سیستم های ایمنی مصنوعی

سیستم های ایمنی مصنوعی – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه کامپیوتر

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

www.irantarjomeh.com

سیستم های ایمنی مصنوعی

چکیده

مطالعه سیستم های ایمنی مصنوعی (AIS) شامل توسعه ایده ها و مفاهیم محاسباتی سیستم ایمنی طبیعی می باشد. شایع ترین و حساس ترین کاربرد این سیستم ها را می توان در تشخیص ویروس ها و به طور کلی برنامه های متجاوز در یک سیستم مستقل یا یک شبکه ذکر کرد. با توجه به رشد فزاینده داده ها، شاهد ظهور سیستم های  گوناگون با قابلیت اتصال پذیری و ارتباطات جهانی، همراه با دیگر رشته های کاربردی سیستم های ایمنی مصنوعی می باشیم.

کلمات کلیدی: شبکه ایمنی مصنوعی، الگوریتم های ایمنی مصنوعی، شبکه های ایمن

۱- مقدمه و تعاریف

ارائه یک تعریف اساسی در زمینه سیستم ایمنی مصنوعی مشکل می باشد. می توان این گونه اذعان داشت که این سیستم به عنوان مدل سیستم ایمنی طبیعی به شمار می آید و قابلیت بهره برداری از آن بوسیله متخصصین ایمن شناسی جهت تشریح، بررسی و پیش بینی فعالیت های مرتبط در این زمینه وجود دارد – موردی که همچنین می توان تحت عنوان ایمن شناسی محاسباتی از آن نام برد. تعریف دیگر آن است که یک AIS به عنوان یک مفهوم تجریدی فرآیند ایمن شناسی مدنظر است که سبب محافظت از مخلوقات (انسان ها و حیوانات) در برابر مهاجمین از طریق کاربرد مصالح خارجی می گردد که می توان آن را به عنوان یک ایده مفید برای رشته علوم کامپیوتر و آنچه در این مبحث مدنظر است مورد بررسی قرار داد.

موضوع سیستم های ایمنی مصنوعی به طور کلی نشات گرفته از سیستم ایمنی طبیعی می باشد. از این رو عبارات تعریف شده ذیل برای خواندن روان و سلیس این مقاله لازم می باشد.

آنتی بادی (Antibody) – یک پروتئین ایمنی خاص که به واسطه هجوم یا تزریق مواد خارجی به داخل بدن تولید می شود.

آنامولی /  آنتی ژن (Anomaly / Antigen) – یک ماده خارجی که به عنوان تزریق در بدن سبب تحریک و تولید آنتی بادی ها می شود. آنتی ژن ها می توانند شامل سموم، باکتری ها، سلول های خونی خارجی و سلول های ارگان های پیوندی باشند.

T-cell – نوع خاصی از سلول خونی سفید که از اهمیت  ویژه ای  در  سیستم  ایمنی  برخوردار  می باشد. بر این مبنا این مورد را که قابلیت تشخیص آنتی ژن ها را دارد تحت عنوان گیرنده های سلول – T ((T-cell-receptors (TCR) می خوانند. به طور معمولی این گیرنده های T-cell انطباقی با خود مواد داخل بدن نخواهند داشت.

B-cell  –  نوعی  از سلول خونی سفید و علی الخصوص نوع مرتبط با  لنفوسیت.   B-cell   یا    B-lymphocyte یک سلول مهم مرتبط با ایمنی شناسی به شمار می آید.

سلول های خام (Naive cells) –سلول های بالغی که قبلا دارای تماس با آنتی ژن ها بوده اند.

تکثیر (Proliferation) – رشد و افزایش در تعداد به صورت سریع. به طور مثال این مورد در ارتباط با سلول ها مشخص کننده تقسیم و جهش سریع سلولی می باشد.

کراس اور (Crossover) – این حالت در حقیقت به عنوان یک تبادل ژنتیکی مواد بین دو کروموزم جفت به حساب می آید. این مورد به عنوان روشی جهت ترکیب مجدد ماده ژنتیک به شمار می آید به گونه ای که هر شخص (به غیر از دوقلوهای یکسان) به صورت ژنتیکی منحصر به فرد مطرح است.

