白,其合成与分泌需线粒体、核糖体,内质网和高尔基体等多种细胞器参与,B正确;癌细胞容易转移是由于细胞表面的糖蛋白减少,细胞之间的黏着性降低,C错;该抗体与肿瘤内的胎盘生长因子结合应属于体液免疫。
[心得体会] 生物中学学习资料
生物中学学习资料
基于混沌免疫聚类的异常检测算法 篇3
人工免疫系统是一种复杂的自适应系统,它需要不断吸收和消耗物质能量,属于耗散系统。免疫系统的非线性动力方程[1]为:
式(1)中Ag表示抗原,Ag(t)表示在t时刻抗原的浓度,k反映抗原的增值率,当抗原浓度达到最大Agmax时,抗原不再增殖。k′ 表示细胞死亡速率。
对式(1),初值Ag(0)=0.3,μ=k-k′取值从0-4,对μ和Ag作系统分岔图,如图1所示。由图1可以看出,当μ<3时,系统处于稳定状态,当μ>3时,系统出现分岔,随着μ的逐渐增大,当μ=3.7时,系统呈现一片混沌状态。
2 混沌免疫聚类算法
aiNet算法[2]实现免疫的过程主要是对生物免疫系统的抗原变异、克隆选择、网络抑制和亲和力成熟等生物机理进行模拟。aiNet算法存在诸多局限性问题:(1)基于学习的aiNet算法在对网络数据集合时,抗原与抗体、抗体与抗体之间的亲和度主要利用距离原则度量;(2)aiNet算法参数过多,导致参数选择过于敏感;(3)获得的结果是经过克隆和变异之后得到的免疫细胞集合,结果不足以完全表述原数据集的聚类效果;(4)aiNet算法对于边界模糊数据和高维数据来说,其聚类效果较差。
在分析人工免疫系统的混沌特性[3]及aiNet算法局限性的基础上,本文将混沌优化、相关度及模拟退火算法应用于aiNet算法中,提出一种改进的CO-aiNet算法。
这里采用有限区域折叠无限次的混沌模型来产生混沌变量,使其混沌特性更明显。一维混沌自映射[4]定义为:
其中,初始值不能为0,也不能为无穷多个不动点中的任意一个,不动点为的解。
权重矢量[5]定义:假设X群体中拥有m个个体,pn作为n维空间的矢量,每一维度都会与一个评判标准相对应,在某问题中的第i个成员关于n个评判标准得到的度量值为:vji,j=1,2....,n,vji≥0。将vi=v1i,v2j,...,vnj作为X群体中的第i个成员权重矢量,x =1,2....,m。
相关度[6]定义:假设一个群体中的每个个体权重矢量是独立存在的,并且不完全相同,将权重矢量vi和vj的相关度定义如下:
其中,1<p< ∞,1<q< ∞ ,,║║p作为矢量的p范数,║║q作为矢量的q范数:
模拟退火算法[7]属于物理学科中对固体退火进行模拟的一种过程,常用于数据优化中,模拟退火算法可以对算法优化方向进行控制,利用概率准则避免陷入局部极值。
基于模拟退火算法的特征,对aiNet算法进行改进,得到CO-aiNet免疫聚类算法,该算法描述如下:
(1)按照评判准则对群体进行权重矢量数据处理。
(2)初始化免疫网络数据集,选择式(2)产生的(0,1)间的N个混沌变量作为初始化网络数据集Abs,记作M 。
(3)对每个抗原Ag按照如下环节操作:(1) 计算相关度,得出抗原Ag与初始化网络数据集Abs中抗体的相关度,记作r(Vi,Vj);(2)从初始化网络数据集Abs中选择亲和度最高的p个抗体,将其作为临时抗体网络集t;(3)基于临时抗体网络集t进行克隆计算,得到被刺激抗体的克隆数量Nc;(4)基于临时抗体网络集t,通过模拟退火算法进行变异;(5)计算被刺激抗体的克隆数量Nc与抗原的相关度,记作r,将相关度较小的抗体删除;(6)基于临时抗体网络集t进行抑制操作,通过计算抗体之间的距离和度量公式对抗体之间的亲和度d进行定义,将超过阈值的抗体删除;(7)将抗原Ag添加到临时抗体网络集t中,再将临时抗体网络集t带入到M中,获得新的抗体网络集;(8)计算得出M中抗体与抗体之间的亲和度,将超过阈值的抗体删除。
