專利名稱：一種云計(jì)算環(huán)境下免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種云計(jì)算環(huán)境下病毒檢測(cè)系統(tǒng)及方法，尤其涉及云計(jì)算環(huán)境下一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)及方法，屬于計(jì)算機(jī)網(wǎng)絡(luò)、信息安全和人工免疫系統(tǒng)的交叉技術(shù)應(yīng)用領(lǐng)域。
背景技術(shù)：
云計(jì)算(Cloud Computing)是近年來在互聯(lián)網(wǎng)領(lǐng)域新興的一個(gè)熱點(diǎn)，它以一種新興的共享基礎(chǔ)架構(gòu)的方法，提供“資源池”化的由網(wǎng)絡(luò)、信息和存儲(chǔ)等組成的服務(wù)、應(yīng)用、信息和基礎(chǔ)設(shè)施等的使用，它將應(yīng)用的“計(jì)算”從終端轉(zhuǎn)移到服務(wù)器端，交給“云”端去做，從而弱化了對(duì)終端設(shè)備的處理需求。云計(jì)算的按需自服務(wù)、寬帶接入、虛擬化資源池、快速?gòu)椥约軜?gòu)、可測(cè)量的服務(wù)和多租戶等特點(diǎn)，直接影響到了云計(jì)算環(huán)境的安全威脅和相關(guān)的安全保護(hù)策略。但是，在云計(jì)算平臺(tái)中，大量的低成本服務(wù)器通過網(wǎng)絡(luò)互聯(lián)在一起，一旦一個(gè)節(jié)點(diǎn)遭受病毒攻擊，則病毒很容易在云平臺(tái)中快速蔓延，威脅到互聯(lián)的所有服務(wù)器的安全。因此，必須通過有效的方法迅速檢測(cè)和處理云計(jì)算環(huán)境下的病毒，保障云平臺(tái)的安全運(yùn)行。MapReduce編程模型是云計(jì)算中最廣泛使用的海量數(shù)據(jù)處理的編程模型。它將一個(gè)任務(wù)分成很多更細(xì)粒度的子任務(wù)，這些子任務(wù)能夠在空閑的處理節(jié)點(diǎn)之間調(diào)度，使得處理速度越快的節(jié)點(diǎn)處理越多的任務(wù)，從而避免處理速度慢的節(jié)點(diǎn)延長(zhǎng)整個(gè)任務(wù)的處理時(shí)間。MapReduce框架將分布式運(yùn)算抽象為Map和Reduce兩個(gè)步驟，以實(shí)現(xiàn)可靠、高效的分布式應(yīng)用。Map步驟負(fù)責(zé)根據(jù)輸入的鍵值(key/value)對(duì)生成中間結(jié)果，中間結(jié)果同樣采用key/value對(duì)的形式。Reduce步驟則將所有的中間結(jié)果根據(jù)key進(jìn)行合并,然后生成最終結(jié)果。開發(fā)者只需要實(shí)現(xiàn)Map和Reduce函數(shù)的邏輯，然后提交給MapReduce運(yùn)行環(huán)境，計(jì)算任務(wù)便會(huì)在由大量計(jì)算機(jī)組成的集群上被自動(dòng)、并行地調(diào)度執(zhí)行。其中，由運(yùn)行環(huán)境負(fù)責(zé)將輸入數(shù)據(jù)進(jìn)行分割、調(diào)度任務(wù)、自動(dòng)處理運(yùn)行過程中的機(jī)器失效，以協(xié)調(diào)不同節(jié)點(diǎn)之間的數(shù)據(jù)通信。人工免疫模型具有快速高效的信息處理能力，能自適應(yīng)地識(shí)別已知和未知病毒。目前，以自然免疫為原型的人工免疫模型在病毒檢測(cè)中取得了較好的結(jié)果，因此，本發(fā)明將人工免疫理論中的免疫網(wǎng)絡(luò)方法引入云環(huán)境進(jìn)行病毒檢測(cè),提出一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)和方法?；贛apReduce編程模型，將免疫網(wǎng)絡(luò)的構(gòu)建和動(dòng)態(tài)平衡分解成數(shù)以萬計(jì)的子程序，再將拆分后的子程序由無數(shù)服務(wù)器組成的云計(jì)算環(huán)境進(jìn)行處理，生成記憶檢測(cè)器；云環(huán)境中的服務(wù)器再利用這些記憶檢測(cè)器對(duì)接收到得可疑文件進(jìn)行檢測(cè)分析后，將所得處理結(jié)果反饋給用戶。云計(jì)算平臺(tái)強(qiáng)大的數(shù)據(jù)處理能力為建立云端龐大的免疫網(wǎng)絡(luò)提供了基礎(chǔ)，提高云平臺(tái)病毒檢測(cè)的能力及效率。目前已有研究概況1、專利名稱一種基于云計(jì)算的病毒防護(hù)系統(tǒng)。專利號(hào)200910238056 ;公開(公告)日=2011/05/25 ;分類號(hào)H04L 29/06 ;發(fā)明(設(shè)計(jì))人高鵬；該專利把各個(gè)公司或企業(yè)部署的網(wǎng)關(guān)設(shè)備組合成一個(gè)系統(tǒng)，通過共享具備病毒防護(hù)能力的網(wǎng)關(guān)設(shè)備的病毒檢測(cè)結(jié)果、以及惡意網(wǎng)站掃描器的病毒掃描結(jié)果，然后向系統(tǒng)內(nèi)所有網(wǎng)關(guān)設(shè)備提供帶病毒網(wǎng)站的地址列表，網(wǎng)關(guān)設(shè)備根據(jù)該列表阻止內(nèi)部用戶對(duì)這些網(wǎng)站的訪問，可以提高網(wǎng)絡(luò)系統(tǒng)的整體安全性。2、一種基于云計(jì)算的多用戶協(xié)同安全防護(hù)系統(tǒng)和方法。