NGHIÊN CỨU MỘT SỐ THUẬT TOÁN THÔNG MINH TRONG MÁY HỌC VÀ HỆ MIỄN DỊCH NHÂN TẠO, ỨNG DỤNG XÂY DỰNG HỆ THỐNG PHÁT HIỆN VIRUS MÁY TÍNH

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
KHOA KHOA HỌC MÁY TÍNH
BỘ MÔN: CÔNG NGHỆ TRI THỨC VÀ ỨNG DỤNG

BÁO CÁO
NGHIÊN CỨU MỘT SỐ THUẬT TOÁN
THÔNG MINH TRONG MÁY HỌC VÀ
HỆ MIỄN DỊCH NHÂN TẠO,
ỨNG DỤNG XÂY DỰNG HỆ THỐNG
PHÁT HIỆN VIRUS MÁY TÍNH
GVHD: GS. TSKH. Hoàng Văn Kiếm
Học viên: Nguyễn Vĩnh Kha
MSHV: CH1101096
KHÓA: K6-2011
LỚP: CH06
TP. Hồ Chí Minh – 05/2012
1
MỤC LỤC
2
I. GIỚI THIỆU
Sự phát triển của Internet tạo điều kiện cho các loại hình xâm nhập luận lý trái phép vào các
hệ thống CNTT cả chiều rộng (lây lan trên quy mô toàn thế giới) và chiều sâu (can thiệp vào hạt
nhân hệ thống đích).
Virus máy tính (từ đây gọi tắt là virus, phân biệt với từ “virút” trong y học) thực sự trở thành
mối đe dọa thường xuyên và cấp bách của các hệ thống CNTT hiện nay.
Để phòng chống virus máy tính, các hệ thống CNTT sử dụng các phần mềm chống virus
(anti-virus, gọi tắt là AV). Qua khảo sát, phần lớn các AV chỉ phát huy tác dụng trên các mẫu
virus xác định, khả năng dự đoán virus mới còn hạn chế nên thường bị động khi có dịch virus
bùng phát.
Đã có nhiều giải pháp ứng dụng TTNT đã ra đời nhằm mục đích dự báo, chuẩn đoán các mẫu

virus mới. Trong đó, điển hình nhất chính là hệ miễn dịch (HMD) nhân tạo - một phương pháp
cách tiếp cận của tin sinh học - là khái niệm chỉ các hệ thống thông minh nhân tạo, giải quyết vấn
đề dựa trên các nguyên lý, chức năng và mô hình hoạt động của HMD con người.
Giống như miễn dịch sinh học, HMD nhân tạo có một số đặc trưng chính quan trọng như:
chống chịu nhiễu, học không có giám sát, ghi nhớ, phân tán và tự tổ chức. HMD nhân tạo được
đánh giá như một phương pháp tính toán mềm mới có hiệu quả. Phạm vi ứng dụng của HMD
nhân tạo không chỉ đơn thuần giới hạn ở các bài toán nhận dạngmà nó thực sự thu hút được sự
chú ý của các nhà nghiên cứu thông qua những ứng dụng trong các lĩnh vực như bảo mật và an
toàn thông tin, học máy, robot học, điều khiển học, tối ưu hoá…
Ở Việt Nam, các công trình, tài liệu nghiên cứu về HMD nhân tạo còn rất ít. Chính vì vậy
chúng tôi đã thực hiện nghiên cứu đề tài: “Nghiên cứu một số thuật toán thông minh trong máy
học và hệ miễn dịch nhân tạo. Ứng dụng xây dựng hệ thống phát hiện virus máy tính”. Chúng tôi
đã xây dựng một chương trình dựa trên lý thuyết của HMD nhân tạo nhằm mục đích bước đầu áp
dụng HMD nhân tạo vào việc phát hiện virus.
Ngoài phần giới thiệu, báo cáo bao gồm:
Chương II. Các cơ chế chuẩn đoán virus và một số vấn đề liên quan
Chương III. Một số đặc điểm cơ bản của hệ miễn dịch sinh học
Chương IV. Tổng quan về hệ miễn dịch nhân tạo
Chương V. Xây dựng hệ thống phát hiện virus
Chương VI. Kết luận và hướng phát triển
II. CÁC CƠ CHẾ CHUẨN ĐOÁN VIRUS MÁY TÍNH VÀ MỘT SỐ VẤN ĐỀ LIÊN
QUAN
Cho đến nay, có ba kỹ thuật nhận dạng virus máy tính đã được áp dụng:
Dựa vào chuỗi nhận dạng virus (signature-based approach): phát hiện các virus đã biết trên tập
dữ liệu chẩn đoán với độ chính xác cao. Tuy nhiên kỹ thuật này lại có những nhược điểm như
cồng kềnh, bị động và khả năng nhầm lẫn dẫn đến mất mát dữ liệu sạch.
Dựa vào hành vi nghi ngờ virus (suspicious behavior-based approach): cách tiếp cận này
nghiên cứu virus máy tính dưới góc độ thi hành của tập mã lệnh. Cách tiếp cận này dựa vào khái
niệm hành vi để xây dựng cơ chế nhận dạng thông qua tập các thủ tục, hành vi của chúng. Do
các virus giống nhau thường có hành vi như nhau nên AV có thể nhận dạng các virus cùng họ.