(4)令k+1,判别迭代终止条件,将满足条件的作为抗体网络集输出,若满足k+1的条件,则转至(3)。
本文对aiNet算法进行了改进,主要体现在如下几个方面:(1)对权重矢量定义,将群体中的个体定义为具有n个维度属性的矢量,并按照相关准则给予矢量一定的权重,综合考虑不同属性在算法执行中的意义;(2)对相关度进行定义,改进了aiNet算法中抗原距离的度量公式,具有n个维度属性不能仅仅度量其距离,本算法利用相关度准则来度量距离;(3)选择变异概率,aiNet算法仅采用固定概率来操作变异,本算法提出利用模拟退火算法来操作变异,抗体变异概率会随着训练数量的增加而逐渐减少,降低了抗体网络的规模;(4) 综合考虑原始数据集的分布情况,增加了将抗原带入到抗体网络集的操作环节,明确了原始数据的分布情况;(5)当两个抗体之间的亲和度超过阈值时,抑制操作采用将后面抗体删除的后进先出操作方式。
对CO-aiNet免疫聚类算法进行理论分析:假设M中的最大抗体数量为m ,克隆临近抗体得到被刺激抗体的克隆数量Nc。将初始网络数据规模记作n,执行(3)中的8个操作环节,将其复杂度记作O(k×m),(3)的时间复杂度记作O(k×m×n),进化迭代临时抗体网络集t,得到整体算法的时间复杂度为O(k×m×n×t),m、n、t的取值均为可控数量级,尤其是m对于n来说是大规模网络群体中的小数量级。 因此,时间复杂度接近数量级O(n)的范围。
在上述公式中,群体X的两个权重矢量vi和vj的相关度r(Vi,Vj)均符合不等式公式(5):
证明过程:根据Holder公式推论得到xy ≤xp|p+yq|q成立,x ≥0,y≥0,且,当αti=βti=0时,结论成立。
当不完全等于0时,则有:
将αti和βtj带入以上定义式,证明公式(5)成立。
3 基于混沌免疫聚类的异常检测算法ICAD
根据混沌免疫聚类算法,使用聚类融合[8]方法将其应用于异常检测方面。
首先定义共识函数,采用异常因子方法判断划分好的聚簇属性,即该聚簇属于正常簇还是异常簇。
定义主聚簇:若C = (c1,c2,...,ck)为聚簇集合,存在|Ci|= max(|Cj|),1≤j≤k,则认为Ci为该集合中的主聚簇。其中|Ci|表示簇的大小。令ci为主聚簇Ci的聚类中心,ri为主聚簇的半径,则有ci=∑xj/|ci|,xj∈cj,ri= max(xj,ci),xj∈cj;其中xj,ci表示两个向量的欧氏距离。
定义异常聚簇:若存在一个聚簇,该聚簇中包含的对象数量小于设定的数量阈值,或聚类中心到主聚簇中心的距离大于距离阈值N ×ri(N为设定的常数),则认为该聚簇为异常聚簇。
定义正常聚簇:当一个聚簇不是异常聚簇且其协方差矩阵非奇异,则认为该聚簇为正常聚簇。
根据上述定义,即可定义异常因子。
异常因子:对于一个数据项xi,异常因子OF (xi)为:
其中cj为聚簇Cj的聚类中心,∑-1j为Cj的协方差矩阵的逆矩阵,L为正常聚簇的集合,xT表示向量的转置,异常因子表示属于异常聚类的对象,其异常因子无穷大;而对于其它聚簇中的对象,其异常因子为距离正常聚簇的最小马氏距离[9]。