در الگوریتم های ژنی، کراس اور به عنوان یک اپراتور ژنی به شمار می آید که برای تغییر برنامه نویسی کروموزم ها از یک نسل به نسل دیگر به کار گرفته می شود. این مورد در حقیقت به عنوان یک تمثیل قیاسی برای حالت کراس اور بیولوژیکی است که در بالا ذکر شد.

فضای ژنتیک (genetic representation) – روش مشخص نمودن راه حل ها / اشخاص در روش های محاسباتی تکاملی. فضای ژنتیک قابلیت کد کردن وضعیت ظاهری، رفتار و کیفیت های فیزیکی اشخاص را خواهد داشت.

…

این مقاله ارائه دهنده یک مبحث مقدماتی و دیدگاه کلی در زمینه سیستم های ایمنی مصنوعی  می باشد. پس از مشخص نمودن تعاریف، انواع استاندارد AIS، که به عنوان انتخاب معکوس به شمار می آیند، انتخاب کلونی  و شبکه های ایمنی مورد بررسی قرار می گیرند. بعلاوه، انواع استانداردهای الگوریتم ژنتیک و تئوری خطر (Danger Theory) ارائه خواهد شد. پس از آن لیستی از مثال ها و علم به روز رسانی سیستم های ایمنی مصنوعی ارائه می گردد تا آنکه درک بهتری در خصوص کاربردهای آنها حاصل شود. در نهایت یک AIS برای تشخیص ویروس ارائه می گردد که به وسیله Stephen A. Hofmeyr  و Stephanie Forrest توسعه یافته و جزئیات آن بتفصیل عرضه می گردد.

سیستم های ایمنی مصنوعی

۲- الگوریتم های ایمنی مصنوعی

این بخش بتفصیل تشریح کننده شایع ترین الگوریتم های ایمنی مصنوعی می باشد.

الف. انتخاب معکوس

Forrest و همکاران در مقاله ذکر شده (مرجع ۲) الگوریتمی را ارائه نمودند که بر مبنای اصل انتخاب معکوس بیولوژیکی می باشد. این الگوریتم جهت تشخیص ناهنجاری ها در یک سری از رشته هایی ایجاد شده است که قابلیت تغییر در مجموع مقابله ای، طول و موارد دیگر را خواهد داشت، و  بوسیله برنامه های مخرب همانند ویروس استفاده می شود. در دنیای واقعی این رشته ها به عنوان یک برنامه کاربردی، برخی از داده ها یا هر بخش یک سیستم کامپیوتری ذخیره شده در حافظه به شمار می آیند.

در ابتدا تشخیص گرها را می بایست ایجاد نمود که در شکل ۱ نشان داده شده اند. این مورد در پروسه ای تحت عنوان سانسورینگ (censoring) انجام می شود و برای این کار رشته محافظت شده به زیر رشته هایی تقسیم می گردد که تولید کننده مجموعه S از خود (زیر) رشته ها می باشد. در مرحله بعدی، یک مجموعه R₀ از رشته های تصادفی تولید می شود. آن دسته از رشته های ایجاد شده تصادفی که دارای انطباق خودی هستند حذف می گردند، آن دسته از مواردی که دارای هیچ گونه انطباقی با رشته های S نمی باشند نیز به عنوان عضو مجموعه تشخیصی  R  در نظر گرفته می شوند – که همچنین تحت عنوان مجموعه (repertoire) نیز خوانده می شوند. پس از تولید این مجموعه فاز نظارت را می توان آغاز نمود که برای آن انطباق پیوسته رشته ها از S در برابر رشته های حاصل آمده از R اعمال می گردد. در این مقاله، رشته ها به ترتیبی که از این انطباق ایجاد شده اند انتخاب می شوند.

