1
Sistemas Inmunitarios Artificiales: ´ Teor´ıa Basica y Aplicaciones ´ Luis J. Gonzalez, PhD
[email protected] Resumen—Las investigaciones realizadas hasta la fecha han permitido determinar que muchas de las caracter´ısticas de los sistemas ´ de problemas computacionales tales como el reconocimiento de inmunitarios de los vertebrados pueden ser utilizadas en la resolucion ´ de fallas y anomal´ıas, y seguridad computacional. El sistema inmunitario es una red de diferentes tipos de celulas ´ patrones, deteccion ˜ ´ que defienden el cuerpo de sustancias extranas. Una clase importante de estas celulas son los linfocitos que actuan como detectores ´ ´ de sistemas inmunitarios artificiales que pueden principales del sistema inmunitario. Los investigadores se han centrado en la creacion ´ ˜ (celulas ´ ´ diferenciar entre lo “propio” (celulas nativas) y “extrano” foraneas), donde lo “propio” puede definir o representar muchas ´ ´ de las funciones espec´ıficas de los sistemas inmunitarios de los cosas, por ejemplo, el trafico normal de una red. La implementacion ´ de representaciones matematicas ´ ´ de los sistemas inmunitarios artificiales como vertebrados a traves ha sido la base para la aparicion ´ sobre biomimetica ´ ´ un nuevo paradigma computacional. Este art´ıculo comienza con una discusion y un analisis de los principales conceptos del sistema inmunitario de los vertebrados lo cual es necesario para poder explicar los sistemas inmunitarios artificiales. Subsecuentemente, se explican los sistemas inmunitarios artificiales y sus principales modelos computacionales. Finalmente, se ´ de la aplicacion ´ de sistemas inmunitarios artificiales para la deteccion ´ de intrusos en redes informaticas ´ incluye una explicacion y se ´ ´ de mencionan los dominios o areas en los cuales este modelo computacional bio-inspirado puede ser utilizado para la resolucion problemas de la vida real.
F
1.
B IOMIM E´ TICA
El sistema inmunitario es un sistema de defensa que ´ protege a los vertebrados de patogenos. Estos son agentes ´ ˜ en el orbiologicos que pueden causar enfermedad o dano ganismo. Las bacterias, par´asitos, hongos, virus, infecciones ´ o inclusive c´elulas tumorales son ejemplos de patogenos [17]. El sistema inmunitario est´a clasificado en innato y adaptativo.
´ inhospita ´ condicion para ciertos microorganismos que no pueden sobrevivir en ambientes a´ cidos, y las enzimas como la lisozima, existentes en las l´agrimas, las cuales atacan las paredes celulares de ciertas bacterias cuando entran en contacto con ellas [12]. El sistema inmunitario innato est´a integrado por c´elulas ´ ´ ´ macrofagas, neutrofilas, eosinofilas, y linfocitos NK (Natural ´ ´ Killer Cells en ingl´es) [17]. Las c´elulas macrofagas y neutrofi´ las fagocitan y destruyen los agentes patogenos potenciales ´ [17]. Las c´elulas eosinofilas protegen el cuerpo de los protozoos [17]. Los linfocitos NK se encargan de destruir todas las c´elulas infectadas por virus as´ı como tambi´en las c´elulas tumorales [17]. Basado en lo anteriormente mencionado, el sistema inmunitario innato puede ser definido como la primera l´ınea de defensa integrada por un conjunto de c´elulas y mecanis´ mos que protegen al hu´esped de patogenos. Este sistema ´ reacciona ante situaciones inespec´ıficas, es de proteccion decir, se activa tan pronto percibe algo que es distinto a lo que conoce como “propio”. Una caracter´ıstica relevante del sistema inmunitario innato es que no confiere inmunidad o ´ a largo plazo al hu´esped. proteccion
2.1.
2.2.
El t´ermino proviene del griego bio, que significa vida, ´ [14]. Consecuentemeny m´ımesis, que significa imitacion te biom´ımesis puede ser definida como el desarrollo de modelos, sistemas o procesos inspirados en la naturaleza para resolver situaciones de la vida real. Como ejemplos de ˜ de los aviones biometismo pueden mencionarse el diseno actuales, los cuales est´an inspirados en los p´ajaros. Las chapaletas para nadar imitan las aletas de criaturas acu´aticas como las focas o ranas [5], y los Sistemas Inmunitarios Artificiales los cuales est´an inspirados en los sistemas inmunitarios de los vertebrados.
