در سالهای اخیر جهت گیری کارهای پژوهشی در زمینه ارائه سیستمهای تشخیص نفوذ به سمت الهام گرفتن از سیستم ایمنی زیستی به منظور حل مسائل پیچیده این حوزه بوده است. سیستم ایمنی مصنوعی و پتانسیلِ اعمالِ مصونیّت آن، با پیش زمینه دفاع زیستی آن در واقع راهکاری برای کنترل امنیّت و تشخیص ناهنجاری شبکه سازمان مطرح می باشد. در این پژوهش متدهای مختلف ایمنی مصنوعی در مقایسه با سایر متدهای یادگیری ماشین و الگوریتمهای فراابتکاری با هدف ارائه رویکردی نو برای حل مسئله تشخیص نفوذ بررسی و ارزیابی شده اند.  ارزیابی ها در نرم افزار استاندارد Weka3.6 تحت دادگان نفوذ NSL-KDD  انجام شده اند.  نتایج آزمایشات حاکی از آنست که بعد از تعبیه فاز انتخاب ویژگی در متدهای ایمنی مصنوعی به ترتیب در  Immunos99 , ARIS2Paralell  و CSCA  منجر به افزایش محسوسی در دقّت دسته بندی می گردند.  در نتیجه رویکردِ  Bat + ARIS2Paralell   به ترتیب با  ضریب همبستگی 0.946 ، نرخ تشخیص 0.973  صحّت 0.9725 و خطای مثبت کاذب 0.028  دسته بندی مطلوب تری را در بین سایر رویکردها داشته و به نظر میرسد به دلیل نرخ همبستگی بالا قابلیت اطمینان در خصوص امکان بهره برداری در جهت توسعه سیستم های تشخیص نفوذ آینده را داشته باشد.