ب. انتخاب کلونی

الگوریتم انتخاب کلونی بر مبنای مکانیزم B-cell طبیعی مدل سازی شده است. سلول های – B نابالغ یا خام در خون و ارگان های لنفاوی به گردش می پردازند. به هنگامی که گیرنده های این سلولها در انطباق با یک آنتی ژن باشند، آنها به سرعت تکثیر شده و سریعا تغییر می یابند تا آنکه انطباق بهتری را حاصل نمایند. آن دسته از B-cell  هایی که دارای انطباق بهتری هستند مجددا تکثیر شده و بدین ترتیب B-cell  های دارای بهترین انطباق ایجاد می شوند. این فرآیند در شکل ۲ نشان داده شده است. De Castro در مقاله خود ذکر شده در مرجع ۳ الگوریتمی تحت عنوان CLONALG را ارائه نموده است که بر مبنای انتخاب کلونی طبیعی است، که در آن موارد ذیل بحساب آورده شده اند: حفظ یک مجموعه خاص حافظه، انتخاب و کلونی سازی غالب آنتی بادی های تحریک شده، از بین رفتن آنتی بادی های غیر تحریکی، بلوغ میل ترکیبی و انتخاب مجدد کلون ها در تناسب با میل ترکیبی آنتی ژنی و ایجاد و حفظ تنوع.

ج. الگوریتم ژنتیک ایمن

این الگوریتم بر مبنای الگوریتم ژنی می باشد که به عنوان یک تکنیک جستجو مطرح بوده و در محاسبات جهت یافتن راه حل های درست یا تقریبا درست جهت بهینه سازی مشکلات جستجو به کار گرفته می شود. آنها را می توان به عنوان سیستم های ابتکاری جستجوی عمومی ذکر نمود. الگوریتم های ژنی به عنوان یک سیستم شبیه ساز کامپیوتری اجرا می شوند که در آن جمعیتی از شاخص های تجریدی (کروموزم ها) مرتبط با راه حل های کاندید (افراد یا مخلوقات)، در امر بهینه سازی مشکلات و بهتر سازی راه حل ها مشارکت می نمایند. الگوریتم ژنی معمولی در ابتدا یک شاخص یا فضای ژنتیکی در حوزه راه حل مربوطه را طلب نموده و متعاقبا نیازمند یک تابع برازندگی برای ارزیابی آن حوزه می باشد. فضای استاندارد این راه حل یک آرایه- بیتی (bit-array) می باشد. تابع برازندگی غالبا وابسته به مشکل است و در خصوص شاخص ژنی تعریف گردیده و قابلیت برآورد کیفیت راه حل شاخص را خواهد داشت. به هنگامی که ما اقدام به تعریف شاخص ژنی و تابع برازندگی نمودیم، الگوریتم ژنی قابلیت ارائه جمعیتی از راه حل ها به صورت تصادفی را خواهد داشت، بر این مبنا می توان نسبت به ارتقای مشکل از طریق کاربرد تکراری راه حل ها و سیستم های  جهشی، کراس اور و اپراتورهای انتخاب اقدام نمود. مشکل مرتبط با این الگوریتم آن است که این سیستم دارای قابلیت خوبی در زمینه جستجوی کلی می باشد اما از قابلیت متناسبی در خصوص جستجوی محلی که در آن کروموزم ها به سرعت کاهش می یابند برخوردار نمی باشد (۴).

د. الگوریتم ایمن بر مبنای شبکه ایمن

یک شبکه ایمن مصنوعی در حقیقت یک مدل رایانشی القا شده زیستی می باشد که از ایده ها و مفاهیم تئوری شبکه ایمنی و عمدتا تعامل بین B-cells و فرآیند کلونی استفاده می نماید. یک شبکه ایمن مصنوعی به عنوان آنتی ژن های ورودی دریافت شده و به عنوان شبکه ایمن متشکل از مجموعه ای از B-cells و پیوندهای بین آنها بازگشت داده می شود.