2.
S ISTEMA I NMUNITARIO
Sistema Inmunitario Innato
Las principales caracter´ısticas del sistema innato es que este se activa al nacer y por ser la primera l´ınea de defensa ´ de la respuesta del organismo es responsable de la iniciacion inmune. Es considerado inespec´ıfico ya que para su activa´ no es requerida una previa exposicion ´ a patogenos. ´ cion Como ejemplo del sistema inmunitario innato la piel y las membranas mucosas [12]. Otros ejemplos incluyen la acidez del contenido estomacal y del sudor, la cual crea una
Sistema Inmunitario Adaptativo
La segunda l´ınea de defensa del sistema inmunitario es el sistema inmunitario adaptativo [16]. Se caracteriza por su especificidad, diversidad, memoria, y por su capacidad ˜ Este para reconocer y diferenciar lo propio de lo extrano. sistema est´a integrado por las c´elulas o linfocitos B y T. El sistema inmunitario adaptativo es considerado espec´ıfico porque protege al cuerpo de ant´ıgenos espec´ıficos (e.g., bacterias, virus, hongos, protozoos y par´asitos o toxinas
2
bacterianas). El sistema inmunitario adaptativo tambi´en puede diferenciar entre dos mol´eculas prote´ınicas que difieren solo en un amino´acido. Esto contrasta con el sistema ´ inmunitario innato que distingue patogenos basados en estructuras gen´ericas moleculares. El sistema inmunitario adaptativo tambi´en se considera diverso ya que tiene la capacidad de generar enorme diversidad de mol´eculas de reconocimiento lo cual permite identificar miles de millones ´ ˜ de estructuras unicas en ant´ıgenos extranos. La memoria es otra caracter´ıstica del sistema inmunitario adaptativo. Se ˜ y su perfeccionamiento es continuo, desarrolla en la ninez basado en su contacto inicial con un ant´ıgeno espec´ıfico. Otra de las caracter´ısticas relevantes del sistema inmunitario adaptativo es su capacidad para reconocer lo propio de lo ˜ lo cual evita que el sistema se ataque a s´ı mismo a extrano, menos de que el sistema inmunitario est´e defectuoso (e.g., enfermedades autoinmunes). ´ 2.3. Principales Celulas del Sistema Inmunitario Adaptativo Las c´elulas B y T son los principales actores del sistema inmunitario [15]. Las c´elulas B se consideran v´ırgenes por ´ contacto con un ant´ıgeno. Deben su no haber tenido ningun nombre a que se originan y maduran dentro de la medula ´ osea (bone marrow en ingl´es) [15]. Cuando un linfocito B es ´ ant´ıgeno, entonces estimulado por la presencia de algun secreta un plasma de prote´ınas a las que se les llama anticuerpos, que son los principales actores de la inmunidad adaptativa [6]. Las c´elulas T aunque tambi´en se originan en ´ la medula osea, migran y maduran en el timo, lo cual es la ´ de su nombre. razon
3.