申 請(qǐng)?zhí)?01010143090 ；公開號(hào)101827096A ;分類號(hào)H04L 29/06 ;發(fā)明人潘燕輝；周勇兵；該專利公開了一種多用戶協(xié)同的安全防護(hù)系統(tǒng)，包括至少一個(gè)服務(wù)器端及若干客戶端，各客戶端與至少一服務(wù)器端網(wǎng)絡(luò)連接；客戶端獲取用戶的文件信息，計(jì)算文件的特征碼，將文件信息和特征碼上傳至服務(wù)器端，服務(wù)器端計(jì)算特征碼在服務(wù)器端的相同度百分比，根據(jù)相同度百分比的大小，按照預(yù)設(shè)置邏輯，判斷該文件是否為問題文件，向?qū)?yīng)客戶端發(fā)出報(bào)警信息，客戶端接收到該報(bào)警信息后，向用戶發(fā)出報(bào)警提示，還公開了一種多用戶協(xié)同的安全防護(hù)方法；此系統(tǒng)相當(dāng)于在數(shù)百萬用戶之間共同建設(shè)一個(gè)防范病毒的機(jī)制，使用用戶越多防范越安全，只要系統(tǒng)文件正常，任何病毒或者危險(xiǎn)文件都無法產(chǎn)生危害，對(duì)于新病毒或者危險(xiǎn)文件，未知病毒或者未知危險(xiǎn)文件同樣有效。3、一種基于云計(jì)算的網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控系統(tǒng)方法。申請(qǐng)?zhí)?01110432499 ;發(fā)明公開號(hào)102413019A ;范疇分類號(hào)39B ;發(fā)明人丁景林；該發(fā)明公開了一種基于云計(jì)算的網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控系統(tǒng)方法，該網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控系統(tǒng)方法是基于云計(jì)算技術(shù)，把服務(wù)器和資源有效整合,將CPU、內(nèi)存、磁盤等虛擬化,并且通過云計(jì)算將負(fù)擔(dān)均攤、壓力分散,采用NetworkBox的TOSH技術(shù)，以達(dá)到有效進(jìn)行網(wǎng)絡(luò)實(shí)時(shí)監(jiān)控，實(shí)現(xiàn)45秒內(nèi)對(duì)客戶端的病毒特征碼和補(bǔ)丁進(jìn)行實(shí)時(shí)的更新，減少用戶在空腹期被成功攻擊，確保用戶處于最安全狀態(tài)的效果。而且還涵蓋了目前網(wǎng)絡(luò)上的各項(xiàng)安全防范應(yīng)用，用戶在今后的使用過程中無需再為功能的升級(jí)增加費(fèi)用?，F(xiàn)有云計(jì)算環(huán)境下的病毒檢測(cè)，主要采用網(wǎng)關(guān)共享病毒網(wǎng)站的地址列表或者在客戶端與服務(wù)器之間共享文件及病毒的特征碼的方法，沒有利用免疫網(wǎng)絡(luò)方法在病毒檢測(cè)中的優(yōu)勢(shì)，也沒有針對(duì)云計(jì)算平臺(tái)特有的MapReduce數(shù)據(jù)處理模型給出適用于云計(jì)算環(huán)境的病毒檢測(cè)實(shí)施方法，難以充分利用云計(jì)算強(qiáng)大的并行數(shù)據(jù)處理能力。本發(fā)明利用免疫網(wǎng)絡(luò)將各種免疫細(xì)胞組成的一個(gè)能夠互相識(shí)別、刺激和協(xié)調(diào)的動(dòng)態(tài)免疫系統(tǒng)優(yōu)化檢測(cè)器，并按 照云計(jì)算平臺(tái)的MapReduce數(shù)據(jù)處理模型構(gòu)建基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)。通過基于MapReduce的免疫網(wǎng)絡(luò)的構(gòu)建和動(dòng)態(tài)平衡過程優(yōu)化免疫網(wǎng)絡(luò)中的記憶檢測(cè)器，并用免疫網(wǎng)絡(luò)中優(yōu)化后的記憶檢測(cè)器對(duì)可疑文件實(shí)施并行的病毒檢測(cè)，從而為云用戶提供迅速病毒檢測(cè)服務(wù)，保障云平臺(tái)的安全運(yùn)行。

發(fā)明內(nèi)容
本明的目的是利用云計(jì)算平臺(tái)能夠處理海量數(shù)據(jù)的特點(diǎn)，并結(jié)合人工免疫理論免疫網(wǎng)絡(luò)進(jìn)化學(xué)習(xí)思想提出了云計(jì)算環(huán)境下的一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)及方法，采用人工免疫理論進(jìn)化方法對(duì)云端海量自我集及非我集樣本進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)未知二進(jìn)制文件的自動(dòng)識(shí)別，對(duì)惡意軟件變化具有極強(qiáng)的適應(yīng)能力，可以有效的提高云平臺(tái)的安全性。在免疫網(wǎng)絡(luò)的構(gòu)建階段通過基于基因庫(kù)的成熟檢測(cè)器生成算法生成成熟檢測(cè)器，在進(jìn)化階段引入測(cè)試集，通過檢測(cè)器對(duì)測(cè)試集的適應(yīng)度及刺激水平，實(shí)現(xiàn)檢測(cè)器之間的協(xié)作進(jìn)化，不斷優(yōu)化免疫網(wǎng)絡(luò)中的檢測(cè)器,從而提高整個(gè)免疫網(wǎng)絡(luò)對(duì)云平臺(tái)的病毒檢測(cè)能力和檢測(cè)效率，加強(qiáng)云計(jì)算環(huán)境的安全性。本發(fā)明提供了云計(jì)算環(huán)境下的一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)，包括
細(xì)胞庫(kù)模塊，用于存儲(chǔ)不同類型的海量免疫細(xì)胞，包括自我集、非我集、基因庫(kù)、測(cè)試集、成熟檢測(cè)器集、記憶檢測(cè)器集，這些免疫細(xì)胞按照各自鍵值分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