Tuy nhiên AV khó phân biệt được các hành vi giống nhau nhưng mục đích khác nhau nên tiếp
cận này ít được sử dụng cho máy lẻ, trạm làm việc, vốn dành cho người dùng ít kinh nghiệm.
3
Dựa vào ý định virus (intention-based approach): lưu giữ hình ảnh chi tiết của máy tính trong
tình trạng sạch, sau đó tiếp tục theo dõi trạng thái hệ thống. Những thay đổi quan trọng trong tập
tin, cấu hình hệ thống hay HĐH đều được cảnh báo như một mối hiểm họa tiềm tàng. Khi những
thay đổi này được đánh giá nguy hiểm, hệ sẽ khôi phục máy về tình trạng ban đầu. Mặc dù đơn
giản nhưng tiếp cận này tỏ ra khá hiệu quả vì nó có thể bảo vệ máy tính khỏi các mối đe dọa
chưa được biết đến, kể cả virus máy tính. Tuy nhiên tiếp cận này kém hiệu quả khi các điểm
trạng thái được ghi nhận lúc hệ thống bị nhiễm virus lạ. Mặt khác, hệ cũng cần bộ nhớ ngoài đủ
lớn để lưu toàn bộ hình ảnh hệ thống qua từng thời điểm.
III. MỘT SỐ ĐẶC ĐIỂM CƠ BẢN CỦA HỆ MIỄN DỊCH SINH HỌC
A. Các khái niệm miễn dịch sinh học
Hệ miễn dịch (HMD) là hệ thống sinh học bảo vệ cơ thể chống lại những tấn công liên tục của
các sinh vật từ bên ngoài, với hai chức năng chính là nhận diện và loại bỏ những vi sinh vật xâm
nhập vào cơ thể.
Chức năng của hệ miễn dịch sinh học là nhận dạng tế bào và phân chia chúng thành hai nhóm
khác nhau: self (những tế bào của cơ thể tạo ra) và non-self (những tế bào lạ), đồng thời loại bỏ
các tế bào thuộc loại non-self.
B. Các thành phần chủ yếu của hệ miễn dịch
HMD là một cơ chế bảo vệ tự nhiên hiệu quả và tức thời, cho phép cơ thể chống lại những lây
nhiễm của các vi sinh vật bên ngoài. Nó bao gồm hai tầng bảo vệ là: Hệ thống miễn dịch bẩm
sinh và hệ thống miễn dịch thích nghi. Cả hai hệ thống hoạt động dựa trên các tế bào bạch huyết
(white blood cells) còn gọi là bạch cầu (leukocyte). Trong đó HMD bẩm sinh chủ yếu dựa vào
bạch cầu hạt (granulocyte) và đại thực bào (macrophage), còn HMD thích nghi dựa vào tế bào
lympho (lymphocyte – là một loại bạch cầu).
HMD sinh học bao gồm các thành phần sau:
- Đại thực bào (Macrophage),
- Bạch cầu hạt (Granulocyte),
- Bạch cầu trung tính (Neutrophils – Bạch cầu đa hình),

- Bạch cầu ưa eosin (Eosionphils),
- Bạch cầu ái kiềm (Basophils),
- Lympho bào (Lymphocyte).
C. Các cơ chế kích hoạt (hoạt hoá) và nhận diện miễn dịch cơ bản
HMD chứa một tập tế bào (cells) và phần tử (molecules) bảo vệ cơ thể chống lại sự lây
nhiễm. Khi bị các kháng nguyên tấn công HMD thích nghi sẽ được kích hoạt. Kháng nguyên có
thể là những phần tử bên ngoài (antigen) như các phần tử trên bề mặt của các tác nhân gây bệnh
hoặc các kháng nguyên do tế bào của cơ thể tạo ra (self-antigen).
D. Chức năng sinh học của hệ miễn dịch
Có nhiều bộ phận sản sinh bạch cầu trong cơ thể tạo nên HMD, những thành phần này gọi là
cơ quan lymphoid (lymphoid organ – cơ quan sản sinh bạch cầu), mỗi thành phần giữ một vai trò
nhất định trong việc sản sinh, trưởng thành và phát triển của các lympho bào (lymphocyte – là
một loại bạch cầu), chủ yếu là B-cell và T-cell. Các cơ quan lymphoid có thể được chia thành 2
loại:
- Loại cơ quan tiên phát (primary lymphoid organs), chúng có nhiệm vụ sản sinh lympho bào
và tăng độ thích hợp của chúng với các kháng nguyên bằng cơ chế chọn lọc và đột biến. Loại cơ
quan tiên phát bao gồm: tủy xương (Bone marrow), tuyến ức (Thymus).
4
- Loại cơ quan thứ phát (secondary lymphoid organs). Tại những cơ quan này các lympho bào
sau khi sinh ra tương tác với tác nhân kích thích kháng nguyên (antigentic stimuli) làm cho đáp
ứng miễn dịch thích nghi được kích hoạt. Loại cơ quan thứ phát bao gồm: hạch hạt nhân ở họng
và amydam (Tonsils và adenoid), các nút Lympho (Lympho nodes), ruột thừa và máng
Peyer (Appendix và peyer’s patches), lách (spleen), mạch lymphatic (Lymphatic vessels-
Lymphatic system).
Hình 3.1 cho thấy các cơ quan lymphoid (lymphoid organs) phân bố trong cơ thể.
Hình 3.1: Các cơ quan sản sinh bạch cầu
HMD có thể coi như một kiến trúc phân tầng với cơ chế điều chỉnh và bảo vệ trong một số
mức như hình 3.2.
Hình 3.2: Kiến trúc đa tầng của HMD
Pathogens: Tác nhân gây bệnh, Skin: Lớp da, Biochemical Barriers: Hàng rào sinh hóa, Innate

immune response: Đáp ứng miễn dịch bẩm sinh, Adaptive immune response: đáp ứng miễn dịch
thích nghi, Phagocyte: Thực bào, Lymphocyte: Lympho bào (là một loại bạch cầu).
Các hàng rào vật lý (Physical barriers): Gồm lớp da và màng nhầy nằm ở các tuyến hô hấp và
tiêu hóa chứa đại thực bào (macrophage) và kháng thể ngăn không cho những chất lạ xâm nhập
vào cơ thể.
5
Hàng rào sinh hóa (Biochemical barriers): Các chất lưu như nước bọt, mồ hôi nước mắt chứa
những enzym có thể loại bỏ kháng nguyên. Các Axit trong da cùng với nhiệt độ của cơ thể cũng
ngăn cản sự sống sót và sản sinh của một kháng nguyên.
HMD thích nghi và bẩm sinh: Hai tuyến chính của HMD sẽ được trình bày kỹ hơn trong phần
sau.
E. Hệ miễn dịch bẩm sinh (Innate immune system)
HMD bẩm sinh hoạt động dựa vào bạch huyết cầu là đại thực bào và bạch cầu trung tính (có
chức năng nuốt và tiêu diệt các vi trùng, tạo ra một cơ chế bảo vệ quan trọng chống lại các bệnh
truyền nhiễm). Những bạch huyết này có các cơ quan thụ cảm bề mặt có thể nhận diện và bám
vào các phần tử gây bệnh.
Với những vi khuẩn thông thường, HMD bẩm sinh có thể nhận diện và loại bỏ.
HMD bẩm sinh không có cơ chế ghi nhớ, hoạt động của HMD bẩm sinh đối với các vi sinh
vật xâm nhập vào cơ thể lần 2 không có gì khác so với lần 1. Đây là điểm khác biệt cơ bản so với
HMD thích nghi.
F.Hệ miễn dịch thích nghi (Adaptive immune system)
HMD thích nghi hoạt động với thành phần chính là các lympho bào (lymphocyte - là một loại
bạch cầu) bao gồm (B-cell và T-cell). Các B-cell và T-cell trên bề mặt của chúng có những cơ
quan thụ cảm chuyên dụng cho một loại kháng thể nào đó. Khi kháng nguyên xâm nhập vào cơ
thể các cơ quan thụ cảm trên bề mặt của lympho bào sẽ kết hợp với kháng nguyên làm cho các
lympho bào này được kích hoạt và thực hiện quá trình nhân rộng, đột biến sau đó tạo ra những
kháng thể thích hợp có khả năng nhân diện và loại bỏ kháng nguyên. Một số lympho bào sẽ trở
thành tế bào có khả năng ghi nhớ lưu thông trong cơ thể.Khi có loại kháng nguyên tương tự lây
nhiễm, HMD thích nghi có thể nhanh chóng phát hiện và loại bỏ chúng. Khả năng này giúp cho
cơ thể không mắc lại những bệnh cũ. Do đó đáp ứng miễn dịch thích nghi cho phép HMD tự