S ISTEMAS I NMUNITARIOS A RTIFICIALES
Castro and Timmis [13] definen los sistemas inmunitarios artificiales como sistemas computacionales inspirados en funciones, principios y modelos de la inmunolog´ıa ´ ´ biologica, los cuales pueden ser usados para la resolucion de problemas. De acuerdo a Cruz y Cuello [6] la descentra´ capacidad para reconocer patrones, memoria asolizacion, ciativa, y tolerancia a fallas son las principales caracter´ısticas de los sistemas inmunitarios artificiales. Son sistemas descentralizados porque no existe un procesador central, sino que los componentes del sistema inmune se encuentran distribuidos a trav´es del organismo, lo cual los hace sistemas robustos. Son capaces de reconocer casi cualquier variedad ´ en el caso de que e´ stos de diferentes tipos de ant´ıgenos, aun no se hayan presentado en el pasado. Al igual que los sistemas inmunitarios naturales tienen memoria asociativa, ya ´ en el caso de no contar que, pueden reconocer invasores aun ´ completa. Son tolerantes a fallas ya que con informacion ´ desperfecto en ellos, el resultado cuando se presenta algun ´ generalmente no es catastrofico, pues pueden recuperarse eficientemente. Los sistemas inmunitarios artificiales usan memoria y ´ patron ´ que se aprendizaje, son capaces de recordar algun haya presentado antes. De tal forma, ante exposiciones repetidas del mismo ant´ıgeno (respuesta secundaria) los sistemas mejoran su respuesta con la experiencia. Se caracterizan tambi´en por un comportamiento emergente, dicho de otro
modo, su comportamiento global es el resultado de simples interacciones locales. Son capaces de distinguir entre lo ˜ Son diversos, ya que con recombinacion ´ propio y extrano. ´ som´atica son capaces de lograr cualquier e hipermutacion especificidad. ´ clonal y la red idiop´atica son las dos prinLa seleccion cipales teor´ıas que fundamentan los sistemas inmunitarios ´ clonal fue propuesta artificiales. La teor´ıa de la seleccion originalmente por Frank Macfarlane Burnet [3]. La teor´ıa ´ clonal explica el comportamiento de los de la seleccion linfocitos en respuesta a ant´ıgenos espec´ıficos que invaden el cuerpo. La presencia de un grupo de ant´ıgenos, una vez que han sido detectados, activar´a a un determinado grupo de anticuerpos espec´ıficos. La teor´ıa de la red inmune o idiot´ıpica, propuesta por Jerne en 1974 [11], se basa en la idea de que ese grupo de anticuerpos que ha sido activado, har´a las veces de ant´ıgenos activando a su vez a un segundo grupo de anticuerpos y as´ı sucesivamente. De tal forma, cada grupo de anticuerpos activado puede ser reconocido por otro grupo de anticuerpos. De esta manera se crea una red donde los anticuerpos son capaces de detectarse unos a otros.
4. EL
M ODELOS C OMPUTACIONALES BASADOS EN S ISTEMA I NMUNITARIO
Los principales modelos computacionales basados en el sistema inmunitario de los vertebrados son: ´ ´ 1. El modelo inspirado en la medula osea (generacion de repertorios). ´ de reperto2. Modelo inspirado en el timo (generacion rios de c´elulas y mol´eculas capaces de diferenciar lo ˜ e.g., seleccion ´ positiva / negativa. propio y extrano), ´ clonal (usada para controlar como los 3. Seleccion ´ componentes del sistema inmunitario interactuan con el entorno y ant´ıgenos). 4. Modelo de la red idiot´ıpica (usado para simular redes inmunes, incluyendo su estructura, din´amica, y meta din´amica). ´ positiva 4.1. Modelo de seleccion ´ positiva est´a inspirado en la El modelo de seleccion ´ de c´elulas T, las cuales el organismo les permite generacion madurar y multiplicarse siempre y cuando tengan afinidad con mol´eculas CMH (Complejo Mayor de Histocompatibili´ positiva incluye cuatro dad). Algor´ıtmicamente la seleccion pasos: 1.
2.
3.
Se define el conjunto de elementos propios del sistema S. Este es el conjunto de elementos que deben ser protegidos y representa el comportamiento “normal”del sistema. Cada detector es generado aleatoriamente. Aquellos detectores que son muy similares a alguno de sus elementos propios, de acuerdo a un umbral determinado, son agregados al repertorio. Son eliminados aquellos detectores que no son afines con lo preexistente. ´ cambio. Si el sistema Monitorear S buscando algun reacciona ante un elemento (de acuerdo al umbral), esto indica que est´a funcionando de acuerdo a lo esperado.
3
4.2.
´ negativa Modelo de seleccion
´ negativa para deteccion ´ de camEl modelo de seleccion bios fue propuesto por Forrest et al. [9] y est´a basado en el ´ entre las c´elulas propias y las principio de discriminacion que no lo son. El modelo explica la manera en que se crean los detectores (linfocitos) que son capaces de distinguir entre ´ cambio en las c´elulas propias y las for´aneas, as´ı como algun el comportamiento “normal”del sistema, sin tener ninguna ´ entre ellos y evitando algun ´ o muy poca comunicacion ´ positiva, alintento de auto ataque. Al igual que la seleccion ´ negativa tambi´en incluye cuatro gor´ıtmicamente la seleccion pasos: 1.