基于MapReduce的免疫網(wǎng)絡(luò)模塊，由云平臺(tái)中的各個(gè)節(jié)點(diǎn)并行生成成熟檢測(cè)器,并行計(jì)算成熟檢測(cè)器之間的親和力，并以檢測(cè)器之間的親和力為權(quán)值，在所有節(jié)點(diǎn)之間構(gòu)建以成熟檢測(cè)器為節(jié)點(diǎn)的免疫網(wǎng)絡(luò)。隨后，進(jìn)入免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡階段，云平臺(tái)中的節(jié)點(diǎn)按照MapReduce模型并行協(xié)作，實(shí)現(xiàn)免疫網(wǎng)絡(luò)的動(dòng)態(tài)調(diào)節(jié)，最終產(chǎn)生一個(gè)具有自穩(wěn)態(tài)調(diào)節(jié)達(dá)到動(dòng)態(tài)平衡的記憶檢測(cè)器免疫網(wǎng)絡(luò)，為病毒檢測(cè)提供優(yōu)化的記憶檢測(cè)器集合；
基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)模塊，用于病毒檢測(cè)，云平臺(tái)中的節(jié)點(diǎn)基于MapReduce模型，利用達(dá)到動(dòng)態(tài)平衡后免疫網(wǎng)絡(luò)中的記憶檢測(cè)器、分布并行檢測(cè)云環(huán)境中的病毒，提高整個(gè)云計(jì)算平臺(tái)的病毒檢測(cè)率和安全性。本發(fā)明還提供了云計(jì)算環(huán)境下的一種基于MapReduce免疫網(wǎng)絡(luò)的一種病毒檢測(cè)方法，包括
基于MapReduce免疫網(wǎng)絡(luò)的構(gòu)建方法，通過MapReduce模型生成成熟檢測(cè)器，并以此成熟檢測(cè)器作為免疫網(wǎng)絡(luò)的初始節(jié)點(diǎn)，調(diào)用Map函數(shù)根據(jù)任意兩個(gè)成熟檢測(cè)器基因編碼值的鍵值對(duì)，并行計(jì)算任意兩個(gè)成熟檢測(cè)器ili和iiy之間的親和力，得到所有檢測(cè)器之間親和力的鍵值對(duì)<<￥%￥ >,其中，是檢測(cè)器的基因編碼值，是檢測(cè)器^』‘的基因編碼值，Jl是檢測(cè)器和檢測(cè)器^^之間的親和力。由Reduce函數(shù)收集所有鍵值對(duì)，并根據(jù)兩個(gè)成熟檢測(cè)器之間的親和力值與網(wǎng)絡(luò)構(gòu)建閾值^之間的關(guān)系，建立成熟檢測(cè)器之間連接邊，構(gòu)建免疫網(wǎng)絡(luò)；
基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡子模塊在構(gòu)建的免疫網(wǎng)絡(luò)基礎(chǔ)上，通過2個(gè)MapReduce過程1)調(diào)用Map函數(shù)，根據(jù)成熟檢測(cè)器基因編碼值和測(cè)試集T的鍵值對(duì)，并行計(jì)算測(cè)試集對(duì)每個(gè)云環(huán)境節(jié)點(diǎn)下成熟檢測(cè)器的適應(yīng)度，得到每一個(gè)檢測(cè)器的鍵值對(duì)其中，￥是成熟檢測(cè)器的基因編碼值，i=l，2，…q，q為成熟檢測(cè)器的個(gè)
數(shù)是成熟檢測(cè)器^對(duì)測(cè)試集T的親和力；并通過Reduce函數(shù)按適應(yīng)度高低選擇成熟檢測(cè)器；2)調(diào)用Map函數(shù)在每個(gè)節(jié)點(diǎn)上克隆并變異成熟檢測(cè)器，計(jì)算各成熟檢測(cè)器對(duì)測(cè)試集的刺激水平，得到每一個(gè)檢測(cè)器的鍵值對(duì)其中，是成熟檢測(cè)器的基因編碼值，i=l, 2，…q，q為成熟檢測(cè)器的個(gè)數(shù)，/i是成熟檢測(cè)器對(duì)測(cè)試集T的刺激水平；調(diào)用Reduce函數(shù)按刺激水平高低對(duì)記憶檢測(cè)器進(jìn)行排序，刪除刺激水平低的記憶檢測(cè)器，完成網(wǎng)絡(luò)抑制，最后輸出結(jié)果得到各節(jié)點(diǎn)的記憶檢測(cè)器集?；贛apReduce的免疫網(wǎng)絡(luò)并行病毒檢測(cè)方法,使用一個(gè)MapReduce處理過程,通過調(diào)用Map函數(shù)并行計(jì)算匹配閾值，調(diào)用Reduce函數(shù)，收集匹配結(jié)果，判斷是否檢測(cè)出病毒。


圖I為云計(jì)算環(huán)境下一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)示意 圖2為基于MapReduce免疫網(wǎng)絡(luò)的構(gòu)建方法示意 圖3為基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡方法示意 圖4為基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)方法示意具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明
本發(fā)明提供的云計(jì)算環(huán)境下一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)，如附圖I所示，可由細(xì)胞庫(kù)模塊、免疫網(wǎng)絡(luò)模塊、病毒檢測(cè)模塊組成，其中
I、細(xì)胞庫(kù)模塊，用于存儲(chǔ)不同類型的海量免疫細(xì)胞，包括自我集、非我集、基因庫(kù)、測(cè)試集、成熟檢測(cè)器集、記憶檢測(cè)器集，這些免疫細(xì)胞按照各自鍵值分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