تئوری شبکه ایمن به وسیله Jerne (مرجع ۶) و به عنوان روشی جهت تشریح قابلیت های حافظه و فراگیری که در سیستم ایمنی نهفته است مطرح شد. فرضیه اصلی این تئوری مشخص کننده آن است که حافظه ایمنی به وسیله تعاملات بین B-cells، حتی در غیاب آنتی ژن های خارجی، اعمال می شود. این تعاملات یا به صورت تحریکی و یا به صورت بازداشتی خواهد بود. تولید یک آنتی بادی مشخص سبب تحریک و تولید دیگر آنتی بادی ها می گردد و این رویه همچنان تداوم خواهد یافت. آنتی ژن ها نسبت به مشخص نمودن آن دسته از مولکول هایی که سلول های ایمنی قابلیت شناسایی آنها را دارند اقدام می نماید و بنابراین لازم است تا قابلیت تمایز بین خود- آنتی ژن ها (آنتی بادی ها) و غیرخود- آنتی ژن ها وجود داشته باشد. بر این مبنا برحسب ایده پیشنهادی Jerne،  بخشی از سطح آنتی ژن که به وسیله آنتی بادی قابل شناسایی است و تحت عنوان اپی توپ (epitope) خوانده می شود، همچنین پروتئینی که به وسیله یک آنتی بادی جهت شناسایی آنتی ژن ها مورد استفاده قرار می گیرد تحت عنوان پاراتوپ (paratope) شناخته شده و اپی توپ یک آنتی بادی نیز تحت عنوان ایدیوتوپ (idiotope) خوانده می شود. بر مبنای تحقیقات Jerne برخی از مدل های شبکه ایمنی با استفاده از معادلات دیفرانسیل توسعه یافته اند تا آنکه قابلیت تشخیص تراکم / غلظت آنتی بادی در طی و پس از یک واکنش ایمنی وجود داشته باشد.

ه. تئوری خطر

این تئوری یک تکنیک نوظهور سیستم ایمنی مصنوعی بر مبنای چکیده ای از تئوری خطر ماتزینگر (Matzinger)  (۹) می باشد. تئوری خطر بدین علت در اینجا ذکر می شود که می توان آن را به عنوان یک جایگزین یا مورد الحاقی متمایز با رشد فزاینده برای انتخاب معکوس در نظر گرفت. ایمنی شناسی کلاسیک مشخص کننده آن است که یک واکنش ایمن به هنگامی آغاز خواهد شد که بدن با چیزی روبرو شود که اصطلاحا به عنوان بخش خودی تلقی نمی شود اما با این حال کاملا مشخص نیست که چگونه باید تمایز بین بخش خودی و غیر خودی را ایجاد نمود. اما در عین حال این موضوع مشخص شده است که فرآیند بلوغ نقش مهمی را در زمینه حصول خود – تحملی از طریق حذف آن دسته از سلول های B-cell  و  T-cell که در برابر  مواردی خودی واکنش داشته اند را دارا می باشد. بعلاوه یک سیگنال ثانویه نیز جهت آغاز یک واکنش ایمنی مورد نیاز خواهد بود. ماتزینگر خاطر نشان ساخت که می بایست تمایزاتی بین موارد خودی و غیر خودی وجود داشته باشد، به طور مثال، هیچ گونه واکنش ایمنی برای باکتری خارجی که در خون یا هوا موجود است وجود ندارد (جهت کسب اطلاعات بیشتر به مراجع ۹ و ۱۰ رجوع کنید). ماتزینگر خاطر نشان می سازد که تئوری خطر ارائه دهنده برچسب های جدیدی نیست، بلکه راهی جهت فرار مشکلات معنایی با توجه به موارد خودی و غیر خودی می باشد و بر این مبنا می توانیم مراقب موارد غیر خودی اما بی ضرر و همچنین موارد خودی اما دارای ضرر باشیم. شکل ۵ نشان دهنده آن است که چگونه یک واکنش ایمنی در تئوری خطر کار می نماید.

سیستم های ایمنی مصنوعی

۳- کاربردهای سیستم های ایمنی مصنوعی

الف. تشخیص حالت بی قاعدگی

علاوه بر امنیت کامپیوتر، تشخیص موارد ناهنجار یا بی قاعده یکی از شایع ترین کاربردهای مرتبط با سیستم های ایمنی مصنوعی می باشد. بر این مبنا تعداد زیادی از الگوریتم ها بر مبنای سیستم ایمنی طبیعی مدل سازی شده اند. بخش شایعی از تشخیص بی قاعدگی تشخیص ویروس می باشد که از الگوریتم انتخاب معکوس که در II-A تشریح شده است استفاده می نماید.