hoàn thiện nó sau mỗi lần “đụng độ” với kháng nguyên.
G. Nhận dạng mẫu (Pattern Recognition)
Dưới quan điểm về nhận dạng mẫu trong HMD, đặc trưng quan trọng nhất của B-cell và T-
cell là chúng mang những phần tử cảm thụ trên bề mặt có khả năng nhân dạng kháng nguyên.
Các cơ quan thụ cảm B-cell (B-cell Receptor) và cơ quan thụ cảm T-cell (T-cell Receptor) nhận
diện kháng nguyên với những đặc điểm khác nhau. Cơ quan thụ cảm B-cell tương tác với các
phần tử kháng nguyên một cách tự do, trong khi các cơ quan thụ cảm T-cell chỉ nhận diện các
kháng nguyên được gắn kết trên một phần tử bề mặt (phần tử nằm trên bề mặt của một tế bào
trình diện kháng nguyên – APC) gọi là MHC (Majoy Histocompatibility Complex - MHC đây là
phức hợp các phần tử làm nhiệm vụ trình diện peptide kháng nguyên cho T-cell).
Vai trò chính của B-cell là sinh ra một loại kháng thể chuyên dụng, đây là thuộc tính đơn đặc
trưng (monospecificity) của B-cell.
Trong khi đó chức năng của T-cell là điều chỉnh các tế bào khác và tấn công trực tiếp các tế
bào gây ra sự lây nhiễm trong cơ thể.
B-cell trình diện các phần tử kháng thể trên bề mặt của chúng, và trưởng thành trong tuỷ
xương, còn quá trình trưởng thành của T-cell xảy ra trong tuyến ức.
H. Phân biệt Self và Nonself
Trong quá trình chọn lọc các tế bào B-cell và T-cell, HMD thích nghi bên cạnh việc phải chọn
ra những tế bào có khả năng nhận biết được những tế bào lạ (antigen hay nonSelf), còn phải loại
bỏ những tế bào nhận biết được những tế bào do cơ thể tạo ra (antigen hay đơn giản là Self).
Tương ứng với hai quá trình này ta có quá trình chọn lọc tích cực và quá trình chọn lọc tiêu cực.
6
Hai quá trình này xảy ra với cả B-cell và T-cell với nguyên lý khá giống nhau, nên khi xây dựng
thuật toán cho nó sẽ chỉ xét với T-cell.
Phép chọn lọc tích cực (Positive Selection)
a) Nguyên tắc lựa chọn
Phép chọn lọc tích cực đối với các lympho bào (T-cell và B-cell) nhằm mục đích tránh sự góp
mặt của những lympho bào không có ích. Những lympho bào mà cơ quan thụ cảm chúng không
có khả năng nhận diện được kháng nguyên sẽ bị loại bỏ. Kết quả cuối cùng của phép chọn lọc
tích cực là những lympho bào có khả năng nhận diện được kháng nguyên.

b) Chọn lọc tích cực với T-cell
Tất cả T-cell có cơ quan thụ cảm nhận diện được một phần của kháng nguyên (peptide), mà
peptide này đã kết hợp với MHC tạo thành phức chất MHC/peptide, cần được chọn vào quần thể
có giá trị và giải phóng khỏi tuyến ức để nó thực hiện nhiệm vụ miễn dịch của mình.
Quá trình chọn lọc tích cực đảm bảo chỉ những T- cell mà cơ quan thụ cảm của nó có thể nhận
diện kháng nguyên (nhận diện được phức hợp MHC/peptide) mới được đi ra khỏi tuyến ức, lưu
thông trong cơ thể. Quá trình này xảy ra trong tuyến ức, do đó nó được gọi là phép chọn lọc tích
cực trung tâm, hay phép chọn lọc tích cực trong tuyến ức. Ở quá trình chọn lọc tích cực này độ
thích hợp của kháng thể và kháng nguyên không đủ lớn để tạo ra quá trình chọn lọc Clone
(clonal selection) mà nó chỉ là tiền đề cho quá trình chọn lọc Clone.
c) Chọn lọc tích cực với B-cell
Trong quá trình sản sinh B-cell, nhiều B-cell sau khi đột biến cơ quan thụ cảm của nó không
thể kết hợp được với kháng nguyên sẽ bị loại bỏ. Một số B-cell có cơ quan thụ cảm (BCR hay
antibody) sau khi đột biến kết hợp được với kháng nguyên sẽ được duy trì, một số B-cell tốt (B-
cell có độ thích hợp cao) sẽ trở thành B-cell ghi nhớ sống lâu trong cơ thể.
Chọn lọc tiêu cực (Negative Selection)
a) Nguyên tắc lựa chọn
Phép chọn lọc tiêu cực của các lympho bào (T-cell và B-cell) nhằm mục đích loại bỏ những
lympho bào mà cơ quan thụ cảm của nó nhận diện được các tế bào do cơ thể tạo ra (self - antigen
hoặc self - peptide – gọi đơn giản là self) và có khả năng tiêu diệt những tế bào này.
b) Chọn lọc tiêu cực với T-cell
Tất cả T-cell có cơ quan thụ cảm nhận diện được self-peptide hay self-antigen hay đơn giản là
self (phần kháng nguyên do cơ thể tạo ra), mà self-peptide này đã kết hợp với phần tử MHC tạo
thành phức hợp MHC/self-peptide. Quá trình này đảm bảo rằng T-cell rời khỏi tuyến ức không
thể nhận dạng được bất kỳ tế bào nào do cơ thể sinh ra.
c) Chọn lọc tiêu cực với B-cell
Trong quá trình sản sinh nhiều B-cell mà cơ quan thụ cảm của nó có thể kết hợp với các tế
bào của cơ thể (self - antgen) sẽ bị loại bỏ.
Chọn lọc nhân bản (Clonal Selection)
Khái niệm về chọn lọc nhân bản được dùng để miêu tả chức năng của hệ miễn dịch thu được