基于MapReduce的免疫網(wǎng)絡(luò)模塊，用于免疫網(wǎng)絡(luò)的構(gòu)建和免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡。基于MapReduce模型，由云平臺(tái)中的各個(gè)節(jié)點(diǎn)并行生成成熟檢測(cè)器，并行計(jì)算成熟檢測(cè)器之間的親和力，并以檢測(cè)器之間的親和力為權(quán)值，在所有節(jié)點(diǎn)之間構(gòu)建以成熟檢測(cè)器為節(jié)點(diǎn)的免疫網(wǎng)絡(luò)。隨后，進(jìn)入免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡階段，云平臺(tái)中的節(jié)點(diǎn)按照MapReduce模型并行協(xié)作，實(shí)現(xiàn)免疫網(wǎng)絡(luò)的動(dòng)態(tài)調(diào)節(jié)，最終產(chǎn)生一個(gè)具有自穩(wěn)態(tài)調(diào)節(jié)達(dá)到動(dòng)態(tài)平衡的記憶檢測(cè)器免疫網(wǎng)絡(luò)，為病毒檢測(cè)提供優(yōu)化的記憶檢測(cè)器集合；
基于MapReduce的病毒檢測(cè)模塊,用于病毒檢測(cè)，云平臺(tái)中的節(jié)點(diǎn)基于MapReduce模型，利用達(dá)到動(dòng)態(tài)平衡后免疫網(wǎng)絡(luò)中的記憶檢測(cè)器、分布并行檢測(cè)云環(huán)境中的病毒，提高整個(gè)云計(jì)算平臺(tái)的病毒檢測(cè)率和安全性。2、細(xì)胞庫(kù)模塊，包括
自我集，用于存儲(chǔ)正常可執(zhí)行文件，它是正?？蓤?zhí)行文件的特征碼經(jīng)排列組合后得到的二進(jìn)制字符串集合，其鍵值按照正常可執(zhí)行文件特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
非我集，用于存儲(chǔ)病毒特征碼的字符串集合，其鍵值按照病毒特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
基因庫(kù)，用于存儲(chǔ)非我集中異常信息的特征碼拆分成相同長(zhǎng)度的基因片段，其鍵值按照基因庫(kù)特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
成熟檢測(cè)器集，用于存儲(chǔ)基于MapReduce的免疫網(wǎng)絡(luò)構(gòu)建過程中生成的成熟檢測(cè)器，其鍵值按照成熟檢測(cè)器特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
測(cè)試集經(jīng)預(yù)先處理的、與病毒特征庫(kù)中的特征碼相似的數(shù)據(jù)集合，由云計(jì)算平臺(tái)中的每個(gè)節(jié)點(diǎn)收集。用于基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡過程中，選擇適應(yīng)度高的成熟檢測(cè)器進(jìn)行克隆變異而引入的二進(jìn)制字符串集合，其鍵值按照測(cè)試集特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；
記憶檢測(cè)器集用于存儲(chǔ)在基于MapReduce免疫網(wǎng)絡(luò)達(dá)到動(dòng)態(tài)平衡后得到的各節(jié)點(diǎn)的記憶檢測(cè)器，其鍵值按照記憶檢測(cè)器特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上。3、基于MapReduce的免疫網(wǎng)絡(luò)模塊，包括
基于MapReduce免疫網(wǎng)絡(luò)的構(gòu)建子模塊用于基于MapReduce模型構(gòu)建免疫網(wǎng)絡(luò)。通過MapReduce模型生成成熟檢測(cè)器，并以此成熟檢測(cè)器作為免疫網(wǎng)絡(luò)的初始節(jié)點(diǎn)，利用MapReduce模型，調(diào)用Map函數(shù)根據(jù)任意兩個(gè)成熟檢測(cè)器基因編碼值的鍵值對(duì)并行計(jì)算任意兩個(gè)成熟檢測(cè)器之間的親和力，得到所有檢測(cè)器之間親和力的鍵值對(duì)其中，￥是檢測(cè)器^』的基因編碼值，是檢測(cè)器ii/的基因編碼值，>是檢測(cè)器￥和檢測(cè)器￥之間的親和力。由Reduce函數(shù)收集所有鍵值對(duì)，并根據(jù)兩個(gè)成熟檢測(cè)器之間的親和力值與網(wǎng)絡(luò)構(gòu)建閾值之間的關(guān)系，建立成熟檢測(cè)器之間連接邊，構(gòu)建免疫網(wǎng)絡(luò)；
基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡子模塊在構(gòu)建的免疫網(wǎng)絡(luò)基礎(chǔ)上，通過2個(gè)MapReduce過程1)調(diào)用Map函數(shù)，根據(jù)成熟檢測(cè)器的基因編碼值和測(cè)試集的鍵值對(duì)并行計(jì)算測(cè)試集對(duì)每個(gè)云環(huán)境節(jié)點(diǎn)下成熟檢測(cè)器的適應(yīng)度，得到每一個(gè)檢測(cè)器的鍵值對(duì);其中，是成熟檢測(cè)器的基因編碼值，i=l，2，…q，q為成熟檢測(cè)器的個(gè)數(shù)；>是成熟檢測(cè)器對(duì)測(cè)試集T的親和力；并通過Reduce函數(shù)按適應(yīng)度高低選擇成熟檢測(cè)器；2)調(diào)用Map函數(shù)在每個(gè)節(jié)點(diǎn)上克隆并變異成熟檢測(cè)器，計(jì)算各成熟檢測(cè)器對(duì)測(cè)試集的刺激水平，得到每一個(gè)檢測(cè)器的鍵值對(duì)< ^ψ ,β > ;其中，是成熟檢測(cè)器的基因編碼值，i=l, 2，…q，q為成熟檢測(cè)器的個(gè)數(shù)，>是成熟檢測(cè)器對(duì)測(cè)試集T的刺激水平；調(diào)用Reduce函數(shù)按刺激水平高低對(duì)記憶檢測(cè)器進(jìn)行排序，刪除刺激水平低的記憶檢測(cè)器，完成網(wǎng)絡(luò)抑制，最后輸出結(jié)果得到各節(jié)點(diǎn)的記憶檢測(cè)器集。4、病毒檢測(cè)模塊，包括
