Современные иммунологические модели и их приложения

Аннотация

Рассмотрены основные модели и алгоритмы искусственных иммунных систем, которые по своей парадигме близки к эволюционным вычислениям и используются при поиске потенциальных решений, каждое из которых представлено искусственным лимфоцитом. При этом также, как особь в эволюционных вычислениях, искусственный лимфоцит кодируется чаще всего двоичной строкой или вектором вещественных чисел. Среди основных моделей искусственных иммунных систем алгоритм клонального отбора близок к эволюционной стратегии эволюционных вычислений, но использует более мощные операторы мутации и применяется в основном для решения задач численной и комбинаторной оптимизации. Алгоритм отрицательного отбора, основанный на принципе распознавания "свой"-"чужой" в иммунной системе, наиболее популярен в приложениях. Приведены два аспекта алгоритма: 1) базовая концепция --- использование дополнения множества "своих" клеток; 2) цель --- научиться различать клетки "свой"-"чужой", в то время как доступны только образцы "своих" клеток. Рассмотрены непрерывные и дискретные сетевые модели, представляющие собой регулируемые сети молекул и клеток. Отмечены преимущества и недостатки приведенных моделей и их применение в области компьютерной безопасности, робототехники, обнаружения мошенничества и неисправностей, интеллектуального анализа данных, анализа текста, распознавания образов и изображений, биоинформатики, игр, планирования и т. д.

Просьба ссылаться на эту статью следующим образом:

Скобцов Ю.А. Современные иммунологические модели и их приложения. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2022, № 3 (140), с. 61--77. DOI: https://doi.org/10.18698/0236-3933-2022-3-61-77

Литература

[1] Dasgupta D. Artificial immune systems and their applications. London, Springer, Verlag, 1999.

[2] Dasgupta D., Luis F.N. Immunological computation. Theory and applications. Boca Raton, CRC Press, 2008.

[3] Скобцов Ю.А., Сперанский Д.В. Эволюционные вычисления. М., ИНТУИТ, Лань, 2016.

[4] Castro L.N., von Zuben F.J. Learning and optimization using clonal selection principle. IEEE Trans. Evol. Comput., 2002, vol. 6, no. 3, pp. 239--251. DOI: https://doi.org/10.1109/TEVC.2002.1011539

[5] Yu X., Gen M. Introduction to evolutionary algorithms. London, Springer, Verlag, 2010.

[6] Forrest S., Perelson A.S., Allen L. Self-nonself discrimination in a computer. Proc. 1992 Symp. on Security and Privacy, 1994, pp. 202--212. DOI: https://doi.org/10.1109/RISP.1994.296580

[7] D’haeseleer P., Forrest S., Helman P. An immunological approach to change detection: algorithms, analysis, and implications. Proc. IEEE Symp. on Computer Security and Privacy, 1996, pp. 110--119. DOI: https://doi.org/10.1109/SECPRI.1996.502674

[8] Yang H., Li T., Hu X., et al. A survey of artificial immune system based intrusion detection. Sc. World J., 2014, vol. 2014, art. 156790. DOI: https://doi.org/10.1155/2014/156790

[9] Dasgupta D., Gonzalez F. An immunity-based technique to characterize intrusion in computer networks. IEEE Trans. Evol. Comput., 2002, vol. 6, no. 3, pp. 281--291. DOI: https://doi.org/10.1109/TEVC.2002.1011541

[10] Farmer J.D., Packard N.H., Perelson A.S. The immune system, adaptation, and machine learning. Physica D, 1986, vol. 22, no. 1-3, pp. 187--204. DOI: https://doi.org/10.1016/0167-2789(86)90240-X

[11] Jerne N. Towards a network theory of the immune system. Ann. Immunol., 1974, vol. 125C, no. 1-2, pp. 373--389.

[12] Hunt J.E., Cooke D.E. Learning using an artificial immune system. J. Netw. Comput. Appl., 1996, vol. 19, no. 2, pp. 189--212. DOI: https://doi.org/10.1006/jnca.1996.0014

[13] Скобцов Ю.А. Искусственные иммунные системы --- основные модели. Математические методы в технологиях и технике, 2021, № 2, с. 103--106. DOI: https://doi.org/10.52348/2712-8873_MMTT_2021_2_103

[14] Скобцов Ю.А. Введение в искусственные иммунные системы. СПб., ГУАП, 2022.

[15] Hofmeyr S.A., Forrest S. Architecture for an artificial immune system. Envol. Comput., 2000, vol. 8, no. 4, pp. 443--473. DOI: https://doi.org/10.1162/106365600568257

[16] Balthrop J., Forrest S., Glickman M.R. Revisting LISYS: parameters and normal behavior. IEEE World CEC02, 2002. DOI: https://doi.org/10.1109/CEC.2002.1004387

[17] Balthrop J., Esponda F., Forrest S., et al. Coverage and generalization in artificial immune system. Proc. GECCO, 2002. URL: http://gpbib.cs.ucl.ac.uk/gecco2002/AAAA243.pdf (дата обращения: 16.05.2022).

[18] Forrest S., Hofmeyr S., Somayaji A. Computer immunology. Commun. ACM, 1997, vol. 40, no. 10, pp. 88--96. DOI: https://doi.org/10.1145/262793.262811

[19] Forrest S., Hofmeyr S., Somayaji A., et al. A sense of self for Unix processes. Proc. IEEE Symp. on Computer Security and Privacy, 1996. DOI: https://doi.org/10.1109/SECPRI.1996.502675

[20] Kephart J.O. A biologically inspired immune system for computers. In: Artificial life IV. Cambridge, MIT Press, 1994, pp. 130--139. DOI: https://doi.org/10.7551/mitpress/1428.003.0017

[21] Kim J., Wilson W.O., Aickelin U., et al. Cooperative automated worm response and detection immune algorithm (CARDINAL) inspired by T-cell immunity and tolerance. In: Artificial immune systems. Springer, Verlag, 2005, pp. 168--181. DOI: https://doi.org/10.1007/11536444_13

[22] Bradley D.W., Tyrrell A.M. Immunotronics --- novel finite-state-machine architectures with built-in self-test using self-nonself differentiation. IEEE Trans. Evol. Comput., 2002, vol. 6, no. 3, pp. 227--238. DOI: https://doi.org/10.1109/TEVC.2002.1011538