基于并行计算的木马免疫算法研究

由表2可以看出，当自体规模从8增加到136的时候，传统算法产生的候选检测器数量大大增加，从207个增加到了4 015个，增加了18倍。而检测失败率也从0．015％增加到了0．148％，增加了将近9倍；而用本文改进的算法所产生的候选检测器数量只从234个增加到3 847个，增加了15倍，而失败率反而从0．058％降低到了0．047％，检测失败率下降了17％；虽然在自体规模只有8个的时候，改进算法产生了234个候选检测器，多于传统算法，这是因为改进算法较复杂，可能会增加冗余的检测器，但是随着自体规模的增加，候选检测器的数量能保持较少的增长率，说明改进算法的收敛性较小，收敛效果较好，而且也提高了检测成功率。
实验2：设定随机字符串长度L和自体规模Ns不变，改变匹配位数r的长度，对比两种算法产生的候选检测器数目NH和检测时间t，结果如表3所示。

由表3可以看出，在字符串L位数和自体规模Ns不变的情况下，当匹配位数r增加，传统算法所产生的候选检测器数目大大增加，增加了将近18倍，检测时间增加了18倍，效率明显降低；采用文中的多属性特征区域匹配方式，候选检测器集合数目增加了只有11倍，并且改进算法引入了并行计算的方式，检测时间增加了14倍，而且低于传统算法的检测时间。从这里可以看出，新算法在匹配位数r增加的情况下，系统效率影响较小，能有效改善系统性能。

3 结束语
阴性选择算法随着匹配位数r的增加和字符串L的增加，匹配次数呈指数形式增加，匹配效率明显不足，并且会产生大量的候选检测器，使得该算法时间复杂度太大，论文提出一种改进的阴性选择算法，把字符串分为多个特征区域，每个特征区域之间采用r连续位匹配方式再次匹配，同时采用并行计算，实验结果表明改进的阴性选择算法在匹配位数和随机字符串位数增加时，候选检测器增加速度较平缓，系统负担增加较缓慢，因此具有较好的检测效率。