可疑文件抽取子模塊，用于主動(dòng)檢測(cè)云平臺(tái)中的可疑文件，將其抽取進(jìn)入云平臺(tái)中并進(jìn)行并行分析；
可疑文件接受子模塊，用于接收客戶端主動(dòng)上傳的可疑文件，并將云平臺(tái)對(duì)可疑文件的并行分析結(jié)果回傳給客戶端；
基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)子模塊基于MapReduce模型,根據(jù)親和力計(jì)算公式，使用一個(gè)MapReduce處理過程，通過調(diào)用Map函數(shù)并行計(jì)算檢測(cè)樣本和達(dá)到動(dòng)態(tài)平衡的免疫網(wǎng)絡(luò)中記憶檢測(cè)器之間的匹配度，調(diào)用Reduce函數(shù)，收集匹配結(jié)果，只要記憶檢測(cè)器集中有一個(gè)檢測(cè)器與可疑文件的匹配值達(dá)到預(yù)先設(shè)定的匹配閾值，則檢測(cè)出了病毒文件。本發(fā)明實(shí)例提供的云計(jì)算環(huán)境下一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)的具體實(shí)例中，除細(xì)胞庫(kù)模塊、免疫網(wǎng)絡(luò)模塊、病毒檢測(cè)模塊外，如附圖I所示，該系統(tǒng)還包 括并行數(shù)據(jù)處理模塊、任務(wù)調(diào)度模塊、資源管理模塊、虛擬化服務(wù)模塊、硬件基礎(chǔ)設(shè)施模塊。其中
并行數(shù)據(jù)處理模塊，提供病毒檢測(cè)服務(wù)所需的執(zhí)行環(huán)境，并提供病毒檢測(cè)所需的數(shù)據(jù)管理服務(wù)和應(yīng)用程序的部署與管理服務(wù)；
任務(wù)調(diào)度模塊，用于基于MapReduce進(jìn)行有效的任務(wù)調(diào)度，負(fù)責(zé)管理執(zhí)行用戶或應(yīng)用提交的任務(wù)，使資源能夠高效、安全地為應(yīng)用提供服務(wù)；
資源管理模塊，用于有效的資源管理，負(fù)責(zé)均衡的使用云資源節(jié)點(diǎn)，檢測(cè)節(jié)點(diǎn)的故障并試圖恢復(fù)或屏蔽之，并對(duì)資源的使用情況進(jìn)行監(jiān)視統(tǒng)計(jì)；
虛擬化服務(wù)模塊，為用戶按需提供實(shí)體或虛擬的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)等資源；
硬件基礎(chǔ)設(shè)施模塊，是權(quán)利要求書I所述系統(tǒng)的基礎(chǔ)，為該系統(tǒng)提供海量硬件資源，包括計(jì)算資源、存儲(chǔ)資源和網(wǎng)絡(luò)資源。本發(fā)明還提供云計(jì)算環(huán)境下一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)方法，該方法包括
基于MapReduce的免疫網(wǎng)絡(luò)的構(gòu)建，如附圖2所示，包括以下步驟 步驟I將細(xì)胞庫(kù)中非我集元素拆分，得到基因片段加入基因庫(kù)，按基因片段的基因編碼值將基因庫(kù)分布存儲(chǔ)在云環(huán)境各節(jié)點(diǎn)上。調(diào)用Map函數(shù)，并行計(jì)算從基因庫(kù)中隨機(jī)組合的未成熟檢測(cè)器與自我集S中所有元素的親和力，得到未成熟檢測(cè)器和自我集S之間的親和力鍵值對(duì)<其中，Ιψ '是未成熟檢測(cè)器的基因編碼值，i=l, 2，…q，q為未成
熟檢測(cè)器的個(gè)數(shù)是未成熟檢測(cè)器對(duì)自我集S的親和力；
步驟2由Reduce函數(shù)收集所有鍵值對(duì)，并根據(jù)它們間的親和力判斷是否將此檢測(cè)器加入成熟檢測(cè)器集合，并對(duì)此成熟檢測(cè)器進(jìn)行交叉變異，將其加入基因庫(kù)，繼續(xù)調(diào)用MapReduce模型，計(jì)算其是否可以加入成熟檢測(cè)器集合，直至成熟檢測(cè)器的個(gè)數(shù)滿足條件，生成的成熟檢測(cè)器存儲(chǔ)在細(xì)胞庫(kù)中；
步驟3將細(xì)胞庫(kù)中所有成熟檢測(cè)器作為免疫網(wǎng)絡(luò)的初始節(jié)點(diǎn)，調(diào)用Map函數(shù)，根據(jù)任意兩個(gè)成熟檢測(cè)器基因編碼值的鍵值對(duì)并行計(jì)算任意兩個(gè)成熟檢測(cè)器之間的親和力，得到檢測(cè)器和檢測(cè)器ilij‘之間的親和力鍵值對(duì)> ；其中，是檢測(cè)器的基因編碼值‘是檢測(cè)器^/的基因編碼值是檢測(cè)器iii和檢測(cè)器之間的親和力，i, j=l, 2…q，j, q為成熟檢測(cè)器的個(gè)數(shù)。步驟4由Reduce函數(shù)收集所有鍵值對(duì)；
步驟5根據(jù)Reduce函數(shù)收集到的計(jì)算結(jié)果，以成熟檢測(cè)器作為網(wǎng)絡(luò)節(jié)點(diǎn)，在親和力值大于網(wǎng)絡(luò)構(gòu)建閾值^的任意兩個(gè)成熟檢測(cè)器之間建立連接邊，構(gòu)建免疫網(wǎng)絡(luò)?；贛apReduce的免疫網(wǎng)絡(luò)動(dòng)態(tài)平衡,如附圖3所示,包括以下步驟
步驟I調(diào)用Map函數(shù)計(jì)算存儲(chǔ)在細(xì)胞庫(kù)中的測(cè)試集T對(duì)成熟檢測(cè)器的適應(yīng)度，得到
每一個(gè)檢測(cè)器的鍵值對(duì)< %i,/S > ;其中，—是成熟檢測(cè)器的基因編碼值，i=l, 2，…
q, Q為成熟檢測(cè)器的個(gè)數(shù)是成熟檢測(cè)器對(duì)測(cè)試集T的親和力；
步驟2通過Reduce函數(shù)對(duì)各成熟檢測(cè)器根據(jù)每個(gè)檢測(cè)器和測(cè)試集之間的適應(yīng)度值進(jìn)行排序，選擇出適應(yīng)度高的檢測(cè)器；