برای توزیع مثال های کاربردی لطفا زیر بخش بعدی در خصوص امنیت کامپیوتر را مطالعه نمایید.

ب. امنیت کامپیوتر

بیشترین نواحی کاربردی شایع برای سیستم های ایمنی مصنوعی امنیت کامپیوتر، به طور مثال تشخیص ویروس و اسبهای تروا (trojan ) می باشد. یکی از مثال های مرتبط در مرجع ۱۳ به وسیله Forrest ارائه شده است که از الگوریتم انتخاب معکوس جهت شناسایی داده های آلوده در یک سیستم استفاده می نماید.

در این حالت، در صورتی که داده های محافظت شده تغییر یابند (همانند تغییر مستندات) این الگوریتم قابلیت شناسایی آن را خواهد داشت که ممکن است به وسیله یک ویروس آلوده شده باشند. در حقیقت شایع ترین روش جهت تشخیص ویروس ها استفاده از رشته های امضاء می باشد همانند رشته ۱۶-B که قابلیت تشخیص در حدود ۵/۹۹ درصد را خواهد داشت. مشکل مطرح شده در اینجا آن است که این رشته های امضاء به سختی ایجاد می شوند چرا که تنها برخی از ترکیبات ۲۵۶^۱۶ = ۳٫۴ _ ۱۰^۳۸ قابلیت شناسایی ویروس ها را خواهند داشت. و حتی در صورتی که این امر امکان داشته باشد تا اقدام به ایجاد یکی از رشته ها در هر میکروثانیه نماییم، حدود ۱٫۰۸ _ ۱۰^۲۵ سال طول خواهد کشید تا بتوانیم کلیه آنها را ایجاد کنیم. بنابراین با توجه به نرخ رشد بالای ویروس ها و تروا های جدید در اینجا نیاز به الگوریتم های تشخیصی جدید احساس می شود. در این زمینه الگوریتم انتخاب معکوس (به II-A رجوع شود) و الگوریتم انتخاب کلونی (به II-B رجوع شود) جزء شایع ترین الگوریتم ها به شمار می آیند. بخش ۴ معرف یک مثال سیستمی از Stephen A. Hofmeyr  و Stephanie Forrest (13) جهت تشخیص ویروس با استفاده از سیستم ایمنی مصنوعی و با بهره گیری از انتخاب معکوس در مقایسه با تئوری خطر می باشد.

ج. تشخیص خطا

تشخیص خطا به معنای تشخیص موارد عملکرد معیوب و نادرست در یک سیستم مستقل یا در یک شبکه می باشد، همانند یک شبکه حسگر یا شبکه کلاینت / سرور و موارد دیگر. در این زمینه، حصول انتخاب معکوس و تئوری شبکه ایمنی شایع تلقی می شوند. سیستم های مرتبط در اینجا تشخیص خطا در شبکه های حسگر از Kayama (14) یا مدل فراگیری از Chen (15) می باشد. در سیستم Chen ورودی آنتی ژن ها به عنوان کد خود الگویی (اولین نوع آنتی ژن ها) و کد غیر خود الگویی (نوع دوم آنتی ژن ها) طبقه بندی شده است. اولین نوع آنتی ژن ها جهت تولید آنتی بادی های اولیه به صورت تصادفی بر مبنای اصل انتخاب معکوس ایجاد شده اند. نوع دوم آنتی ژن ها به عنوان راهنمای فراگیری سیستم ایمنی مد نظر می باشند (۱۵).