在定义好共识函数后,即可使用混沌免疫聚类算法并结合聚类融合方法进行异常检测。ICAD算法流程如图2所示,步骤如下:(1)初始化数据集,设置混沌免疫聚簇算法参数,设置阈值区间[α,β]和融合次数k;(2)在区间[α,β]内随机生成阈值,使用混沌免疫聚簇算法对数据集进行聚类分析,获得聚簇集合C;(3)对聚簇集合C内的聚簇进行分类,标记异常聚簇和正常聚簇;(4)根据异常因子公式计算数据的异常因子并记录。异常聚簇内的对象均标记一次异常数据;(5)对数据的异常标记次数为q,若当前异常标记数与当前融合次数比大于设定的τ时,认为该数据为异常数据,放入异常数据集中;(6)若达到融合次数,则输出异常数据集中的数据,输出数据即为数据集中的异常数据。否则,返回(2)进行下一次聚簇融合。
根据不同的阈值不断进行混沌免疫聚类算法,根据聚簇分类对其标记,以此检测异常数据。这样,通过多次标记后仍被认为是异常数据的对象,则认为是数据集中的异常数据。这种方法可以很好的排除孤立点,或降低由于参数选择而被意外标记为异常数据的对象所带来的高误检率。
4 实验结果分析
检测率和误检率是衡量异常检测算法性能的两个指标,检测率是指被检测为异常数据占样本集中所有异常数据总数的比例;而误检率指被误检测为异常数据的正常数据占数据集中正常数据总数的比例。
算法实验采用KDD CUP 99 数据集[10]作为实验数据。该数据集为1998年麻省理工学院Lincoln实验室用于入侵检测模型评估而建立的测试数据集,它包含的异常数据分为4大类:DoS(拒绝服务攻击)、R2L(非法远程访问)、U2R(非法访问超级用户或根程序)和PROBE(威胁或扫描系统漏洞)。因此,该数据集适用于网络异常数据检测的实验数据。
在数据集中随机抽取5个数量为1 000的样本数据集,并使每个数据集中正常数据约占90%,异常数据约占10%。利用这些数据集进行实验,检测结果如表1所示。
通过表1可以看出,算法在异常检测上可以有效区别正常数据和攻击数据,具有较好的稳定性,对于网络入侵检测可行性高、检测效果明显。
为了更好地体现算法在网络入侵检测方面的优越性,从实验数据中选取单一攻击类型的样本数据进行检测,与aiNet聚类算法和常见K- Means聚类算法对比。选取DoS类型的数据样本neptune,U2R类型的数据样本buffer_overflow,R2L类型的样本数据guess_password和PROBE类型的数据样本portsweep,对这3种算法进行检测,图3为3种算法检测率对比,图4为3种算法误检率对比,实验结果如表2所示。
通过在4种不同数据集上对基于混沌免疫聚类的异常检测算法和基于aiNet聚类异常检测算法及基于KMeans聚类的异常检测算法的实验对比可知,本算法无论是检测率还是误检率都具有明显优势,算法应用于网络异常检测,可以保证检测的准确性。
5 结语
本文介绍了一种基于混沌免疫聚类的异常检测算法,算法主体以混沌免疫聚类对数据的分类检测为主,采用聚类融合的方法进行异常检测。在Matlab实验环境下进行仿真实验,结果表明:混沌免疫聚类算法比传统的aiNet算法在网络数据异常检测中准确性和收敛时间能力更好。结合聚类融合方法对网络数据异常检测的准确性和稳定性提高作用显著,具有良好的应用前景。
参考文献
[1]张楠.人工免疫系统的混沌机制及在网络入侵检测中的应用[D].成都:四川大学,2006.
[2]刘韬,王耀才,王致杰.一种基于人工免疫系统的聚类算法[J].计算机工程与应用,2004(19):182-184.
