Está en la página 1de 9

Sistemas Inmunes Artificiales -AIS

Edward Paul Guilln


Cra 11 No 101-80 eguillen@javeriana.edu.co

Abstract. The Artificial Immune Systems AIS began in the early 90s as a branch of the Computational Intelligence CI [1], and their main goal is to develop computational methods inspired by Biological Immune Systems BIS in order to solve computational problems [2].The natural characteristics of BIS are their ability of pattern matching by the recognition of foreign cells that are mixed with the cells that belong to the body [3]. Other important features of BIS includes: feature extraction, memory, learning, and distributed nature [2]. When applying these concepts to computational problems, it is possible to find interesting solutions with the analogies found on BIS, for example: computer security applications, machine learning, detection in time series, anomaly detection, and chemical spectrum recognition. This paper tries to show just basic characteristics of AIS by analyzing two algorithms: Negative Selection and Artificial Immune Networks Keywords. AIS, Negative selection, Artificial Immune Networks

Introduccin

Los sistemas inmunes artificiales nacen a principios de los noventas en aplicaciones realizadas por Stephanie Forrest en analogas que aplicaban la seleccin negativa en la solucin de problemas de virus computacionales. A partir de sus resultados se han desarrollado mltiples tcnicas en diferentes campos de aplicacin, entre los que destacan extraccin de caractersticas, reconocimiento de patrones, aprendizaje, memoria entre otros. El objetivo del resumen es mostrar brevemente los conceptos BIS y a partir de ellos introducir dos las tcnicas de sistemas artificiales inmunes, los algoritmos de seleccin negativa y las redes artificiales inmunes. Finalmente se presentar un resumen que pretende comparar los sistemas bioinspirados vistos en el seminario de sistemas inteligentes, junto con unas breves conclusiones.

Caractersticas de los BIS

En primera instancia se analizarn de forma introductoria los sistemas inmunes biolgicos BIS, con el propsito de establecer las analogas tomadas por su contraparte computacional y entender los trminos usados en dichas aproximaciones.

En el BIS, los rganos linfticos centrales generan las clulas inmunes y entre ellos se destacan la mdula sea y el timo [2]. Existe un amplio rango de clulas inmunes con diferentes tareas y en general la capacidad de responder ante una respuesta inmune. Con el propsito de establecer su funcionamiento e interaccin de una manera rpida y simple a continuacin se describir el funcionamiento inmune en pasos muy generales: Cuando un patgeno o cuerpo extrao como virus, hongo o bacteria, sobrepasa las barreras fsicas del cuerpo e ingresa al sistema sanguneo, clulas especializadas llamadas fagocitos y conformadas por eosinfilos, neutrfilos, macrfagos y monocitos, lo encuentran y lo absorben. Los fagotitos, no solo lo atrapan sino que adems incorporan caractersticas del invasor y se transportan hacia los ganglios linfticos donde muestran esos rangos adaptados a los linfocitos T. Dependiendo de la situacin, los linfocitos T pueden generar seales qumicas a los linfocitos B, para que analicen las muestras. Ellos a su vez, analizan la muestra y sintetizan anticuerpos que son enviados por todo el sistema sanguneo. La parte del antgeno que es detectable por el anticuerpo se llama eptopo y la parte que lo detecta se llama paratopo. Cuando el anticuerpo encuentra al agresor lo marca y se destruye por medio de Macrfagos y nuevos linfocitos T especializados. Una de las caractersticas ms importantes del sistema inmune, es que es capaz de reconocer y proteger a clulas propias y atacar a las extraas, self/non-self. La adaptabilidad del BIS y sus caractersticas propias que han sido usadas en las analogas computacionales son las siguientes: Reconocimiento de Patrones: Propiedades que le permiten al BIS reconocer a las celulas extraas o con propiedades especiales con el reconocimiento de eptopos en los antgenos, gracias a los paratopos que concuerdan en los anticuerpos. Seleccin Clonal: Debido a que cada linfocito posee una sola clase de receptor si un antgeno propio es detectado, al ser propio se elimina el anticuerpo, para que as no pueda volver a atacarlo (seleccin negativa), de no ser propio ese anticuerpo se clona y prolifera en el sistema. Aprendizaje Inmune y Memoria: El BIS no solo aprende de su entorno sino que adems de ello, los anticuerpos que detectan y eliminan lo no propio, quedan en el sistema, conservando una memoria inmune distribuida, por si reaparece el ataque. Redes Inmunes: El BIS esta formado por una red de deteccin, distribuida y compleja, que se comunica a travs de interacciones moleculares. Puede generarse respuestas generales o localizadas lo que permite deteccin y memoria.