nhằm làm đa dạng hóa các kháng thể giúp cơ thể chống lại sự xâm nhập của các kháng nguyên.
Trong suốt quá trình tăng sinh các kháng thể, sự đột biến gen xuất hiện trong các kháng thể
mới nhằm làm tăng ái lực với các kháng nguyên. Điều này khiến cho khả năng phát hiện kháng
nguyên của các kháng thể này được cải thiện theo thời gian. Việc chọn lọc này có thể xem như
một mô hình thu nhỏ của thuyết tiến hóa Darwin khi các kháng thể thích hợp nhất được lựa chọn
và được biến đổi gen để tăng tính đa dạng của quần thể.
7
Hình 3.3: Quá trình chọn lọc nhân bản
IV. TỔNG QUAN VỀ HỆ MIỄN DỊCH NHÂN TẠO
A. Khái niệm về hệ miễn dịch nhân tạo
“HMD nhân tạo là một hệ thống thích nghi lấy ý tưởng của học thuyết miễn dịch và những
chức năng, nguyên tắc, mô hình miễn dịch quan sát được, áp dụng giải các bài toán thực tế.”
(Castro & Timmis - 2002)
B. Phạm vi ứng dụng của hệ miễn dịch nhân tạo
HMD nhân tạo có phạm vi ứng dụng rất rất rộng rãi, các ứng dụng của nó phải kể đến là:
- Nhận dạng mẫu
- Kiểm tra lỗi và những dấu hiệu bất thường của hệ thống
- Phân tích dữ liệu
- Lập lịch
- Học máy
- Điều khiển tự động
- Tìm kiếm và tối ưu
- An toàn thông minh
C. Cấu trúc cơ bản của hệ miễn dịch nhân tạo
Mô hình chung cho các hệ thống phỏng tiến hoá sinh học
Cấu trúc cơ bản của hệ thống phỏng sinh học cần có 3 yếu tố cơ bản sau:
- Biểu diễn các thành phần của hệ thống.
- Cơ chế đánh giá tương tác của các cá thể với môi trường và các cá thể với nhau. Môi trường
thường mô phỏng bởi một tập kích thích vào, một hoặc nhiều hàm đo độ thích nghi của cá thể
với môi trường.

- Các thủ tục thích nghi điều khiển tính động của hệ thống, tức là làm cho hoạt động của hệ
thống thay đổi theo thời gian.
Đây cũng là điểm cơ bản của cấu trúc để thiết kế HMD nhân tạo, đó là: Mô hình hoá các
thành phần của HMD gồm tế bào các phần tử miễn dịch; xây dựng một tập hàm xác định độ
thích hợp, để định lượng sự tương tác của các phần tử nhân tạo, và một tập thuật toán để điều
khiển tính động của hệ AIS.
Mô hình cho hệ miễn dịch nhân tạo
8
Hình 4.1: Cấu trúc phân tầng của HMD nhân tạo
Tầng đầu tiên là lĩnh vực ứng dụng. Đối với lĩnh vực ứng dụng khác nhau sẽ quyết định những
thành phần và cách thức biểu diễn khác nhau và dẫn tới các thao tác trên các thành phần cũng
khác nhau.
Tầng thứ hai là biểu diễn các thành phần: Trong AIS phải biểu diễn được hai thành phần quan
trọng là kháng thể và kháng nguyên.
Tầng thứ ba là các phương pháp đánh giá độ thích hợp: Để đánh giá độ thích hợp có thể sử
dụng nhiều phương pháp khác nhau như khoảng cách Hamming, khoảng cách Euclid, hoặc
khoảng cách Mahattan.
Tầng thứ tư là sử dụng các thuật toán miễn dịch: Có thể dùng các thuật toán miễn dịch như
thuật toán chọn lọc tích cực, thuật toán chọn lọc tiêu cực, thuật toán chọn lọc Clone, thuật toán
aiNet, thuật toán RAIN để điều chỉnh tính động của hệ AIS.
Tầng thứ năm là đưa ra lời giải cho bài toán: Lời giải cho bài toán sẽ được cập nhật lại sau khi
một quần thể mới được tạo và đưa ra kết quả cuối cùng khi đạt đến điều kiện kết thúc nào đó ví
dụ như sau một số bước lặp nhất định.
Các mô hình trừu tượng của hệ miễn dịch và tương tác giữa chúng
a) Tổng quát hoá các thành phần sinh học của hệ miễn dịch
Ta giả thiết rằng các cơ quan thụ cảm trên bề mặt của mọi bạch cầu được gọi chung là kháng
thể và phần tử mà các cơ quan thụ cảm này nhận diện được gọi chung là kháng nguyên. Khả
năng nhận diện của các cơ quan thụ cảm với phần tử gây bệnh được gọi là độ thích hợp (Affinity
hay Degree of match) của kháng thể với kháng nguyên.
b) Không gian hình dạng (Shape - Space)

