مدل ترکیبی تشخیص ناهنجاری با استفاده از خوشه بندی وزنی معکوس و یادگیری ماشین در بستر محیط های ابری
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 265
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PADSA-9-4_002
تاریخ نمایه سازی: 17 فروردین 1401
چکیده مقاله:
امروزه به دلیل حملات و نفوذهای بسیار پیشرفته، شناسایی حملات در اینترنت اشیاء در بستر محیطهای ابری بسیار دشوار شده است. از مشکلات دیگر سیستمهای ابری میتوان به پایین بودن دقت در تشخیص خطا، نرخ مثبت کاذب و زمان محاسبات طولانی اشاره کرد. در روش پیشنهادی یک مدل تشخیص نفوذ ترکیبی شامل یک الگوریتم خوشهبندی و یک طبقهبندی جنگل تصادفی مبتنی بر ماشین، برای محیطهای ترکیبی مه و ابر ارائه میدهیم. همچنین برای کنترل ترافیک شبکه در لایه فیزیکی و همچنین تشخیص ناهنجاری در بین دستگاههای اینترنت اشیاء محاسبات در مه و لبههای ابر انجام خواهد شد به این صورت که پس از پیش پردازش، ترافیک ورودی به مه و ابر بررسی و در صورت نیاز به یک ماژول تشخیص ناهنجاری هدایت میشوند. برای شناسایی نوع هر حمله از یک طبقهبندی یادگیری مبتنی بر جنگل تصادفی استفاده شده است. از دادههای عمومی و دادههای ابری برای تحقیق استفاده شده است. دقت کلی سیستم تشخیص نفوذ پیشنهادی ۰۳/۹۸ و متوسط نرخ مثبت کاذب ۱۷ % و نرخ تشخیص ناهنجاری ۳۰/۹۶ بوده است که نسبت به روشهای گذشته قابل ملاحظه است.
کلیدواژه ها:
نویسندگان
عادله جعفر قلی بیک
گروه کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران
محمد ابراهیم شیری احمدآبادی
گروه کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران و گروه کامپیوتر دانشگاه امیرکبیر
افشین رضاخانی
گروه کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران و گروه کامپیوتر، دانشگاه آیت اله بروجردی