2.
3.
Se define el conjunto de elementos propios del sistema S. Este es el conjunto de elementos que deben ser protegidos y representa el comportamiento “normal”del sistema. Cada detector es generado aleatoriamente. Aquellos detectores que son muy similares a alguno de sus elementos propios, de acuerdo a un umbral deter´ se permite sobrevivir minado, son eliminados. Solo a aquellos detectores que no rebasan el umbral de similitud, pues se dice que e´ stos no reaccionan ante las c´elulas propias, y en cambio s´ı lo har´ıan ante cualquier otro organismo invasor. ´ cambio. Si el sistema Monitorear S buscando algun reacciona ante un elemento (de acuerdo al umbral), ´ comportamiento anormal o no perentonces algun mitido est´a ocurriendo. El modelo parece ser muy robusto, debido a que busca la ocurrencia de cual´ de un determinado quier cambio y no la aparicion ´ patron.
5. E JEMPLO DE UN S ISTEMA E VOLUCIONARIO ´ N EGATIVA PARA AUTO - ADAPTATIVO DE S ELECCI ON ´ DE FALLAS A N OMALAS ´ D ETECCI ON ´ de las c´elulas T en el timo inspiro´ la La maduracion ´ del algoritmo de seleccion ´ negativa, tambi´en decreacion ´ o busqueda ´ nominado algoritmo de generacion exhaustiva de detectores, el cual permite diferenciar entre lo propio y ˜ [9]. Posteriormente, Ayara, Timmis, de Lemos, de extrano Castro, y Duncan [2] investigaron la utilidad del algoritmo ´ exhaustiva de detectores y tres variaciones: de generacion lineal [7], voraz [7], y binario [18]. Ayara et al. [1] encontraron que el tiempo utilizado por ´ exhaustiva de detectores crece el algoritmo de generacion ˜ de los datos y adem´as exponencialmente con el tamano este algoritmo produce detectores redundantes. El algoritmo lineal tiene una complejidad de tiempo lineal, pero tambi´en produce detectores redundantes. El algoritmo voraz produce un repertorio completo de detectores que utiliza tanto espacio como el algoritmo lineal, pero tiene una complejidad ´ con el algoritmo computacional superior en comparacion lineal. El modelo binario produce un conjunto m´ınimo de detectores eficientes a expensas de m´as tiempo de c´alculo. Basado en lo antes expuesto, Ayara et al. [1] propusieron un nuevo algoritmo, denominado NSMutation, y similar al ´ exhaustiva de detectores excepto algoritmo de generacion que: (1) era adecuado para cualquier regla de juego. (2) elimino´ redundancia, (3) los par´ametros (por ejemplo, el
˜ de repertorio, probabilidad de fallo, probabilidad tamano ´ y el detector indicador de tiempo de vida) de mutacion, pueden ser optimizados manualmente a trav´es de ajustes de ensayo y error para un mejor rendimiento. Eiben, Hinterding y Michalewicz [8] alegaron que sintonizar algoritmos evolutivos basados en ensayo y error es poco pr´actico debido a que: 1.
2.
3.
Los par´ametros son interdependientes, y tratar todas las combinaciones diferentes es pr´acticamente imposible. El proceso de ajuste de par´ametros es mucho tiempo, incluso si los par´ametros son optimizado secuencialmente, independientemente de sus interacciones. Para un problema dado, los valores de los par´ame´ tros seleccionados no son necesariamente optimos, incluso si el esfuerzo realizado en el establecimiento de ellos es significativo.
´ de par´ameDe acuerdo a varios autores [4], la utilizacion ´ viable para superar los tros autoadaptativos es una opcion ´ de par´ametros. Cuando algoproblemas de sintonizacion ritmos que utilizan t´ecnicas de control de par´ametro autoadaptativo-evolutivo se han aplicado a los problemas de la vida real, los resultados han demostrado, desde un punto de vista estad´ıstico, soluciones mejoradas significativamente y un mejor rendimiento del tiempo computacional en compa´ con algoritmos evolutivos que no utilizaron enfoques racion auto-adaptativos. 5.1.