Kết hợp với kháng thể và kháng nguyên chính là sự kết hợp của khối lồi và lõm trên bề mặt 2
phần tử như hình 4.2. Để mô tả hình dạng tổng quát của kháng thể và kháng nguyên cũng như
thể hiện sự kết hợp giữa chúng, ta có thể biểu diễn kháng thể và kháng nguyên là một tập các
khối lồi, lõm với 3 tham số chiều cao, chiều rộng và chiều dài. Ta có thể biểu diễn kháng thể và
kháng nguyên như một tập L tham số.
Hình 4.2: Kháng thể nhận diện kháng nguyên dựa vào phần bù
Như vậy mỗi kháng thể và kháng nguyên có thể coi như một chuỗi thuộc tính m=<m1,m2,
…,mL> trong không gian hình dạng S, L chiều. Mỗi phần tử chính là một điểm trong không gian
S.
9
Chuỗi thuộc tính có thể được tạo bởi bất kì kiểu thuộc tính nào như kiểu số thực, số nguyên,
bit và ký hiệu. Kiểu thuộc tính của các phần phụ thuộc vào bài toán và là yếu tố quan trọng để từ
đó xác định tương tác của phần tử. Có một số kiểu không gian hình dạng chủ yếu sau:
- Không gian thực (Real - shape - space): Chuỗi thuộc tính có các phần tử nhận giá trị thực.
- Không gian nguyên (Integer - shape - space): Chuỗi thuộc tính có các phần tử nhận giá trị
nguyên.
- Không gian Hamming (Hamming - shape - space): Chuỗi thuộc tính có các phần tử nhận một
giá trị nào đó trong bảng hữu hạn k mẫu tự.
- Không gian ký hiệu (Symbolic - shape - space): Thường tạo bởi các thuộc tính có kiểu khác
nhau, trong đó có ít nhất một thuộc tính là kiểu ký hiệu.
Không mất tính tổng quát ta có thể giả sử kháng thể và kháng nguyên có cùng độ dài là L.
Tổng quát một kháng thể được biểu diễn bởi vector Ab=<Ab1,Ab2,…,AbL> và một kháng
nguyên được biểu diễn bởi vector Ag=<Ag1,Ag2,…,AgL> để xác định tương tác của các kháng
thể với nhau và kháng thể với kháng nguyên có thể dùng công thức tính khoảng cách để đo độ
thích hợp của 2 phần tử.
c) Đánh giá tương tác giữa các phần tử
- Không gian Euclid và không gian Mahattan:
Không gian toạ độ thực dùng công thức tính toán khoảng cách (4.1) được gọi là không gian
Euclid, dùng công thức tính toán khoảng cách (4.2) được gọi là không gian Mahattan:
( )

2
L
i i
i l
D Ab Ag
=
= −
∑
(4.1)
L
i i
i l
D Ab Ag
=
= −
∑
(4.2)
Để đánh giá độ thích hợp giữa các thành phần của AIS, trong không gian thực có thể dùng
khoảng cách Euclid hoặc khoảng cách Mahattan.
- Không gian Hamming:
Không gian hình dạng Hamming, các kháng nguyên và kháng thể được biểu diễn như các dãy
ký hiệu trên một tập hữu hạn k mẫu tự. Công thức tính toán cách Hamming (4.3) dùng để đánh
giá độ thích hợp giữa 2 chuỗi thuộc tính có độ dài L trong không gian Hamming. Với k=2 ta có
không gian Hamming nhị phân, k=3 ta có không gian Hamming tam phân.
L
i
i l
D
δ
=

=
∑
,
1
0
i i
i
i i
Ab Ag
Ab Ag
δ
≠

=

=

(4.3)
Tuỳ thuộc vào bài toán, một không gian nguyên cũng có thể được áp dụng. Trong không gian
này các thuộc tính tương ứng với các biến có giá trị nguyên. Không gian nguyên có thể được
xem như một trường hợp đặc biệt của không gian Hamming.
Các công thức trên không chỉ dùng để biểu diễn tương tác giữa các kháng thể với kháng
nguyên, mà còn có thể dùng để biểu diễn tương tác giữa các phần tử trong HMD. Ta có thể coi
các công thức trên là những công thức chung để xác định tương tác giữa các phần tử trong HMD.
Ngoài ra để xác định tương tác giữa các phần tử, ta quy định một ngưỡng nào đó, tuỳ từng bài
toán và từng trường hợp cụ thể nếu khoảng cách D giữa 2 phần tử nhỏ hơn hoặc lớn hơn ngưỡng
ta có 2 phần tử tương tác với nhau, hay có thể nhận diện được nhau.
Một số thuật toán miễn dịch
10
Dựa vào biểu diễn thích hợp cho các tế bào và phần tử miễn dịch cũng như cách tương tác giữa

các phần tử, người ta đưa ra một số thuật toán miễn dịch chung dựa trên những ý tưởng của
HMD.
- Mô hình dựa trên hoạt động của tuỷ xương (Bone marrow models): Được dùng để sản sinh
quần thể tế bào và các phần tử.
- Mô hình dựa trên hoạt động của tuyến ức: được dùng để chọn lọc quần thể tế bào và các phần
tử có khả năng nhận diện Self và nonSelf.
- Mô hình mạng miễn dịch và thuật toán chọn lọc Clone: Được dùng để mô tả tương tác giữa
các phần tử trong HMD với nhau và với môi trường, điều khiển các thành phần của HMD tương
tác với môi trường bên ngoài. Bao gồm các quá trình chọn lọc, nhân rộng, đột biến, bổ sung phần
tử mới.
Các thuật toán sẽ được mô tả ở mức tổng quát cao, đưa ra các mô hình tính toán chung tương
ứng với quá trình miễn dịch sinh học. Ý tưởng chung của các thuật toán miễn dịch là điều chỉnh
quần thể, kháng thể nhằm hướng quần thể tới những lời giải tốt (tính hội tụ của quần thể) đồng
thời cũng phải đảm bảo tính đa dạng của quần thể (tránh trường hợp làm cho bài toán hội tụ
sớm).Việc điều chỉnh quần thể này dựa trên độ thích hợp của các kháng thể và kháng nguyên và
giữa các kháng thể với nhau. Tuy nhiên việc đánh giá độ thích hợp không giống nhau cho các
thuật toán, với mỗi thuật toán sẽ có những cách đánh giá khác nhau.
V. XÂY DỰNG HỆ THỐNG PHÁT HIỆN VIRUS
A. Xây dựng bộ phát hiện (Detector)
Trong hệ thống phát hiện virus (VDS) mà chúng tôi xây dựng sau đây, các bộ phát hiện sẽ có
chiều dài l = 32 và là các chuỗi bit nhị phân, tức là m = 2. Các chuỗi nay sẽ được rút trích trực
tiếp từ các file virus theo nguyên tắc sau:
Hình 5.1: Nguyên tắc rút trích các đoạn bit nhị phân
Các đoạn chuỗi nhị phân dài l = 32 bit sẽ được rút trích từ file nhị phân một cách liên tục, mỗi
chuỗi nhị phân liên tiếp nhau sẽ trùng lên nhau một đoạn l/2. Việc rút trích trực tiếp từ file virus
với mật độ cao như vậy nhằm làm tăng tính đa dạng của các bộ phát hiện và tránh bỏ sót các dấu
hiệu có thể dùng để nhận dạng virus.
Hệ thống VDS phải phân biệt được các dữ liệu là mình hay không phải mình dựa trên chuỗi
có chiều dài cố định l. Mỗi chuỗi đó được coi là một phần tử a. Một tập của tất cả các phần tử
hình thành vũ trụ U, U = {a

