否定选择算法是借鉴生物免疫系统的一种智能算法,是网络异常检测的重要算法之一。实值形式的否定选择算法将解决问题的空间从简单单一的表现形式拓展到了灵活的表现形式,更加符合真正的实际应用问题。灵活变化的实值否定选择算法改变了检测器大小恒定的情况,大大提高检测器对非自体区域的覆盖效率,同时也减少了否定选择算法产生的检测器数量。如何生成有效的检测器是否定选择算法的关键问题。可变半径检测器的实值否定选择算法虽然在检测率和虚警率上已经有了很大的改进,但是针对大型复杂的实际工程问题来说,冗余的检测器导致了算法需在检测阶段花费大量的时间,且已有的否定选择过程在检测器生成阶段的参数是根据经验选择的,这使得各种算法检测性能各不相同。基于此问题,本文提出一种新的基于检测器集层次聚类的否定选择算法,即在生成检测器集之后,对其进行从上至下的层次聚类以得到检测器聚类中心集合。算法以减少检测器集的数量为主要目的,从而降低测试阶段的计算成本,同时略微提高了算法的检测率并减少了虚警率。检测器的自体半径对检测性能有着直接的影响。V-detector作为否定选择算法中被广泛应用的基础算法之一,对其自体半径的研究对后续该领域的研究改进有着重要的意义。本文改进将使用一组新的自体参数评估方法,通过对V-detector的训练集自体半径进行分析,对自体边界通过迭代算法计算最佳自体半径。在生成不同参数的可变半径检测器之后,通过实验获取训练集的最佳自体半径,为后续研究提供更优的自体集参数选择,进而提高检测器对非自体区域的覆盖面积。