步驟3調(diào)用Map函數(shù)在每個(gè)節(jié)點(diǎn)上克隆并變異成熟檢測(cè)器，計(jì)算各成熟檢測(cè)器對(duì)測(cè)試集的刺激水平，得到每一個(gè)檢測(cè)器的鍵值對(duì)< Ιψφ > ;其中，￥是成熟檢測(cè)器 的基因編碼值，i=l, 2，…q，q為成熟檢測(cè)器的個(gè)數(shù)，/ 是成熟檢測(cè)器對(duì)測(cè)試集T的刺激水平；步驟4調(diào)用Reduce函數(shù)根據(jù)刺激水平高低對(duì)記憶檢測(cè)器進(jìn)行排序，刪除刺激水平低的記憶檢測(cè)器，完成網(wǎng)絡(luò)抑制；
步驟5輸出各節(jié)點(diǎn)的記憶檢測(cè)器集，將此記憶檢測(cè)器集存儲(chǔ)在細(xì)胞庫(kù)中，用于免疫網(wǎng)絡(luò)的病毒檢測(cè)。 免疫網(wǎng)絡(luò)的病毒檢測(cè)，如附圖4所示，并行病毒檢測(cè)過程包括以下步驟
步驟I根據(jù)親和力計(jì)算公式，通過調(diào)用Map函數(shù)并行計(jì)算檢測(cè)樣本和達(dá)到動(dòng)態(tài)平衡的免疫網(wǎng)絡(luò)中記憶檢測(cè)器集之間的匹配度； 步驟2調(diào)用Reduce函數(shù)，收集檢測(cè)樣本和免疫網(wǎng)絡(luò)中記憶檢測(cè)器集之間的匹配度，只要記憶檢測(cè)器集中有一個(gè)檢測(cè)器與可疑文件的匹配程度達(dá)到預(yù)先設(shè)定的匹配閾值，則檢測(cè)出了病毒文件。
權(quán)利要求
1.一種云計(jì)算環(huán)境下免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)，其特征在于，包括 細(xì)胞庫(kù)模塊，用于存儲(chǔ)不同類型的海量免疫細(xì)胞，包括自我集、非我集、基因庫(kù)、測(cè)試集、成熟檢測(cè)器集及記憶檢測(cè)器集，這些免疫細(xì)胞按照各自鍵值分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上； 基于MapReduce的免疫網(wǎng)絡(luò)模塊,用于基于云計(jì)算的MapReduce并行數(shù)據(jù)處理模型構(gòu)建免疫網(wǎng)絡(luò)和動(dòng)態(tài)平衡免疫網(wǎng)絡(luò)； 基于MapReduce模型，由云平臺(tái)中的各個(gè)節(jié)點(diǎn)并行生成成熟檢測(cè)器，然后并行計(jì)算成熟檢測(cè)器之間的親和力，并以檢測(cè)器之間的親和力為權(quán)值，構(gòu)建以成熟檢測(cè)器為節(jié)點(diǎn)的免疫網(wǎng)絡(luò)； 隨后，進(jìn)入免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡階段，云平臺(tái)中的節(jié)點(diǎn)按照MapReduce模型并行協(xié)作，實(shí)現(xiàn)免疫網(wǎng)絡(luò)的動(dòng)態(tài)調(diào)節(jié)，最終產(chǎn)生一個(gè)具有自穩(wěn)態(tài)調(diào)節(jié)達(dá)到動(dòng)態(tài)平衡的記憶檢測(cè)器免疫網(wǎng)絡(luò)，為云中實(shí)現(xiàn)病毒檢測(cè)提供優(yōu)化的記憶檢測(cè)器集合； 基于MapReduce的病毒檢測(cè)模塊,用于病毒檢測(cè)，云平臺(tái)中的節(jié)點(diǎn)基于MapReduce模型，利用達(dá)到動(dòng)態(tài)平衡后免疫網(wǎng)絡(luò)中的記憶檢測(cè)器、分布并行檢測(cè)云環(huán)境中的病毒，提高整個(gè)云計(jì)算平臺(tái)的病毒檢測(cè)率和安全性； 并行數(shù)據(jù)處理模塊，提供病毒檢測(cè)服務(wù)所需的執(zhí)行環(huán)境，并提供病毒檢測(cè)所需的數(shù)據(jù)管理服務(wù)和應(yīng)用程序的部署與管理服務(wù)； 任務(wù)調(diào)度模塊，用于基于MapReduce進(jìn)行有效的任務(wù)調(diào)度，負(fù)責(zé)管理執(zhí)行用戶或應(yīng)用提交的任務(wù)，使資源能夠高效、安全地為應(yīng)用提供服務(wù)； 資源管理模塊，用于有效的資源管理，負(fù)責(zé)均衡的使用云資源節(jié)點(diǎn)，檢測(cè)節(jié)點(diǎn)的故障并試圖恢復(fù)或屏蔽之，并對(duì)資源的使用情況進(jìn)行監(jiān)視統(tǒng)計(jì)； 虛擬化服務(wù)模塊，為用戶按需提供實(shí)體或虛擬的計(jì)算、存儲(chǔ)和網(wǎng)絡(luò)等資源； 硬件基礎(chǔ)設(shè)施模塊，為該系統(tǒng)提供海量硬件資源，包括計(jì)算資源、存儲(chǔ)資源和網(wǎng)絡(luò)資源。
2.根據(jù)權(quán)利要求I所述系統(tǒng)中的細(xì)胞庫(kù)模塊，其特征在于，包括 自我集，用于存儲(chǔ)正?？蓤?zhí)行文件，它是正常可執(zhí)行文件的特征碼經(jīng)排列組合后得到的二進(jìn)制字符串集合，其鍵值按照正?？