Problema
Gonz´alez [10] explico´ que la calidad de las soluciones (detectores) generada por el algoritmo NSMutation es altamente dependiente de los valores de los par´ametros de ´ estrategia. Estos valores no son necesariamente optimos cuando se calculan manualmente. Aqu´ı, la calidad se refiere a: (1) detectores no redundantes y (2) detectores que no tienen ninguna afinidad consigo mismo, donde lo “propio” se refiere a la actividad normal de la red entre dos o m´as computadores. Se desea optimizar los par´ametros de la estrategia de forma autom´atica. 5.2.
´ Solucion
Para superar las limitaciones del algoritmo NSMutation, ´ neGonz´alez propuso un algoritmo evolutivo de seleccion ´ de anomal´ıas (en entornos no estagativa para la deteccion cionarios) que utiliza t´ecnicas de control auto-adaptativas. Este algoritmo puede superar al algoritmo NSMutation dentro del tiempo de c´alculo necesario para generar el repertorio m´ınimo de detectores competentes necesarios para identificar anomal´ıas en un determinado conjunto de datos de la actividad de la red y sin sacrificar la calidad de los detectores. Las ventajas previstas del algoritmo propuesto por Gonz´alez son: 1.
2.
El proceso de c´alculo de las probabilidades de ´ manualmente ya no ser´a requerido (este mutacion proceso es lento y poco pr´actico). El enfoque autoadaptativo reemplazar´a el c´alculo manual. ´ negativa autoEl algoritmo evolutivo de seleccion adaptativo puede superar el algoritmo NSMutation
4
3.
6.
en el tiempo de c´alculo necesario para generar detectores pero sin sacrificar la calidad de detectores. Podr´an ser obtenidos detectores de mejor calidad que los generados por la NSMutation. En este caso particular, los mejores individuos (detectores) o soluciones.
´ EN LA VIDA ´ P OSIBLES AREAS DE APLICACI ON
REAL
´ de Gonz´alez [10] estuvo orientada a la La investigacion ´ de un algoritmo de seleccion ´ negativa para implementacion ´ de intrusos en redes inform´aticas. Sin embargo, la deteccion el paradigma inmunitario puede ser aplicado en diferentes dominios lo cual incluye el reconocimiento de patrones (reconocimiento de espectros, vigilancia de enfermedades ´ (funinfecciosas, an´alisis de datos m´edicos). Optimizacion ciones num´ericas, inventarios, combinatoria). Aprendizaje ´ autom´atico (por refuerzo, no supervisado). Robotica (com´ ´ portamiento colectivo, navegacion). Control (identificacion, s´ıntesis y control adaptativo, control secuencial, control ´ ´ de realimentacion). Diagnostico de fallas (red de sensores ´ de la propagacion ´ de fallos, tolerancia de fallas prevencion de hardware, tolerancia ruta software).
7.
R ESUMEN F INAL
La biomim´etica se refiere al desarrollo de modelos, sistemas o procesos inspirados en la naturaleza para resolver ´ situaciones de la vida real. La red idiot´ıpica y seleccion clonal son las dos principales teor´ıas utilizadas como base para el desarrollo de sistemas inmunitarios artificiales. La ´ ´ medula osea y el timo son los organos principales que se imitan o emulan dentro del paradigma de los sistemas inmunitarios artificiales.
R EFERENCIAS [1]
[2] [3] [4]
[5] [6] [7] [8] [9]
[10] G ONZALEZ , L. J. A self-adaptive evolutionary negative selection approach for anomaly detection. PhD thesis, Nova Southeastern University, 2005. [11] J ERNE , N. Towards a network theory of the immune system. 373– 389. [12] K INDT, T., AND G OLDSBY, R. Inmunolog´ıa de Kuby. Mexico: McGraw-Hill Interamericana, 2007. [13] N UNES -D E C ASTRO , L., AND T IMMIS , J. Artificial immune systems: A new computational intelligence approach. London: Springer, 2002. [14] P OUPON , E., AND N AY, B. Biomimetic Organic Synthesis. John Wiley & Sons, 2011. [15] S OLOMON , E., B ERG , L., AND M ARTIN , D. Biology. Cengage Learning, 2010. [16] S PICER , J. Microbiolog´ıa cl´ınica y enfermedades infecciosas: Texto y atlas en color. Elsevier, 2009. [17] W ELSCH , U., AND S OBOTTA , J. Histolog´ıa. Madrid: Editorial M´edica Panamericana, 2009. [18] W IERZCHON , S. Generating optimal repertoire of antibody strings in an artificial immune system. intelligent information systems. In Advances in Soft Computing Series of Physica-Verlag/Springer Verlag (2000), pp. 119–133.
AYARA , M., T IMMIS , J., L EMOS , N UNES -D E C ASTRO , L., AND D UNCAN , R. Negative selection: How to generate detectors. In Proceedings of ICARIS (International Conference on Artificial Immune Systems) (2002), pp. 89–98. AYARA , M., T IMMIS , J., N UNES -D E C ASTRO , L., AND D UNCAN , R. An investigation into negative selection for change detector generation. Tech. rep., University of Kent at Canterbury, 2002. B URNET, F. The clonal selection theory of acquired immunity. C HELLAPILLA , K., AND F OGEL , D. Exploring self-adaptive methods to improve the efficiency of generating approximate solutions to traveling salesman problems using evolutionary programming. In Proceedings of the 6th International Conference on Evolutionary Programming (1997), Indianapolis, Indiana: Springer, pp. 361–371. C OHEN , Y. Biomimetics: biologically inspired technologies. Boca Raton, FL: CRC/Taylor & Francis, 2006. C RUZ , N., AND C OELLO , C. El sistema inmune artificial: Una herramienta computacional moderna para resolver problemas complejos. Revista Digital Universitaria, 3 (2002). D’ HAESELEER , P., F ORREST, S., AND H ELMAN , P. An immunological approach to change detection: Algorithms, analysis and implications. In IEEE Symposium on Security and Privacy (1996). E IBEN , A., H INTERDING , R., AND M ICHALEWICZ , Z. Parameter control in evolutionary algorithms. In IEEE Transactions on Evolutionary Computation, (1999), pp. 124–141. F ORREST, S., P ERELSON , A., A LLEN , L., AND C HERUKURI , R. Selfnonself discrimination in a computer. In Proceedings of the 1994 IEEE Symposium on Research in Security and Privacy (1994), pp. pp. 202–212.
´ ´ Luis J. Gonzalez Amplia experiencia en el sector informatico. Involu´ ´ de sistecrado desde 1988 en el analisis, desarrollo e implementacion ´ informaticos ´ mas de informacion para diferentes sectores, tales como ´ qu´ımica, miner´ıa, petroleo y gas, gobierno, salud, telecomunicaciones, ´ servicios publicos, finanzas, y banca. Solidos conocimientos tecno´ ´ de aplicaciones Oracle, espec´ıficafuncionales en la implementacion ´ de Clientes, Proyectos, y Sistemas mente, la Suite Financiera, Gestion ´ de Recursos Humanos. Excepcionales habilidades como de Gestion ´ desarrollador, administrador de base de datos, y l´ıder tecnico. Una tendencia natural a observar y formular preguntas desde perspectivas ´ por el aprendizaje conllevo a obtener poco convencionales y una pasion ´ varios t´ıtulos academicos tales como Doctorado (PhD) en Ciencias de la ´ de la Universidad Nova Southeastern, MBA en Gestion ´ de Computacion Tecnolog´ıa de la Universidad de Phoenix, Maestr´ıa en Antropolog´ıa de ´ la Universidad de Surafrica. Estudios de posgrado en Liderazgo Organizacional de la Universidad de Denver. Estudios Superiores en Ciencias ´ y Licenciatura en Antropolog´ıa (Cum Laude) de de la Computacion ´ la Universidad de Colorado con enfasis en antropolog´ıa cultural. Esta ´ ´ academica ´ solida formacion ha permitido asesorar sobre cuestiones ´ cient´ıficas relacionadas con la informatica y las ciencias sociales y en ´ de nuevas oportunidades de investigacion. ´ la identificacion
