人工免疫系统是人工智能技术的重要分支之一,其作为一种受到生物免疫系统的启发,并模仿其免疫功能的一种智能方法被广泛应用于异常检测、数据挖掘、机器学习等多个领域。异常检测通过建立正常行为的模式轮廓来检测异常,被广泛应用于各个领域,在网络安全领域,其通过自体耐受生成检测器区分自体非自体来检测系统的安全威胁,表现出了很好的处理问题能力和鲁棒性,得到了长足的发展,基于免疫的异常检测技术成为本领域的研究热点。检测器是其核心知识集,其生成、优化和检测操作决定了人工免疫的应用效果。目前,人工免疫的问题空间以实值形态空间为主,但实值非自体空间存在“黑洞”问题、由于在实值空间下的匹配策略主要是根据样本间的Euclidean距离和Manhattan距离,随着实值检测器属性个数的增加,带来“维数灾难”的问题。同时空间维度的不断增加会导致检测器生成的时间复杂度和空间复杂度的增长,从而造成检测器生成的速度慢。这些问题使得人工免疫检测的效果不甚理想。鉴于此,本文使用邻域形态空间,并改进邻域否定选择算法(neighborhood negative selection algorithm,NNSA),在生成候选检测器时引入混沌理论和遗传算法,提出了一种多源邻域否定选择算法(multi-source-inspired NNSA,MSNNSA),并基于此提出邻域形态空间多源免疫检测器生成与检测方法,改进邻域形态空间下检测器的构造与生成机制,使其更具靶向性,使获得的检测器具有更好的分布性,同时引入自适应机制优化检测器模型的性能,提高其生成效率和整体的检测性能,解决以上实值形态空间下存在的问题。实验结果表明,本文方法为提高检测器生成效率、检测整体性能和稳定性提供了有效方案,这对于异常检测的实际应用,意义重大。