1
, a
2
, a
3
, …,a
n
} bao gồm 2 tập con riêng biệt, một tập các phần tử
mình U
s
và một tập các phần tử không mình U
n
. Như vậy U = U
s
∪
U
n
và U
s
∩
U
n
=
∅
. Như vậy
vấn đề chính của hệ thống VDS là cho một chuỗi bất kỳ từ U, phân loại nó là thuộc U
s
hay U
n
.

Trong phạm vi đề tài này, sự phân biệt giữa mình và không mình chính là sự phân biệt giữa dữ
liệu bình thường và dữ liệu là virus.
Việc phân biệt Self và nonSelf có thể dẫn đến 2 lỗi sau: False negative xảy ra khi một phần tử
gây hại (nonSelf) được phân loại là bình thường (Self); False positive xảy ra khi một phần tử
bình thường được phân loại là phần tử gây hại.
11
Hệ VDS bao gồm một lượng các bộ phát hiện D. Mỗi bộ phát hiện d
∈
D bao gồm một không
gian C
d
là số lượng các phần tử mà nó có thể nhận dạng. Nếu bộ phát hiện d không nhận ra một
phần tử nào, không gian C
d
=
∅
, ngược lại nếu bộ phát hiện d nhận ra tất cả các phần tử thì C
d
=
U.
Sự biểu diễn của chuỗi bit nhị phân l = 32 cho phép hệ thống VDS có thể nhận ra các phần tử
khác nhau thông qua việc so khớp chuỗi. Nhưng như đã phân tích về hệ miễn dịch, một đặc tính
cực kỳ thú vị đó là sự khái quát hóa và suy rộng của việc so khớp chuỗi có thể được thi công
trong hệ VDS sử dụng thuật toán so khớp gần đúng.
B. Luật so khớp trùng chuỗi
Nhìn chung vấn đề so khớp chuỗi gần đúng là tìm trong một chuỗi theo một khuôn mẫu với
số giới hạn lỗi cho phép khi so khớp. Luật so khớp như thế nào dựa trên đặc tính mà người tạo ra
giải thuật quan tâm. 2 trong số những luật đó là Hamming và r-Contiguous. Đề tài này tập trung
vào luật r-Contiguous vì nó thể hiện trừu tượng sự kết hợp của các bộ phát hiện trong hệ miễn
dịch một cách sát thực nhất.

Cả luật Hamming và r-Contiguous đều có thể điều chỉnh sử dụng một biến ngưỡng r, với 0
≤
r
≤
l. Nếu r = 0, không gian của d là Cd = U và nếu r = l không gian của d là một chuỗi duy nhất
tức Cd = {a}. Với giá trị của r càng lớn, sự so khớp càng nghiêm ngặt hơn. Giá trị biểu diễn cho
sự trùng khớp được coi tương ứng như là lực hấp dẫn giữa kháng nguyên (antigen) và lympho
bào trong hệ miễn dịch.
A = 1100101010111010
B = 0010101001101011
Như ví dụ trên,áp dụng luật so khớp Hamming áp dụng với 2 chuỗi chiều dài cố định l = 16,
các ký tự lấy từ tập ký tự có m = 2 phần tử riêng biệt với biến ngưỡng r = 9. Hai chuỗi A và B
được coi là khớp nhau với mọi r
≤
9.
A = 1100101010111010
B = 0010101001101011
Áp dụng luật r-Contiguous với 2 chuỗi chiều dài cố định l = 16, các ký tự lấy từ tập ký tự có
m = 2 phần tử riêng biệt với biến ngưỡng r = 5. Hai chuỗi A và B được coi là khớp nhau với mọi
r
≤
5.
Cần lưu ý rằng trong hệ miễn dịch sự kết hợp giữa lympho bào và kháng nguyên dựa trên sự
tương thích của hình dáng có thể khớp nhau, trong khi ở đề tài này tập trung vào chuỗi nhị phân
(m = 2) với sự so khớp gần đúng giữa chúng là các cặp giá trị 1 – 1 , 0 – 0 tương ứng với 2 chuỗi
này là bổ sung hay hấp dẫn nhau.
Luật so khớp Hamming dựa trên khoảng cách Hamming giữa 2 chuỗi. Nếu 2 chuỗi A và B có
cùng giá trị tại ít nhất r vị trí, chúng được coi là khớp. Với luật so khớp r-Contiguous, 2 chuỗi A
và B được coi như khớp nếu có ít nhất r vị trí liên tiếp có giá trị giống nhau.
Ta có thế thấy rõ rằng với giá trị ngưỡng r cao, kết quả sẽ tạo ra những bộ phát hiện kém tổng

quát. Một hệ thống VDS với ngưỡng so khớp cao sẽ cần nhiều bộ phát hiện để có thể phân biệt
giữa yếu tố Self và nonSelf một cách hiệu quả. Nhưng điều này cũng có nghĩa là hệ thống sẽ cần
ít lần thử hơn để sinh ra một bộ phát hiện trưởng thành (maturedetector). Vấn đề này sẽ được
trình bày rõ ở phần sau.
Trong đề tài này chúng ta sử dụng luật so khớp trùng chuỗi r-Contiguous vì với giải thuật này
thì sẽ cho ta sự kiểm tra quá trình so khớp nghiêm ngặt hơn.
Giải thuật so khớp khá đơn giản: ta sử dụng phép toán tử XOR cho 2 chuỗi bit dữ liệu, tương
tự trong hệ miễn dịch là kháng thể (antibody) và kháng nguyên (antigen).
12
Kết quả:1 if KT
i
!= KN
i
: 0 otherwise (XOR operator)
Mã giả hàm được dùng để kiểm tra hai chuỗi A và B có khớp nhau với ngưỡng r hay không
dựa trên luật r-Contiguous:
R-CONTIGUOUS-MATCH (r,A,B)
If r = 0 then
return TRUE
l length[A]
c 0
XA⊕ B
For i 0 to l do
If X[i] = 1 then
c 0
Else cc + 1
If c = r then
Return TRUE
Return FALSE
Hình 5.2: Mã giả hàm kiểm tra so khớp dựa trên luật r-Contiguous