[3]JANEWAY JR C A.The immune system evolved to discriminate infectious nonself from noninfectious self[J].Immunology today,1992,13(1):11-16.
[4]MANNIE M D.Immunological self/nonself discrimination[J].Immunologic research,1999,19(1):65-87.
[5]杨东海.人工免疫模型集成与应用研究[D].广州:华南理工大学,2005.
[6]王炼红.人工免疫优化与分类算法及其应用研究[D].长沙:湖南大学,2009.
[7]TIMMIS J,KNIGHT T.Artificial immune systems:using the immune system as inspiration for data mining[J].Data Mining:A Heuristic Approach,2002(1):209-230.
[8]刘静,钟伟才,刘芳,等.免疫进化聚类算法[J].电子学报,2001,29(12A):1868-1871.
[9]黄学宇,魏娜,陶建锋.基于人工免疫聚类的异常检测算法[J].计算机工程,2010,36(1):166-169.
免疫异常 篇4
1 资料与方法
1.1 临床资料
选择2006年5月—2012年7月兰州大学第二医院低危MDS住院患者59例, 所有病例符合2008年WHO (世界卫生组织) 诊断与分型标准及国际预后积分系统 (IPSS) 危险度分层。ECOG体力状况评分在0~2分之间, 之前未曾使用沙利度胺及Cs A。治疗组 (A组) 采用沙利度胺联合环孢素A及强的松 (TCP方案) 治疗, 对照组 (B组) 采用Cs A单药治疗。A组29例, 男19例, 女10例, 中位年龄59.5岁, 其中RCUD型11例, RARS型2例, RCMD型16例;B组30例, 男21例, 女9例, 中位年龄58.5岁, 其中RCUD型12例, RARS型1例, RCMD型17例。
1.2 治疗方案
A组采用沙利度胺联合Cs A及强的松 (TCP方案) 治疗, 具体如下:沙利度胺50 mg/天×1周, 100 mg/天×1周, 若无不良反应递增至200 mg/天×10周。Cs A起始剂量为3 mg/kg/天, 口服, 两周后检测Cs A血药浓度, 根据血药浓度 (维持在100~400μg/L) 调节用药剂量, 服用12周, 有效者再以Cs A50~100 mg维持3个月。强的松20 mg/天×8周, 然后每周逐渐减量, 于第12周末停药。B组采用Cs A单药治疗, 剂量与疗程均同A组。所有患者在治疗期间不接受细胞生长因子及其他药物治疗, 若血红蛋白小于60 g/L时, 输注浓缩红细胞, 有出血倾向或血小板小于20×109/L时, 输注单采血小板, 有感染者给予抗生素治疗。
1.3 疗效及不良反应
根据张之南等的《血液病诊断及疗效标准》[4], 将疗效分为完全缓解 (CR) 、部分缓解 (PR) 、血液学改善 (HI) 及无缓解 (NR) , 将CR、PR及HI视为有效, NR视为无效。不良反应按美国NCI不良反应标准判定和分级。
1.4 血象、生化、染色体、基因及免疫学指标
治疗第1~2个月, 每周检查血象至少1次, 以后每两周检查1次, 并监测肝肾功能。治疗12周时复查骨髓涂片及活检, FISH检测染色体核型。分别在治疗前及治疗12周时采用ELISA法检测IFN-γ与IL-10水平, 并对治疗前后CD3+CD4+、CD3+CD8+、CD4+CD25+及CD3-CD19+细胞免疫表型变化进行比较。
1.5 统计学分析
采用SPSS11.5软件对数据进行处理, 组间比较采用t检验, 百分数采用χ2检验, P<0.05为差异有统计学意义。
2 结果
2.1 临床指标
