随着网络在人们工作和生活中的广泛应用,网络故障管理的重要性日趋显著。网络系统规模的扩大化以及结构的复杂化,使得网络管理和维护的难度进一步加大。网络中存在很多引发故障的因素,故障的发生不可避免,及时的发现网络故障并对其进行准确定位有助于尽快恢复网络运行状态。而网络技术的复杂性给诊断工作带来很多困难,在当前网络故障诊断研究成果的基础上开展智能的网络故障方法研究具有重要的现实意义。人工免疫系统的诸多优良特性为网络故障诊断领域的发展开辟了崭新途径,得到了众多研究者的关注。在对生物免疫机制进行大量研究工作的基础上,发现成熟检测器可以携带进化过程中获得的大量信息,成熟检测器群体的质量对提高系统诊断性能至关重要,另外,虽然记忆细胞学说在免疫理论的研究中有着广泛应用,但记忆细胞群体的设定多为静态的,且没有对记忆细胞的评价机制。因此,本文从成熟检测器群体质量和记忆检测器的记忆特性出发,研究免疫理论在网络故障诊断领域中的应用。课题对生物免疫特性以及DynamiCS对动态环境的适应性进行了深入研究,基于否定选择、克隆选择和免疫记忆机理,借鉴动态克隆选择算法的运行机制,提出了适用于网络故障诊断的免疫算法,设计了基于免疫理论的网络故障诊断模型。克隆扩增策略意在提高成熟检测器群体的质量,而分级记忆策略则主要是通过对记忆检测器的记忆特性的评价,来实现对记忆检测器群体的动态更新。故障诊断模型中的成熟检测器库和记忆检测器库分别使用克隆扩增策略和分级记忆策略完成进化,能够对环境中出现的新状况进行连续学习,产生新的检测器进行异常检测,有效提高了故障诊断的准确性和效率。