A, B, X là các chuỗi bit có chiều dài; l, r là ràng buộc so khớp và ⊕ biểu diễn cho phép OR
loại trừ (XOR).
Phép toán XOR được thi công trong phần cứng của các hệ xử lý Intel x86 family. Trong thực
tế, kết hợp với việc sử dụng phép dịch trái (left-shift) làm tốc độ xử lý của giải thuật cực nhanh.
Điều này rất quan trọng vì hàm này được gọi trong mỗi bộ phát hiện trên mỗi phần tử cần khảo
sát.
C. Chọn lọc âm tính
13
Quá trình học (Learning Machine)
Cơ chế chọn lọc âm tính của hệ miễn dịch thường được dùng trong hệ VDS là cơ sở cho việc
phát hiện các yếu tố bất bình thường. Điều này được mô hình hóa bằng việc yêu cầu những bộ
phát hiện hợp lệ là những cái không phát hiện ra yếu tố mình trong thời gian huấn luyện
(telorization) để trưởng thành (mature).
Hình5.3: Quá trình chọn lọc âm tính
Cơ chế chọn lọc âm tính dựa trên giả định rằng nếu bộ phát hiện phát hiện ra một phần tử nào
trong thời gian huấn luyện thì phần tử bị phát hiện đó chắc chắn là dữ liệu sạch và bộ phát hiện
này sẽ bị hủy bỏ. Bằng cách này, hệ VDS cho chúng ta thấy rằng nếu các bộ phát hiện trưởng
thành và các bộ phát hiện ghi nhớ so khớp với bất kỳ phần tử nào thì phần tử đó chắc chắn không
phải là dữ liệu sạch.
Đây là quá trình học để chọn lọc ra những bộ detector d là những yếu tố bất bình thường. Đầu
tiên ta xây dựng bộ detector bằng những chuỗi bit từ file virus. Sau đó ta cho hệ thống này tiếp
xúc với dữ liệu sạch (Self), đây là dữ liệu không phải là virus. Nếu trong giai đoạn này nếu bộ
detector so khớp trùng với đối tượng nào thì nó sẽ huỷ bỏ. Ngược lại, nó sẽ là những chuỗi bit có
dấu hiệu bất thường của virus.
Quá trình kiểm tra
Hình5.4: Quá trình kiểm tra
Trong quá trình kiểm tra, bộ nhớ đã lưu trữ tập bộ detector để phát hiện các dữ liệu virus (yếu
tố nonSelf trong hệ miễn dịch). Tập dữ liệu detector này sẽ được sử dụng làm bộ detector để tiếp
xúc với dữ liệu có dấu hiệu virus (bao gồm cả dữ liệu bình thường và dữ liệu là virus).
D. Chọn lọc nhân bản và siêu biến đổi

Học thuyết chọn lọc nhân bản được sử dụng làm cơ sở để cải tiến hệ miễn dịch nhân tạo trong
các tác vụ về tối ưu hóa tính toán và nhận dạng mẫu. Trong đó, mô hình mà ta sử dụng sẽ mô
14
phỏng quá trình "trưởng thành ái lực đặc trưng cho từng kháng nguyên" của các tế bào loại B
cùng với cơ chế siêu đột biến.
Kỹ thuật của hệ miễn dịch nhân tạo dùng để mô phỏng quá trình chọn lọc nhân bản và siêu
biến đổi được gọi là thuật toán CLONALG (viết tắt của CLONal selection ALGorithm). Mục
tiêu của thuật toán này là xây dựng một tập các kháng thể nhớ biểu diễn một giải pháp cho một
vấn đề kỹ thuật. Thuật toán CLONALG cung cấp hai cơ chế để tìm kiếm tập kháng thể ghi nhớ:
• Cơ chế đầu tiên cung cấp một hệ thống tìm kiếm cục bộ sử dụng ái lực sau khi trưởng thành
của các kháng thể đã được nhân bản. Các kháng thể khớp nhất sẽ được nhân bản nhiều hơn, do
đó phạm vi tìm kiếm nội tỷ lệ nghịch so với hạng của kháng thể được chọn. Việc nhân bản này
cho phép các kháng thể với ái lực cao có khả năng trưởng thành tốt hơn.
• Cơ chế thứ hai cho phép thêm vào quần thể các kháng thể mới được sinh ngẫu nhiên nhằm
làm tăng tính phong phú của quần thể.
Các bước của thuật toán CLONALG:
a) Khởi tạo: Đây là bước đầu tiên của thuật toán CLONALG. Tại bước này, chúng ta sẽ tạo ra
một tập chứa các kháng thể có kích thước xác định là N. Tập này được chia thành 2 tập con, một
tập dùng để chứa các kháng thể ghi nhớ m - các kháng thể sẽ thực sự trở thành nhóm đại diện
cho thuật toán - và một tập dùng để chứa các kháng thể còn lại r dùng để bổ sung vào hệ thống
nhằm làm tăng cường tính đa dạng của kháng thể.
b) Vòng lặp: Thuật toán sẽ được tiếp tục bằng cách thực thi một vòng lặp liên tục việc cho hệ
thống tiếp xúc với các kháng nguyên đã được biết trước. Mỗi một vòng lặp cho hệ thống tiếp xúc
với một kháng nguyên mới được gọi là một quá trình phát sinh. Các bước nằm trong vòng lặp
bao gồm:
• Chọn kháng nguyên.
• Tiếp xúc.
• Chọn lọc.
• Nhân bản
• Đột biến

