ترجمه مقاله سیستم تشخیص نفوذ در رایانش ابری توزیع شده – سال 2023
مشخصات مقاله:
عنوان فارسی مقاله:
سیستم تشخیص نفوذ در رایانش ابری توزیع شده: روش های خوشه بندی و طبقه بندی ترکیبی
عنوان انگلیسی مقاله:
Intrusion detection system in distributed cloud computing: Hybrid clustering and classification methods
کلمات کلیدی مقاله:
محاسبات ابری توزیع شده – سیستم تشخیص نفوذ – NSI-KDD – خوشه بندی k-mean – مدل مخلوط گاوسی – جنگل تصادفی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
رایانش ابری – مهندسی نرم افزار – مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- پیش زمینه
3- کار مرتبط
4- روش شناسی
5- نتایج و تحلیل ها
6- نتیجه گیری
اعلام منافع رقابتی
قابلیت دسترسی داده
مراجع
قسمتی از مقاله انگلیسی و ترجمه آن:
ABSTRACT
Cloud Computing is popular nowadays due to its storage and data access services. Security and privacy are prime concerns when network threats increase. Cloud computing offers organizations and enterprises a scalable, flexible, and cost-effective infrastructure to store data on the Web. An anomaly-based IDS implementation protects the integrity of the data in a database by identifying and quarantining records when something appears to have changed unexpectedly. Machine learning based clustering and classification methods are used for anomaly based IDS attack classification and scalability in advanced networking environments. Machine learning is a fast, efficient, and adaptable approach to develop intrusion detection models that can deal with emerging threats, i.e., known and unknown attacks (including zero-day attacks). This paper proposes an efficient Hybrid clustering and classification models for implementing an anomaly-based IDS for malicious attack type classifications such as normal (no intrusion), DoS, Probe, U2R, and R2L using threshold-based functions, and the results are tested with two different threshold values (e), 0.01 & 0.5. The experiments have been performed on two tested datasets, namely, NSL-KDD and KDDcup99. Detection rate, False alarm ratio, and accuracy have been used to study the performance of the proposed methodology. After applying the proposed approach, the K-means with random forest has been shown at two different threshold values to have a better classification accuracy, detection rate, and false alarm rate of 99.85%, 99.78% and 0.09% on the NSL-KDD dataset and 98.27%, 98.12% and 2.08% respectively on the KDDcup99 dataset.
چکیده
محاسبات ابری، امروزه به سبب سرویس های ذخیره سازی و دستیابی داده، بسیار مشهور شده است. امنیت و حریم خصوصی، از جمله مسائل و نگرانی های اولیه، در زمانی هستند که تهدیدهای شبکه افزایش یافته باشد. محاسبات ابری، سازمان ها و تشکیلات اقتصادی را به صورت مقیاس پذیر، انعطاف پذیر و زیر ساخت های مقرون به صرفه برای ذخیرة داده ها در وب، ارائه می دهد. یک ناهنجاری مبتنی بر پیاده سازی IDS، از ادغام داده ها در یک مجموعه داده محافظت می نماید و این کار با شناسایی و قرنطینه کردن موارد ثبت شده، در زمانی قابل انجام است که به طور غیر قابل انتظاری، تغییر در چیزی ظاهر شده باشد. یادگیری ماشین، مبتنی بر روش های خوشه بندی و طبقه بندی است که برای ناهنجاری ایجاد شده به سبب طبقه بندی حمله IDS و مقیاس پذیری در محیط های شبکه های پیشرفته، به کار رفته است. یادگیری ماشین، یک رویکردی سریع، کارآمد و وفقی برای توسعة مدل های تشخیص گسترش نفوذ به شمار می رود که می تواند در مقابل تهدیدهای اضطراری، حملات ( اتک های ) شناخته شده و ناشناخته ( شامل حملات صفر روزه)، قد علم کند. این مقاله، یک مدل طبقه بندی و خوشه بندی کارآمد هیبریدی ( ترکیبی ) برای پیاده سازی ناهنجاری مبتنی بر IDS و برای حالات مخرب طبقه بندی، ارائه می دهد. که این طبقه بندی می تواند به این صورت باشد: معمولی ( بدون نفوذ)، DOS، پراب، U2R و R2L، با استفاده از توابع مبتنی بر آستانه و نتایج با دو مقدار آستانة متفاوت 0/5 , 0/01 تست شده است. آزمایشات روی دو پایگاه داده تست، انجام گرفته است و تحت نام های NSL-KDD,KDD cup99 می شود. نرخ تشخیص، نرخ هشدار کاذب و دقت برای پژوهش عملیاتی در مورد روش شناسی پیشنهاد شده، به کار رفته است.پس از اعمال رویکرد پیشنهادی، K-mean با جنگل تصادفی در دو مقدار آستانه متفاوت، نشان داده شده است و دقت طبقه بندی و نرخ تشخیص بهتر دارد و نرخ هشدار کاذب دارد که به ترتیب 85/99 % و 78/99 % و 09/0 % روی مجموعه داده NSL-KDD و روی مجموعه داده KDD Cup 99 به ترتیب 27/98 % ، 12/98 % و 08/2 % می باشد.