د. بهینه سازی و فراگیری

همان گونه که قبلا در II-B ذکر شد، الگوریتم انتخاب کلونی به عنوان بخشی از الگوریتم فراگیری به شمار می آید که علت آن نیز حالت تخصصی B-cells با توجه به هر آلودگی است. بر این مبنا سیستم این موضوع را فرا می گیرد که از یک حالت تخصصی بیشتری بهره مند گردد. به طور مثال Chun (17) اقدام به بهینه سازی شکل های خارجی ابزاره های الکترومغناطیسی و پارامترهای سنکرون موتورهای الکتریکی بر مبنای الگوریتم ژنی ایمنی، همراه با انتخاب کلونی، نموده است (به II-C رجوع شود). De Castro و Zuben  نیز در مرجع ۱۸ دیدگاهی را ارائه داشته اند که با استفاده از الگوریتم کلونی قابلیت ارتقای بردار وزن اولیه را خواهد داشت که جهت نظارت بر فراگیری شبکه های عصبی از آن استفاده می شود (همچنین به II-D رجوع شود). این مورد دارای تاثیر زیادی بر روی سرعت فراگیری و البته کیفیت راه حل خواهد داشت.

ه. داده کاوی

داده کاوی به عنوان فرآیند جستجوی اتوماتیک حجم های زیادی از داده ها با توجه به الگوهای مرتبط و با استفاده از ادوات خاص نظیر طبقه بندی، قواعد مرتبط با داده کاوی و  خوشه بندی  داده ها مد نظر می باشد. T. Knight و J. Timmis در مرجع ۱۹ یک دیدگاه ایمن شناسانه را در زمینه داده کاوی ارائه نمودند که از انتخاب کلونی استفاده می نماید. الگوریتم آنها، تحت عنوان AINE (شبکه ایمنی مصنوعی) خوانده می شود و برای اکتشاف الگو و طبقه بندی داده ها استفاده می گردد. AINE از شبکه های B-cells استفاده می نماید که می توان آن را به وسیله ARB که در تئوری فضای شکل مشخص شده است نشان داد (۲۰). برای اطلاعات بیشتر در زمینه AINE به مراجع ۱۹ و ۲۱ رجوع کنید.

سیستم های ایمنی مصنوعی

۴- یک سیستم ایمنی مصنوعی برای تشخیص ویروس

Stephen A. Hofmeyr  و Stephanie Forrest در مرجع ۱۳ برای محافظت از یک سیستم در برابر حملات خارجی اقدام به ارائه سیستم ایمنی مصنوعی نمودند. آنها سیستم ایمنی طبیعی را به عنوان مثالی برای توسعه سیستم خود برگزیدند- بر این مبنا آنها اقدام به نگاشت ایمنی شناسی طبیعی در محاسبات خود کردند.

الف. نگاشت ایمن شناسی طبیعی به محاسبات

در سیستم ایمنی طبیعی، تعداد بسیاری از انواع سلول ها و مولکول ها همانند لنفوسیت ها، کلان خوارها، سلولهای کشنده طبیعی، سلول های داندریتی و سلول های بسیار دیگری وجود دارند. برای این نوع از سیستم ایمنی مصنوعی می توان از نوعی از سلول تشخیص گر ابتدایی بهره گرفت که مهمترین خواص مرتبط با سلول های مختلف را در بردارد و از این طریق حالت های متفاوت را دارا می باشد.

ب. مکانیزم های فراگیری

از جمله دیگر مکانیزم های فراگیری، به غیر از انتخاب معکوس و بلوغ سلول های خام در سلول های حافظه، بلوغ به هم پیوستگی یا میل ترکیبی می باشد. در ساده ترین شکل آن، تشخیص گرها با یکدیگر برای پاکت های غیر خودی به رقابت می پردازند. بنابراین در صورتی که دو تشخیص گر به صورت همزمان دارای انطباق با پاکت مشابهی باشند، تشخیص گری که از نزدیکترین انطباق برخوردار باشد برنده خواهد بود. بدین روش، فشار بیشتری جهت مشخص نمودن تمایزات دقیق تر بین موارد خودی و غیر خودی وجود دارد که ممکن است سبب ممانعت از واکنش های خود ایمنی شود. تشخیص گرهایی که موفق گردند قابلیت تکثیر خود را خواهند داشت که بدان معنا می باشد که آنها اقدام به کپی خود و مهاجرت به کامپیوترهای دیگر می نمایند.