• Tiếp xúc với các clone
• Chọn lọc các ứng viên
• Thay thế
c) Kết thúc: Sau quá trình huấn luyện trên, tập m bao gồm các kháng thể ghi nhớ sẽ được
chọn làm kết quả của thuật toán để nhận diện các mẫu kháng nguyên mà hệ thống cần phát hiện.
Để xác định số lượng nhân bản cho mỗi phần tử, ta thực hiện sắp xếp các kháng thể theo thứ
tự tăng dần ái lực đối với kháng nguyên. Ta duyệt xuôi dãy các kháng thể đã được sắp xếp, số
lượng tập nhân bản của mỗi kháng nguyên được tính theo công thức sau:
Trong đó α là hệ số nhân bản, N là độ lớn của tập kháng thể, và i là chỉ số của kháng thể hiện
thời, i . Như vậy, tổng số các nhân bản được sinh ra từ tập n sẽ là:
Mỗi nhân bản sẽ có một độ đột biến α nhất định, xác định khả năng biến đổi của nhân bản. α
được tính như sau:
Trong đó: ρ là hệ số đột biến, f là ái lực của kháng thể gốc với kháng nguyên.
15
β thường được chọn trong khoảng (0, 1] còn ρ nằm trong khoảng [1, 10].
Hình 5.5: Mô hình tổng quát của thuật toán CLONALG
E. Mô hình tổng thể hệ thống VDS
Bảng sau cho ta thấy được ánh xạ từ hệ miễn dịch sinh học qua hệ thống phát hiện virus máy
tính được xây dựng trên cơ sở hệ miễn dịch sinh học
Hình 5.6: Ánh xạ hệ miễn dịch sinh học và hệ thống phát hiện virus
Yêu cầu của hệ thống VDS
- Xây dựng hệ thống VDS bao gồm 2 chức năng chính sau:
16
o Huấn luyện dữ liệu: bao gồm 3 quá trình của hệ miễn dịch nhân tạo:
• Trích xuất dữ liệu để tạo tập các bộ phát hiện.
• Huấn luyện các bộ phát hiện qua quá trình chọn lọc âm tính nhằm lưu lại các bộ phát
hiện đạt được trạng thái trưởng thành.
• Huấn luyện các bộ phát hiện trưởng thành qua quá trình chọn lọc nhân bản để các bộ
phát hiện này đạt được ái lực trưởng thành.
o Kiểm tra dữ liệu: trích xuất dữ liệu từ các file cần kiểm tra và so sánh với các bộ phát hiện

đã trưởng thành nhằm tính toán tỉ lệ tương đồng giữa file cần kiểm tra với các file virus và
đưa ra kết luận.
- Các bộ phát hiện trưởng thành được lưu trữ trong CSDL và có thể cập nhật liên tục các bộ
phát hiện mới vào CSDL nhằm giúp chương trình có khả năng phát hiện nhiều loại virus riêng
biệt.
- Hệ thống chạy được trên hệ điều hành Windows có .NET framework 3.5 trở lên.
VI. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
A. Kết luận
Đề tài dựa trên sự tìm hiểu kiến thức về hệ miễn dịch sinh học, thuật toán so khớp trùng r-
Contiguous, thuật toán chọn lọc âm tính, thuật toán chọn lọc nhân bản để xây dựng mô hình hệ
miễn dịch nhân tạo (AIS) và cài đặt chương trình cụ thể dùng để phát hiện virus máy tính (VDS).
Đề tài đã mô hình hóa thành công mô hình của hệ miễn dịch nhân tạo ứng dụng trong lĩnh vực
nhận dạng mẫu virus. Mặc dù mô hình còn đơn giản nhưng đã thể hiện được một cách đầy đủ và
rõ ràng các thành phần của HMD, mối liên hệ giữa các thành phần này và tương tác giữa chúng.
Tuy nhiên, đề tài chỉ dừng lại ở một phần nào đó của hệ miễn dịch, chỉ ứng dụng một số thuật
toán miễn dịch vào xây dựng hệ thống. Bên cạnh đó, ứng dụng chỉ được thử nghiệm trên một
lượng dữ liệu mẫu không nhiều do hiệu năng của chương trình còn thấp và do tính nguy hiểm
của việc lưu trữ các file virus.
B. Hướng phát triển
Hoàn thiện chương trình phát hiện virus máy tính và đồng thời xây dựng các module nhằm
tiêu diệt các file virus sau khi phát hiện, bóc tách các dữ liệu virus đã lây nhiễm vào dữ liệu. Đây
là hướng phát triển có ý nghĩa thực tiễn cao trong việc góp phần bảo vệ an toàn thông tin hiện
nay và cũng chính là hướng phát triển cho đề tài sau này.
Tăng cường thêm các thuật toán Heuristic để tăng tốc độ làm việc của thuật toán nhằm làm
giảm thời gian xử lý. Ứng dụng các thuật toán phân lớp như KNN, Naïve Bayes, SVM hoặc
Neural Network… để tối ưu hóa việc nhận dạng virus.
17
Tham khảo
[1]. Nguyễn Xuân Hoài, Nguyễn Văn Trường, Vũ Mạnh Xuân, ‘Hệ miễn dịch nhân tạo và ứng
dụng’, Tạp chí Khoa học và Công nghệ Đại học Thái Nguyên, 2007.

[2]. Phạm Văn Việt, ‘Nghiên cứu, phát triển và ứng dụng hệ miễn dịch nhân tạo trong việc giải
các bài toán tối ưu’, Luận văn Thạc sĩ kỹ thuật, Học viện kỹ thuật quân sự, 2006.
[3]. Tống Minh Đạt, ‘Tìm hiểu hệ miễn dịch nhân tạo trong máy học và ứng dụng để xây dựng
hệ thống đảm bảo an toàn mạng máy tính’, Luận văn Thạc sĩ CNTT, Đại học CNTT, ĐHQG
Tp.HCM, 2008.
[4]. Phạm Đình Lâm, ‘Tìm hiểu hệ miễn dịch nhân tạo và ứng dụng’, khóa luận tốt nghiệp đại
học, Đại học Sư Phạm Thái Nguyên, 2008.
[5]. Rui Chao & Ying Tan, ‘A Virus Detection System Based on Artificial Immune System’,
IEEE paper, 2009.
[6]. L.N. de Castro, J. Timmis, ‘Artificial immune systems: a new computational intelligence
approach’, Springer, 2002.
[7]. Jason Brownlee, ‘Clonal selection theory & CLONALG’, Technical Report, 2005.
[8]. Rune Schmidt Jensen, ‘Immune System for VirusDetection and Elimination’, IMM
Thesis, 2002.
[9]. John E. Hunt, Denise E. Cooke, ‘Learning using an artificial immune system’, Journal of
Network and Computer Applications paper, 1996.
18