دفاعیه کارشناسی ارشد (برق و کامپیوتر) ارائه روشی بهینه بر اساس یادگیری ماشین برای تشخیص ناهنجاری در پلتفرم‌های رایانش ابری و کلان‌داده
| تاریخ ارسال: 1400/10/22 |
دانشجو: آقای حسن ترابی
استاد راهنما: دکتر سیده لیلی میرطاهری
زمان: یکشنبه ۲۶ دی ماه ۱۴۰۰ ساعت: ۱۰:۰۰
لینک ورود به جلسه
استاد راهنما: دکتر سیده لیلی میرطاهری
زمان: یکشنبه ۲۶ دی ماه ۱۴۰۰ ساعت: ۱۰:۰۰
لینک ورود به جلسه
چکیده:
امروزه رایانش ابری مدلی است که دسترسی آسان بر اساس تقاضای کاربر از طریق شبکه به مجموعه‌ای از منابع رایانشی قابل‌تغییر و قابل پیکربندی را فراهم می‌کند. خدمات رایانش ابری از طریق پروتکل‌های رایج اینترنت و استانداردهای شبکه قابل دسترس می‌باشند. در کنار مزایای بی‌نظیر رایانش ابری نمی‌توان خطرها و تهدیدهایی همچون امنیت، ارتباط ناامن و حملات به آن را نادیده گرفت. دفاع از سیستم‌های شبکه ابری و کلان‌داده به دلیل گسترش روزافزون آن‌ها و وابستگی به آن‌ها در زندگی روزمره به یک ضرورت تبدیل شده است. بنابراین مسئله امنیت در رایانش ابری یکی از چالش‌های مهم این فناوری بوده و مانع اصلی گسترش و همه‌گیر شدن آن می‌باشد که فعالان و توسعه‌دهندگان در این زمینه را وادار به یافتن راه‌حل‌های مناسبی برای این مشکل در این حوزه نموده است. تکنیک‌های مختلفی برای مقابله با حملات شبکه وجود دارد. برای این منظور، سیستم‌های تشخیص ناهنجاری شبکه به‌طور گسترده‌ای به عنوان یک اقدام متقابل مؤثر در برابر حملات و ناهنجاری‌های شبکه مورد استفاده قرار می‌گیرند. در ﺣﻘﯿﻘﺖ ﺷﻨﺎﺳﺎیﯽ ﻧﺎﻫﻨﺠﺎری یﮏ راﻫﮑﺎر ﻣﻨﺎﺳﺐ ﺑﺮای ﺣﻔﻆ اﻣﻨﯿﺖ ﺷﺒﮑﻪ رایانش ابری ﻗﻠﻤﺪاد می‌گردد. رویکرد مبتنی بر ناهنجاری به‌طور کلی الگوهای ترافیک عادی را به شیوه‌های مختلف یاد می‌گیرد و نمونه‌های ناهنجاری را شناسایی می‌کند. سیستم‌های تشخیص ناهنجاری شبکه با استفاده از روش‌های یادگیری ماشین، توجه زیادی را در نظارت هوشمندانه ترافیک شبکه به دست آورده‌اند. در ایﻦ پژوهش ﻣﺪﻟﯽ ﻣﺒﺘﻨﯽ ﺑﺮ شبکه‌های خودرمزگذار ﺟﻬﺖ ﺗﺸﺨﯿﺺ نمونه‌های عادی و ناهنجار در ﺳﻄﺢ ﺷﺒﮑﻪ رایانش ابری اراﺋﻪ ﺷﺪه اﺳﺖ. علاوه بر تشخیص داده‌های ناهنجار از داده‌های عادی، طبقه‌بندی انواع ناهنجاری هم بررسی شده است. با بررسی روش تشخیص ناهنجاری مبتنی بر خطای بازسازی داده‌ها در خودرمزگذار، رویکرد جدیدی را ارائه داده‌ایم. اگرچه خودرمزگذارها در تشخیص انواع ناهنجاری مؤثر هستند، اما یافتن ساختار مدل بهینه و تنظیمات هایپرپارامتری خودرمزگذارها تأثیر زیادی بر عملکرد تشخیص ناهنجاری‌ها دارد. پس از آنجا که انتخاب هایپرپارامترها تأثیر زیادی بر دقت الگوریتم دارد، از بهینه‌ساز هایپرپارامترها استفاده کردیم. در این پژوهش از مجموعه داده معیار رایانش ابری، مجموعه داده CIDDS-۰۰۱ استفاده شده است. ارزیابی مدل پیشنهادی بر روی این مجموعه داده نشان می‌دهد که عملکرد این روش نسبت به روش‌های موجود در معیارهای ارزیابی دقت، فراخوانی، نرخ مثبت کاذب، صحت و امتیاز F۱ بهبود داشته است.