治疗12周时, A组有效率72.41% (21/29) , 明显高于B组46.67% (14/30) , 两组比较, 差异有统计学意义 (P<0.05) 。随访3个月, A组中原17例依赖输血的患者有13例脱离输血 (76.47%) , B组原19例依赖输血的患者仅有9例脱离输血 (47.37%) , 两组比较, 差异有统计学意义 (P<0.05) 。两组患者均未出现3、4级血液学毒性。共有9例患者出现肝功能异常, 其中A组5例, B组4例;A组1例患者出现肾功能异常, B组0例。所有肝肾功能异常者停药或对症治疗后均好转。
2.2 免疫学指标
对59例患者中的23例 (A组13例为a组, B组10例为b组) 患者进行了治疗前后免疫学指标观察, 结果如下:a、b两组治疗后IFN-γ水平及CD3+CD4+、CD3+CD8+细胞均较治疗前明显降低 (P<0.05) ;a组治疗后IL-10水平及CD4+CD25+细胞较治疗前明显升高 (P<0.05) , 而b组虽有升高, 但差异无统计学意义 (P>0.05) 。两组治疗前后CD3-CD19+细胞变化比较, 差异无统计学意义 (P>0.05) 。详见表1~2。
注:与治疗前比较, *P<0.05
注:与治疗前比较, *P<0.05
3 讨论
MDS的治疗十分棘手, 目前的治疗方案多为单一药物治疗, 且效果较差。因此, 研究进一步改善MDS疗效的方法十分重要。去甲基化药物 (阿扎胞苷和地西他滨) 已被FDA (美国食品与药品监督管理局) 批准在MDS中进行临床实验, 因治疗效果欠佳未能在临床推广应用[5]。研究表明, 血管新生在MDS的发生过程中起着不容忽视的作用, MDS患者多种血管正调节因子如血管内皮生长因子 (VEGF) 、碱性成纤维生长因子、肝细胞生长因子和骨髓微血管密度等明显高于正常人, 说明骨髓异常克隆细胞的增殖由增多的血液供应来支持[6,7]。沙利度胺又称反应停, 在历史上是有争议的药物, 20世纪50年代末和60年代初被广泛用于镇静和止吐, 后发现其有很强的致畸作用而被禁用。近年来, 在动物及体外和体内实验发现, 沙利度胺能抑制血管生成, 从而具有抗肿瘤的作用, 因此逐渐受到人们的重视。单用沙利度胺在原发性骨髓纤维化 (PMF) 治疗中取得了40%~60%的有效率, 但在MDS治疗中疗效甚微, 沙利度胺联合用药能否提高MDS疗效未见相关报道。随着对MDS免疫发病机制的研究, 认为MDS早期以免疫亢进为主, 有人应用Cs A来治疗低危MDS取得了30%~50%左右的有效率[3], 认为Cs A能有效阻止Th1细胞亚群的激活及由Th1细胞亚群分泌的IFN-γ和由Th2细胞亚群分泌的TNF-α的产生, 同时阻止Fas等其他途径介导的造血干细胞过早凋亡, 并刺激正常残存造血干/组细胞和 (或) 改变病态造血的造血效率。鉴于MDS复杂的免疫发病机制及较高的白血病转化率, 我们应用沙利度胺联合Cs A及强的松 (TCP方案) , 通过免疫调节和恢复平衡, 期望在MDS治疗中发挥作用。
本临床实验选用TCP方案治疗29例MDS患者, 取得了72.41%的总有效率, 明显高于单用Cs A组 (46.67%) , 两组比较, 差异有统计学意义 (P<0.05) , 值得进一步研究和推广。这一结果比最近报道的应用沙利度胺和强的松治疗50例MDS患者的效果要好 (35.00%) [8]。本研究发现, 细胞免疫指标的变化与疗效存在一定关系, IFN-γ水平及CD3+CD4+、CD3+CD8+细胞在TCP或Cs A治疗后均较治疗前明显降低 (P<0.05) , 与国外报道Cs A能显著抑制低危MDS的异常免疫相一致, 提示控制免疫亢进能有效缓解疾病。a、b两组IL-10水平及CD4+CD25+细胞在治疗前均处于较低水平, 与多数报道相一致, 经治疗后, a组IL-10水平及CD4+CD25+细胞明显增高 (P<0.05) , 而b组虽有升高, 但治疗前后比较, 差异无统计学意义 (P>0.05) , 说明TCP方案具有更好的免疫调节与恢复免疫平衡作用。有证据表明, 沙利度胺可通过抑制NFκ-B活性, 从而抑制Treg (CD4+CD25+T细胞) 的分化和减少细胞因子 (主要为IL-10) 分泌, 增强NK细胞活性, 在抗肿瘤效应中发挥重要作用[9]。而在该临床实验中显示, 治疗后a组患者IL-10水平及CD4+CD25+细胞较治疗前明显增高 (P<0.05) , 具体机制尚需进一步研究。TCP方案可能是通过对T细胞亚群的免疫调节作用, 在治疗MDS中获得良效。本实验中有超过一半的患者在实验之前就已经接受过各种治疗, 本结果表明, 无论初治或复治低危MDS, TCP治疗效果比较, 无显著性差异 (P>0.05) , 说明TCP方案仍能让初治或复治低危MDS患者获益。