蓤?zhí)行文件的特征碼二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上； 非我集，用于存儲(chǔ)病毒特征碼的字符串集合，其鍵值按照病毒特征碼的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上； 基因庫(kù)，用于存儲(chǔ)非我集中異常信息的特征碼拆分成相同長(zhǎng)度的基因片段，其鍵值按照基因片段的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上； 成熟檢測(cè)器集，用于存儲(chǔ)基于MapReduce的免疫網(wǎng)絡(luò)構(gòu)建過程中生成的成熟檢測(cè)器，其鍵值按照成熟檢測(cè)器的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上； 測(cè)試集經(jīng)預(yù)先處理的、與病毒特征庫(kù)中的特征碼相似的數(shù)據(jù)集合，由云計(jì)算平臺(tái)中的每個(gè)節(jié)點(diǎn)收集； 用于基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡過程中，選擇適應(yīng)度高的成熟檢測(cè)器進(jìn)行克隆變異而引入的二進(jìn)制字符串集合，其鍵值按照測(cè)試集的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上；記憶檢測(cè)器集用于存儲(chǔ)在基于MapReduce免疫網(wǎng)絡(luò)達(dá)到動(dòng)態(tài)平衡后得到的各節(jié)點(diǎn)的記憶檢測(cè)器，其鍵值按照記憶檢測(cè)器的二進(jìn)制字符串形式分布存儲(chǔ)在云計(jì)算環(huán)境的各個(gè)節(jié)點(diǎn)上。
3.根據(jù)權(quán)利要求I所述系統(tǒng)中的基于MapReduce的免疫網(wǎng)絡(luò)模塊，其特征在于，包括 基于MapReduce免疫網(wǎng)絡(luò)的構(gòu)建子模塊用于基于MapReduce模型構(gòu)建免疫網(wǎng)絡(luò)； 通過MapReduce模型生成成熟檢測(cè)器，并以此成熟檢測(cè)器作為免疫網(wǎng)絡(luò)的初始節(jié)點(diǎn)，調(diào)用Map函數(shù)，根據(jù)成熟檢測(cè)器的基因編碼值拆分鍵值對(duì)并行計(jì)算任意兩個(gè)成熟檢測(cè)器和ily之間的親和力，得到所有檢測(cè)器之間親和力的鍵值對(duì)> # >,其中，是檢測(cè)器的基因編碼值，￥是檢測(cè)器^$的基因編碼值，> 是檢測(cè)器和檢測(cè)器‘之間的親和力; 由Reduce函數(shù)收集所有鍵值對(duì)，并根據(jù)兩個(gè)成熟檢測(cè)器之間的親和力值與網(wǎng)絡(luò)構(gòu)建閾值^之間的關(guān)系，建立成熟檢測(cè)器之間連接邊，構(gòu)建免疫網(wǎng)絡(luò)。
4.根據(jù)權(quán)利要求I所述系統(tǒng)中的基于MapReduce的免疫網(wǎng)絡(luò)動(dòng)態(tài)平衡子模塊，其特征在于在構(gòu)建的免疫網(wǎng)絡(luò)基礎(chǔ)上，通過2個(gè)MapReduce過程1)調(diào)用Map函數(shù)，并行計(jì)算測(cè)試集對(duì)每個(gè)云環(huán)境節(jié)點(diǎn)下成熟檢測(cè)器的適應(yīng)度，得到每一個(gè)檢測(cè)器的鍵值對(duì)< -4ρ' /ι>;其中，￥是成熟檢測(cè)器的基因編碼值，i=1，2，…q，q為成熟檢測(cè)器的個(gè)數(shù)是成熟檢測(cè)器^4&對(duì)測(cè)試集T的親和力；并通過Reduce函數(shù)按適應(yīng)度高低選擇成熟檢測(cè)器；2)調(diào)用Map函數(shù)在每個(gè)節(jié)點(diǎn)上克隆并變異成熟檢測(cè)器，計(jì)算各成熟檢測(cè)器對(duì)測(cè)試集的刺激水平，得到每一個(gè)檢測(cè)器的鍵值對(duì)< %^/^1>;其中是成熟檢測(cè)器的基因編碼值，i=l, 2，…q，q為成熟檢測(cè)器的個(gè)數(shù)，jii是成熟檢測(cè)器對(duì)測(cè)試集T的刺激水平；調(diào)用Reduce函數(shù)按刺激水平高低對(duì)記憶檢測(cè)器進(jìn)行排序，刪除刺激水平低的記憶檢測(cè)器，完成網(wǎng)絡(luò)抑制，最后輸出結(jié)果得到各節(jié)點(diǎn)的記憶檢測(cè)器集。
5.根據(jù)權(quán)利要求I所述系統(tǒng)中的病毒檢測(cè)模塊，其特征在于，包括 可疑文件抽取子模塊，用于主動(dòng)監(jiān)測(cè)云平臺(tái)中的可疑文件，將其抽取進(jìn)入云平臺(tái)中進(jìn)行并行分析； 可疑文件接收子模塊，用于接收云客戶端主動(dòng)上傳的可疑文件，并將云平臺(tái)對(duì)可疑文件的并行分析結(jié)果回傳給客戶端； 基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)子模塊基于MapReduce模型,根據(jù)親和力計(jì)算公式，使用一個(gè)MapReduce處理過程，調(diào)用Map函數(shù)并行計(jì)算檢測(cè)樣本和各個(gè)節(jié)點(diǎn)上免疫網(wǎng)絡(luò)中記憶檢測(cè)器之間的匹配度，調(diào)用Reduce函數(shù)，收集匹配結(jié)果，只要記憶檢測(cè)器集中有一個(gè)檢測(cè)器與可疑文件的匹配值達(dá)到預(yù)先設(shè)定的匹配閾值，則檢測(cè)出了病毒文件。
6.根據(jù)權(quán)利要求I所述系統(tǒng)的病毒檢測(cè)方法，其特征在于，包括 基于MapReduce免疫網(wǎng)絡(luò)的構(gòu)建方法； 基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡方法； 基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)方法。