Sistemas AIS

Los AIS Artificial Immune Systems tambin conocidos como Computacin Inmunolgica son un campo de la inteligencia computacional dedicado al desarrollo de modelos computacionales basados en los principios de los BIS Biological Immune Systems [1],[3]. En [3] se definen 5 paradigmas en inteligencia computacional bioinspirada: Artificial Neural Networks, Evolutionary Computation, Swarm Intelligence, Artificial Immune Systems y Fuzzy Systems; A su vez se clasifican algunos paradig-

mas de los AIS como: los algoritmos de seleccin negativa, las Redes Inmunes Artificiales, la seleccin de clones y otros mtodos an en desarrollo, dicha clasificacin aparece en la Fig. 1.
Inteligencia Computacional

_______

Mtodos Bioinspirados

______

Redes Neuronales

Computacin Evolutiva

Sistemas Inmunes Artificiales AIS

________

Algoritmos de Seleccin Negativa

Redes Inmunes

Seleccin de Clones

Otros Modelos, Teora del Peligro

Fig. 1. Ubicacin de los AIS en la inteligencia computacional

En la mayora de aplicaciones se establece la representacin de conocimiento por medio de vectores, por ejemplo en un problema comn los vectores representan coordenadas dentro de un espacio de bsqueda o como parte de un conjunto solucin, representados de la forma de grupos de coordenadas espaciales en n dimensiones en L cantidad de variables analizadas:

m = m1 , m2 ,..., mL , m S L L (1)
Las entradas o datos de entrenamiento suelen llamarse anticuerpos Ab y los datos con los que actual el sistema suelen llamarse antigenos Ag representados as:

Ab = Ab1 , Ab2 ,..., AbL , Ag = Ag1 , Ag 2 ,..., Ag L ,

(2) (3)

Los espacios de bsqueda pueden ser reales, binarios o simblicos. Como se plante en la introduccin, el presente resumen se enfocar en los algoritmos de seleccin negativa y en las redes inmunes. 3.1 Algoritmos de Seleccin Negativa

Los NSA, Negative Selection Algorithms, utilizan como inspiracin biolgica la discriminacin propia y no propia, self/nonself, basada en la deteccin llevada a cabo por los linfocitos T. La primera versin del algoritmo fue dada a conocer por Forrest en 1994, con aplicacin en la deteccin de virus. Basicamente, los NSA se dividen en dos etapas

Censoring, En esta etapa se comienza el entrenamiento mediante la generacin de un grupo de detectores normalmente aleatorios llamados anticuerpos Monitoring, Es la etapa en la que el sistema entrenado, sigue las entradas y responde ante ellas. En la etapa censoring, se realiza una siembra en el espacio de bsqueda, para encontrar los elementos nonself y as hacer coincidencias sobre los espacios que no corresponden a las clases que se estn buscando. El algoritmo en la etapa censoring aparece en la Fig. 2.

Fig. 2. Algoritmo de seleccin negativa en la etapa censoring

Como lo muestra el algoritmo, se acepta un detector cuando no coincide con la clase que se esta buscando y dependiendo del problema se establece una medida de la cantidad de detectores necesarios. Por ejemplo Dasgupta et al, 2003 [], muestra el proceso de una manera grfica en un espacio de bsqueda de datos propios y la optimizacin de la bsqueda de detectores hper-esfricos como se aprecia en la Fig. 3.

Fig. 3. Proceso de seleccin negativa con hper-esferas en censoring

La generacin de detectores utiliza diversos mtodos en los que siempre quedan huecos inmunolgicos que son un Grupo de Nonself strings, para los que no existe anticuerpo y por ello falla al encontrar el self, por ello diferentes aproximaciones pueden cambiar las figuras de los detectores y hacer estimaciones de proximidad, estimando la tolerancia de la vecindad para tener o no huecos, como se muestra en la Fig. 4.

Fig. 4. Cambio de figuras en los detectores y medidas de niveles de aproximacin para la estimacin de huecos

La etapa de monitoring, simplemente consiste en la evaluacin de si la entrada corresponde o no a la clase que clasifica el sistema de seleccin negativa, el diagrama de flujo de sta etapa se ve en la Fig. 5.

Fig. 5. Etapa de monitoring

3.2

Redes Inmunes Artificiales aiNET

Las redes inmunes artificiales suelen ser usadas con sistemas de clasificacin que encuentran clases en espacios definidos. Se tratan de encontrar eptopos que reconozcan a los antgenos que son los datos de entrada al sistema y a su vez se crean conexiones entre ellos para establecer las fortalezas entre la red de paratopos y eptopos por lo que se denominan redes idiotpicas. Existen varias aproximaciones de redes

como Fractal Immune Networks, RAIN, aiNET entre otras, a continuacin se analizar la ltima por ser una de las ms usadas. El algoritmo de aiNET se realiza con los siguientes pasos: 1. 2. Inicializacin: Se crea una red inicial de anticuerpos, normalmente de forma aleatoria. Presentacin Antignica

while no se alcance el criterio de parada do for cada patrn antignico do 2.1. Calcular las afinidades con el antgeno actual for cada anticuerpo do calcular la afinidad con el antgeno actual 2.2. Seleccin Clonal Seleccionar un nmero de elementos con alta afinidad y reproducir (clonar) de forma proporcional a su afinidad 2.3. Metadinmica Borrar los clones memorizados cuya afinidad con el antgeno actual es menor que un umbral predefinido. 2.4. Interacciones Clonales Determinar las interacciones de la red sobre los elementos memorizados. 2.5. Supresin Clonal Borrar los clones cuya afinidad entre ellos es menor que un umbral previamente especificado. 2.6. Actualizar la Red Actualizar todos los datos de la red con los anticuerpos de la misma 3. Calcular la interaccin de los anticuerpos 3.1. Estimulaciones de la red Calcular la similaridad entre cada par de redes de anticuerpos 3.2. Supresiones de Red Eliminar los anticuerpos de la red cuya afinidad sea menor que un umbral previamente especificado Dentro de las redes establecidas los elementos tienen los siguientes significados: Nodos: Anticuerpos Bordes: Interacciones