有报道ATG (抗甲状腺球蛋白抗体) 在治疗MDS的Ⅱ期临床实验中, 1/3的患者可脱离输血, 其中难治性贫血 (RA) 50%有效 (脱离输血) 。美国NIH (美国国立卫生研究院) 使用ATG治疗129例MDS (含ATG+Cs A) , 30%得到缓解并脱离输血。本实验中A组依赖输血的患者脱离输血的达到76.47%, 而B组脱离输血的仅为47.37%, 有必要进一步对TCP方案进行深入研究。
无论采用TCP方案或单用Cs A治疗MDS, 均未观察到严重的毒副作用, 共出现9例肝功能异常及1例肾功能异常, 停药或对症治疗后全部好转。在TCP治疗12周时, 评价为有效的患者中, 15例患者 (71.43%) 又坚持完成了进一步的3个月维持治疗, 与单用Cs A相比, TCP方案并未增加患者血液学及非血液学毒性。
综上所述, TCP方案治疗低危MDS有效、安全, 毒副作用小, 值得临床进一步深入研究。
参考文献
[1]Peter L, Greenberg H T, Julie Schanz G S, et al.Revised International Prognostic Scoring System for Myelodysplastic Syndromes[J].Blood, 2012, 120 (12) :2454-2465.
[2]Greenberg P L.Molecular and genetic features of myelodysplastic syndromes[J].Int J Lab Hematol, 2012, 34 (3) :215-222.
[3]Ades L, Fenaux P.Immunomodulating drugs in myelodysplastic syndromes[J].Hematology Am Soc Hematol Educ Program, 2011 (11) :556-560.
[4]张之南, 沈悌.血液病诊断及疗效标准[M].3版.北京:科学出版社, 2007.
[5]Visser O, Trama A, Maynadie M, et al.Incidence survival and prevalence of myeloid malignancies in Europe[J].Eur J Cancer, 2012, 48 (17) :3257-3266.
[6]Cazzola M.Risk assessment in myelodysplastic syndromes and myelodysplastic/myeloproliferative neoplasms[J].Haematologica, 2011, 96 (3) :349-352.
[7]Medinger M, Skoda R, Gratwohl A, et al.Angiogenesis and vascular endothelial growth factor/receptor expression in myeloproliferative neoplasms:correlation with clinical parameters and JAK2-V617F mutational status[J].Br J Haematol, 2009, 146 (2) :150-157.
[8]Thapaliya P, Tefferi A, Pardanani A, et al.International working group for myelofibrosis research and treatment response assessment and longterm follow-up of 50 myelofibrosis patients treated with thalidomide-prednisone based regimens[J].Am J Hematol, 2011, 86 (1) :96-98.