کلید واژه: رایانش ابری، امنیت، یادگیری ماشین، تشخیص ناهنجاری
امروزه رایانش ابری مدلی است که دسترسی آسان بر اساس تقاضای کاربر از طریق شبکه به مجموعه‌ای از منابع رایانشی قابل‌تغییر و قابل پیکربندی را فراهم می‌کند. خدمات رایانش ابری از طریق پروتکل‌های رایج اینترنت و استانداردهای شبکه قابل دسترس می‌باشند. در کنار مزایای بی‌نظیر رایانش ابری نمی‌توان خطرها و تهدیدهایی همچون امنیت، ارتباط ناامن و حملات به آن را نادیده گرفت. دفاع از سیستم‌های شبکه ابری و کلان‌داده به دلیل گسترش روزافزون آن‌ها و وابستگی به آن‌ها در زندگی روزمره به یک ضرورت تبدیل شده است. بنابراین مسئله امنیت در رایانش ابری یکی از چالش‌های مهم این فناوری بوده و مانع اصلی گسترش و همه‌گیر شدن آن می‌باشد که فعالان و توسعه‌دهندگان در این زمینه را وادار به یافتن راه‌حل‌های مناسبی برای این مشکل در این حوزه نموده است. تکنیک‌های مختلفی برای مقابله با حملات شبکه وجود دارد. برای این منظور، سیستم‌های تشخیص ناهنجاری شبکه به‌طور گسترده‌ای به عنوان یک اقدام متقابل مؤثر در برابر حملات و ناهنجاری‌های شبکه مورد استفاده قرار می‌گیرند. در ﺣﻘﯿﻘﺖ ﺷﻨﺎﺳﺎیﯽ ﻧﺎﻫﻨﺠﺎری یﮏ راﻫﮑﺎر ﻣﻨﺎﺳﺐ ﺑﺮای ﺣﻔﻆ اﻣﻨﯿﺖ ﺷﺒﮑﻪ رایانش ابری ﻗﻠﻤﺪاد می‌گردد. رویکرد مبتنی بر ناهنجاری به‌طور کلی الگوهای ترافیک عادی را به شیوه‌های مختلف یاد می‌گیرد و نمونه‌های ناهنجاری را شناسایی می‌کند. سیستم‌های تشخیص ناهنجاری شبکه با استفاده از روش‌های یادگیری ماشین، توجه زیادی را در نظارت هوشمندانه ترافیک شبکه به دست آورده‌اند. در ایﻦ پژوهش ﻣﺪﻟﯽ ﻣﺒﺘﻨﯽ ﺑﺮ شبکه‌های خودرمزگذار ﺟﻬﺖ ﺗﺸﺨﯿﺺ نمونه‌های عادی و ناهنجار در ﺳﻄﺢ ﺷﺒﮑﻪ رایانش ابری اراﺋﻪ ﺷﺪه اﺳﺖ. علاوه بر تشخیص داده‌های ناهنجار از داده‌های عادی، طبقه‌بندی انواع ناهنجاری هم بررسی شده است. با بررسی روش تشخیص ناهنجاری مبتنی بر خطای بازسازی داده‌ها در خودرمزگذار، رویکرد جدیدی را ارائه داده‌ایم. اگرچه خودرمزگذارها در تشخیص انواع ناهنجاری مؤثر هستند، اما یافتن ساختار مدل بهینه و تنظیمات هایپرپارامتری خودرمزگذارها تأثیر زیادی بر عملکرد تشخیص ناهنجاری‌ها دارد. پس از آنجا که انتخاب هایپرپارامترها تأثیر زیادی بر دقت الگوریتم دارد، از بهینه‌ساز هایپرپارامترها استفاده کردیم. در این پژوهش از مجموعه داده معیار رایانش ابری، مجموعه داده CIDDS-۰۰۱ استفاده شده است. ارزیابی مدل پیشنهادی بر روی این مجموعه داده نشان می‌دهد که عملکرد این روش نسبت به روش‌های موجود در معیارهای ارزیابی دقت، فراخوانی، نرخ مثبت کاذب، صحت و امتیاز F۱ بهبود داشته است.
کلید واژه: رایانش ابری، امنیت، یادگیری ماشین، تشخیص ناهنجاری
مطالب مشابه
دفعات مشاهده: 462 بار |
دفعات چاپ: 85 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر