由表2可以看出，當自體規模從8增加到136的時候，傳統算法產生的候選檢測器數量大大增加，從207個增加到了4 015個，增加了18倍。而檢測失敗率也從0．015％增加到了0．148％，增加了將近9倍；而用本文改進的算法所產生的候選檢測器數量只從234個增加到3 847個，增加了15倍，而失敗率反而從0．058％降低到了0．047％，檢測失敗率下降了17％；雖然在自體規模只有8個的時候，改進算法產生了234個候選檢測器，多于傳統算法，這是因為改進算法較復雜，可能會增加冗余的檢測器，但是隨著自體規模的增加，候選檢測器的數量能保持較少的增長率，說明改進算法的收斂性較小，收斂效果較好，而且也提高了檢測成功率。
實驗2：設定隨機字符串長度L和自體規模Ns不變，改變匹配位數r的長度，對比兩種算法產生的候選檢測器數目NH和檢測時間t，結果如表3所示。

由表3可以看出，在字符串L位數和自體規模Ns不變的情況下，當匹配位數r增加，傳統算法所產生的候選檢測器數目大大增加，增加了將近18倍，檢測時間增加了18倍，效率明顯降低；采用文中的多屬性特征區域匹配方式，候選檢測器集合數目增加了只有11倍，并且改進算法引入了并行計算的方式，檢測時間增加了14倍，而且低于傳統算法的檢測時間。從這里可以看出，新算法在匹配位數r增加的情況下，系統效率影響較小，能有效改善系統性能。

3 結束語
陰性選擇算法隨著匹配位數r的增加和字符串L的增加，匹配次數呈指數形式增加，匹配效率明顯不足，并且會產生大量的候選檢測器，使得該算法時間復雜度太大，論文提出一種改進的陰性選擇算法，把字符串分為多個特征區域，每個特征區域之間采用r連續位匹配方式再次匹配，同時采用并行計算，實驗結果表明改進的陰性選擇算法在匹配位數和隨機字符串位數增加時，候選檢測器增加速度較平緩，系統負擔增加較緩慢，因此具有較好的檢測效率。