Flechas: Estmulos Castro&Von Zuben[2001] muestra un sistema con clases separables y el desarrollo de la red que se relaciona, aparece en la

Los nodos estn compuestos por coordenadas y los enlaces punteados de acuerdo a sus valores de similaridad, son candidatos a ser eliminados en tanto que los enlaces continuos estn en proceso de cierre, que los relacionan con las clases que se tratan de identificar. En un ejemplo mostrado por De Castro en el 2000 se presentan 5 clases separables constituidos por 50 vectores de caractersticas, que se ven en la Fig. 6.

Fig. 6. 50 vectores en 5 clases separables

Posteriormente sobre ellas se usa el algoritmo aiNET y se halla el minimun Spaning Tree MST, con lo que se establece la arquitectura de la red final que servir para el proceso de clasificacin. Los datos con los que fue realizada la versin final son: Np=50 feature vectors n=4 highest affinity cells selected for cloning and mutation =20% percentage of the matured cells to be selected d=0.01 natural death threshold s=0.1 suppression threshold SC=10 Generaciones Y las grficas que muestran la red se ven la Fig.7.

Fig. 7. Izquierda MST, derecha red final de clasificacin del ejemplo

AIS frente a otros sistemas bioinspirados

Una comparacin entre los sistemas bioinspirados analizados durante el seminario y las aproximaciones AIS descritas en el presente escrito, se pueden resumir en la tabla 1, aunque muchas de las apreciaciones dependern del nivel de complejidad que se le aada a cada aproximacin. Algoritmos Redes Neu- AIS NSA aiNET Genticos ronales Artificiales Operadores Variando pe- Radios de Variacin en Aprendizaje genticos sos entre neu- clulas y dis- la concenrelacionados ronas tancias tracin y afinicon fitness dad de clulas Alta Alta Alta Tolerancia al Baja ruido Media-Alta Alta Alta Capacidad en Baja separabilidad compleja Alto Alto depen- Medio - Alto Costo compu- Medio diendo de la tacional

Complejidad algoritmo a nivel de mquina

Baja

Alta

granularidad Media

Alta

Table 1. Comparacin entre los algoritmos genticos, las redes neuronales artificiales y algunos sistemas AIS

Conclusiones

Los sistemas AIS son una poderosa herramienta para solucionar problemas complejos, aunque su costo compuatrcional puede ser muy alto, como para aplicarlo en toso los contextos prcticos. Debido a su estructura an en desarrollo, varios de los parmetros necesarios para llegar a una convergencia efectiva, deben ser colocados de forma intuitiva y ser sintonizados o de forma automtica o por prueba y error, lo que no permite, por ahora, predecir tiempos de solucin

Referencias
1. Dasgupta, D, Advances in Artificial Immune Systems, IEEE Computational Intelligence Magazine, November (2006). 2. Dasgupta, D, Nino, L.F: Immunological Computation, Theory and Applications. CRC Press. Boca Raton, USA (2009) 3. Engelbrecht, A: Computational Intelligence: An Introduction 2nd Edition. John Wiley & Sons Ltd, England (2007) 4. Harmer P., Williams P., Gunsch G., Lamont G.,: An Artificial Immune System Architecture for Computer Security Applications. IEEE Transactions on Evolutionary Computation, Vol. 6, No. 3, pp 252-280, June 2002 5. Xuanwu Zhou, Evolutionary Algorithm and its Application in Artificial Immune System, in The Second International Symposium on Intelligent Information Technology Application, 2008 6. D. Dasgupta and S. Forrest, Novelty Detection in Time Series Data using Ideas from Immunology, In ISCA 5th International Conference on Intelligent Systems, Reno, Nevada, June 1921, 1996 7. D. Dasgupta, Using Immunological Principles in Anomaly Detection, In the Artificial Neural Networks in Engineering (ANNIE96), St. Louis, USA, Nov. 1013, 1996 8. Y. Cao y D. Dasgupta, An Immunogenetic Approach in Chemical Spectrum Recognition, Chapter 36 in the edited volume Advances in Evolutionary Computing, (Ghosh & Tsutsui, eds.), Springer-Verlag, Inc. January. 2003 9. J. Timmis, M. Neal, and T. Knight, AINE: Machine Learning Inspired by the Immune System, IEEE Transactions on Evolutionary Computation, June 2002