传统的人工免疫系统大多建立在self─nonself识别基础上,然而self─nonself存在着天生的缺陷,例如自体集合过大,自体和非自体难以区分等。近年来兴起的危险理论很好的弥补了这些缺陷,危险理论认为,免疫应答并不是针对非己抗原进行应答,而是对危害机体的抗原做出响应,因此不需要像NSA算法那样经过大量的训练,从而大大减少免疫应答的规模和次数;对于之前被界定为self但是随着时间的推移,对机体产生危害的抗原,也会进行应答,从而减少了漏报率;同时它不会对非己但无害的抗原应答,减少了误报率。在危险理论中,树突状细胞DCs在危险识别中起到了很重要的作用,它收集机体中的各种信号,并提呈抗原给免疫细胞识别,受这种免疫机制启发的典型算法就是DCA算法。然而,危险理论并没有完全否定SNS模型,只是对其进行了补充,强调了抗原提呈细胞在免疫启动中的作用。特别是强调了专职的抗原提成细胞──树突状细胞的作用。SNS虽然存在一定的缺陷,但是其所强调入侵抗原的异己性,能够说明大多数病毒入侵的特征。大多数入侵病毒都会与计算机中的正常数据存在一定的差异性。所以通过对自体集做否定选择得到的检测器,能够有效的识别入侵的发生。本文综合SNS理论和危险理论,设计了一种新的DCA─NSA模型。它动态地将检测到的确定结果应用到NSA中self集合的更新中:对于新模型确定的正常抗原,如果NSA检测子模块检测结果为nonself,说明NSA模块错误地将self当做了nonself,此时需要将其加入到self集合中,增强self集合的完备性;对于新模型检测到的异常抗原,如果NSA检测为self,说明self集合中混进了nonself数据,需要将其从self中删除,因而增强了self集合的纯净性。新模型采用DCA算法和否定选择算法NSA双重检测机制,综合了两种算法的优点,能够更加高效的进行入侵检测,保证了较高的检测率和较低的误报率。