7.根據(jù)權(quán)利要求6所述基于MapReduce免疫網(wǎng)絡(luò)的構(gòu)建方法，其特征在于，包括以下步驟步驟I將細(xì)胞庫(kù)中非我集元素拆分，得到基因片段加入基因庫(kù)，按基因片段的基因編碼值將基因庫(kù)分布存儲(chǔ)在云環(huán)境各節(jié)點(diǎn)上； 調(diào)用Map函數(shù)，根據(jù)未成熟檢測(cè)器的基因編碼和自我集中正常可執(zhí)行文件特征碼拆分的鍵值對(duì)，并行計(jì)算從基因庫(kù)中隨機(jī)組合的未成熟檢測(cè)器與自我集S中所有元素的親和力，得到未成熟檢測(cè)器和自我集S之間的親和力鍵值對(duì)<其中，￥是未成熟檢測(cè)器的基因編碼值，i=l, 2，…q，q為未成熟檢測(cè)器的個(gè)數(shù)是未成熟檢測(cè)器對(duì)自我集S的親和力； 步驟2由Reduce函數(shù)收集所有鍵值對(duì)，并根據(jù)它們間的親和力判斷是否將此檢測(cè)器加入成熟檢測(cè)器集合，并對(duì)此成熟檢測(cè)器進(jìn)行交叉變異，將其加入基因庫(kù)，繼續(xù)調(diào)用MapReduce模型，計(jì)算其是否可以加入成熟檢測(cè)器集合，直至成熟檢測(cè)器的個(gè)數(shù)滿足條件，生成的成熟檢測(cè)器存儲(chǔ)在細(xì)胞庫(kù)中； 步驟3將細(xì)胞庫(kù)中所有成熟檢測(cè)器作為免疫網(wǎng)絡(luò)的初始節(jié)點(diǎn)，調(diào)用Map函數(shù)并行計(jì)算任意兩個(gè)成熟檢測(cè)器之間的親和力，得到檢測(cè)器ili和檢測(cè)器1%之間的親和力鍵值對(duì)<<_.趣>,β > ;其中，_是檢測(cè)器的基因編碼值‘是檢測(cè)器的基因編碼值；jf是檢測(cè)器和檢測(cè)器^/之間的親和力，i，j=l, 2-q,q為成熟檢測(cè)器的個(gè)數(shù)； 步驟4由Reduce函數(shù)收集所有鍵值對(duì)； 步驟5根據(jù)Reduce函數(shù)收集到的計(jì)算結(jié)果，以成熟檢測(cè)器作為網(wǎng)絡(luò)節(jié)點(diǎn)，在親和力值大于網(wǎng)絡(luò)構(gòu)建閾值％的任意兩個(gè)成熟檢測(cè)器之間建立連接邊，構(gòu)建免疫網(wǎng)絡(luò)。
8.根據(jù)權(quán)利要求6所述基于MapReduce免疫網(wǎng)絡(luò)的動(dòng)態(tài)平衡方法，其特征在于，包括以下步驟 步驟I調(diào)用Map函數(shù)計(jì)算存儲(chǔ)在細(xì)胞庫(kù)中的測(cè)試集T對(duì)成熟檢測(cè)器的適應(yīng)度，得到每一個(gè)檢測(cè)器的鍵值對(duì)<;其中，Αζ作是成熟檢測(cè)器^!&的基因編碼值，i=l, 2，…q，q為成熟檢測(cè)器的個(gè)數(shù)是成熟檢測(cè)器對(duì)測(cè)試集T的親和力； 步驟2通過Reduce函數(shù)對(duì)各成熟檢測(cè)器根據(jù)每個(gè)檢測(cè)器和測(cè)試集T之間的適應(yīng)度值進(jìn)行排序，選擇出適應(yīng)度高的檢測(cè)器； 步驟3調(diào)用Map函數(shù)選擇出成熟檢測(cè)器和測(cè)試集T間適應(yīng)度高的成熟檢測(cè)器進(jìn)行克隆并變異，并行計(jì)算各成熟檢測(cè)器對(duì)測(cè)試集的刺激水平，得到每一個(gè)檢測(cè)器的鍵值對(duì);其中，￥是成熟檢測(cè)器的基因編碼值，i=l，2，…q，q為成熟檢測(cè)器的個(gè)數(shù)，>是成熟檢測(cè)器對(duì)測(cè)試集T的刺激水平； 步驟4調(diào)用Reduce函數(shù)根據(jù)刺激水平高低對(duì)記憶檢測(cè)器進(jìn)行排序，刪除刺激水平低的記憶檢測(cè)器，完成網(wǎng)絡(luò)抑制； 步驟5輸出各節(jié)點(diǎn)的記憶檢測(cè)器集，將此記憶檢測(cè)器集存儲(chǔ)在細(xì)胞庫(kù)中，用于免疫網(wǎng)絡(luò)的病毒檢測(cè)。
9.根據(jù)權(quán)利要求6所述的基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)方法，其特征在于，并行病毒檢測(cè)過程包括以下步驟步驟I根據(jù)親和力計(jì)算公式，通過調(diào)用Map函數(shù)并行計(jì)算檢測(cè)樣本和達(dá)到動(dòng)態(tài)平衡的免疫網(wǎng)絡(luò)中記憶檢測(cè)器集之間的匹配度； 步驟2調(diào)用Reduce函 數(shù)，收集檢測(cè)樣本和免疫網(wǎng)絡(luò)中記憶檢測(cè)器集之間的匹配度，只要記憶檢測(cè)器集中有一個(gè)檢測(cè)器與可疑文件的匹配程度達(dá)到預(yù)先設(shè)定的匹配閾值，則檢測(cè)出了病毒文件。
全文摘要
本發(fā)明涉及云計(jì)算環(huán)境下一種基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)系統(tǒng)及方法，屬于網(wǎng)絡(luò)安全技術(shù)領(lǐng)域。本發(fā)明包括不同類型的免疫細(xì)胞構(gòu)成的細(xì)胞庫(kù)、基于MapReduce的免疫網(wǎng)絡(luò)模塊和基于MapReduce免疫網(wǎng)絡(luò)的病毒檢測(cè)模塊?；贛apReduce模型，將免疫網(wǎng)絡(luò)的構(gòu)建和動(dòng)態(tài)平衡分解成數(shù)以萬計(jì)的子程序，再將拆分后的子程序上交給由無數(shù)服務(wù)器組成的云計(jì)算環(huán)境進(jìn)行處理，生成記憶檢測(cè)器；云環(huán)境中的服務(wù)器再利用這些記憶檢測(cè)器的分布、并行檢測(cè)云環(huán)境中的病毒。本發(fā)明結(jié)合了云計(jì)算平臺(tái)強(qiáng)大的數(shù)據(jù)處理能力和免疫網(wǎng)絡(luò)的優(yōu)越性，使用本發(fā)明，能有效提高檢測(cè)器的檢測(cè)效率，降低檢測(cè)器的冗余度，提高整個(gè)云計(jì)算環(huán)境的病毒檢測(cè)率，加強(qiáng)云計(jì)算環(huán)境的安全性。
文檔編號(hào)H04L29/08GK102833228SQ201210262010
公開日2012年12月19日 申請(qǐng)日期2012年7月27日 優(yōu)先權(quán)日2012年7月27日
發(fā)明者程春玲, 張登銀, 李君 , 柴倩, 馬曉東, 陳小星 申請(qǐng)人:江蘇億通高科技股份有限公司