ج. نتایج

AIS تشریح شده فوق بر روی یک زیر شبکه موجود در دانشگاه مکزیکو پیاده سازی و اجرا گردید که این شبکه متشکل از ۵۰ دستگاه و یک بخش سوییچ شده بوده است. نتایج با استفاده از ۱۰۰ تشخیص گر در هر میزبان و با احتساب طول انطباق ۱۲ و ۴۹ بیتی تشخیص گرها مشخص شده است (۱۳). رویه آزمایش: مجموعه داده ای خودی و غیر خودی برای این آزمایش به کار گرفته شد. مجموعه خودی شامل ترافیک معمولی می باشد که در طی بازه زمانی آزمایش در خلال  ۵۰ روز جمع آوری گردید. مجموعه غیر خودی شامل ترافیکی می باشد که در طی فعالیت ناخوانده ایجاد شده است. بدون استفاده از هم محرک ها و فعال سازی آستانه ای، نرخ مثبت کاذب ۹۴ درصد بوده است. پس از فعال سازی آستانه ای میزان مثبت کاذب به حدود ۸ درصد افت نموده و پس از کاربرد هم تهییجی این میزان به ۵ درصد تقلیل یافت. هر یک از این اخطارهای اشتباه شامل مجموعه کوچکی از پاکت های غیر عادی می باشند. بنابراین، این میزان در مقایسه با سیستم های مدرن مورد استفاده کاملا مطلوب می باشد. مجموعه غیر خودی شامل ۵ رخداد ناخوانده همراه با ۷ مورد ثبت شده درست از رخدادهای حقیقی می باشد و یک رخداد نیز به صورت حملات شبیه سازی شده از موقعیت های مختلف گزارش گردید. نتیجه این آزمایش بدین صورت مشخص گردید که ۷ مورد از ۸ حادثه به صورت صحیح تشخیص داده شده است.

­­­­­­­­­­

د. دیدگاه دیگر با استفاده از تئوری خطر

مشکل سیستم تشریح شده فوق آن است که یک واکنش ایمنی نیازمند نوعی آلودگی می باشد که فراتر از یک سطح آستانه مشخص است، اما از طرف دیگر بدین طریق، اپراتور ممکن است هشدارهای کمتری را دریافت دارد، که برای یک سیستم خودکار چندان مفید نخواهد بود. علاوه بر این برای چنین سیستمی، لازم است تا اقدام به تعریف موارد خودی و غیر خودی  شود که غالبا چندان دقیق و مشخص نمی باشند.

سیستم های ایمنی مصنوعی

۵- نتیجه گیری

این مقاله نشان دهنده آن می باشد که اصول سیستم های ایمنی مصنوعی کاملا پیچیده بوده و نزدیک به سیستم ایمنی طبیعی می باشد. با توجه به سیستم ایمنی طبیعی هنوز سوالات بسیاری بدون جواب باقی مانده اند که به واسطه پیچیدگی این سیستم بوده که ممکن است از توسعه سیستم های ایمنی مصنوعی جلوگیری نمایند. در مقایسه با این مورد، به طور مثال شبکه های طبیعی یا الگوریتم ژنی، دیدگاه های سیستم ایمنی مصنوعی مختلف، مدل ها و الگوریتم ها برای سیستم های کاربردی مختلف، در خلال ۱۵ سال اخیر طراحی شده اند. بنابراین هنوز یک سیستم مطلوب راهنمای طراحی و تحلیلی استاندارد در این خصوص وجود ندارد.

علیرغم این موضوع، این رشته از علوم ارائه دهنده فرصت های جدیدی جهت تعامل با مشکلات مختلف می باشد، به طور مثال در  زمینه جستجو و امنیت، که خود مدیون رشد فزاینده فناوری است. البته مقاله جاری چندان به طور عمیق خود را غوطه ور در این مسایل ننموده بلکه در مقابل یک نگرش سطحی را در خصوص روش های مدرن و جدید در این مقوله ارائه نموده است.