دانلود رایگان ترجمه مقاله بهبود انتخاب وب سرویس با کیفیت فازی حفاظت – IJITEE 2014

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی مقاله:

5-آسیب پذیری و طبقه بندی وزنی
مجموعه های منطق فازی بر اساس قوانین زبان شناسی می باشند که تخصص تولید کننده را در مدل سازی تهدید لحاظ می کنند. در ذین مدل، روش استنباط ممدانی برای پوشش دادن دانش متخصص به روش بصری و انسانی و برای جمع مقادیر فازی با استفاده از روش مرکز ثقل به منظور غیر فازی سازی استفاده شد. قوانین AND، مقادیر فوق العاده مرتبط با یکدیگر هستند که وابسته به هم می باشند. قواعد OR و ترکیبی از قواعد OR و AND تنها برای متغیر های با ارتباط گسسته استفاده می شوند. تعداد قواعد تحت تصمیم متخصص آشنا به سیستم مورد مدل سازی است. با این حال هیچ متخصصی قابل دسترس نبوده و تعداد وظایف اعضای منتسب به هر کیفیت ورودی به طور تجربی با بررسی داده های ورودی و خروجی مطلوب انتخاب می شود(19). با این حال در مثال ما، مجموعه نسبتا کوچک از قواعد و تنها شش متغیر ورودی و خروجی تغریف می شوند.
قواعد فازی: شش ورودی فازی نظیر کلاهبرداری، دستکاری، تضرر(انکار)، افشای اطلاعات، محرومیت از سرویس، افزایش امتیاز و خروجی فازی، نرخ رتبه بندی اعتماد می باشد. قواعد فازی ذیلا برای مدل STRIDE برای تست هر وب سرویس برای ارزیابی خطر اجرا می شوند.
اگر ( کلاهبرداری پایین باشد) و ( دستکاری پایین باشد) و ( تضرر پایین باشد) و ( محرومیت از سرویس پایین باشد) و ( افزایش امتیاز پایین باشد)، آنگاه ( رتبه اعتماد=بسیار پایین خواهد بود).
6- ارزیابی اعتماد
به منظور ارزیابی قدرت رویکردفازی انتخاب شده، مقایسه ای با رویکرد وزنی برای موارد STRIDE که در جدول 1 ارایه شده است انجام شده که در آن عرضه کنندگان خدمات کاربران را با مقادیر اعتماد اشتباه فریب می دهند( 20). نخستین گام استفاده از ورودی های STRIDE بوده و فازی سازی در برابر مجموعه های فازی زبانی مناسب برای تعیین درجه تعلق ورودی ها به مجموعه فازی مناسب است. این ورودی یک مقدار عددی است. ورودی های فازی شده برای سابقه اپراتور فازی جهت کسب یک تک عددی اعمال می شوند که نشان دهنده نتایج ارزیابی قبلی هستند.
تابع عضویت هر یک از تهدید های بالقوه را بیان می کند که در نهایت به مقدار عضویت بین [0, 1] برای 5 اصطلاح زبانی نقشه یابی شده و برای هر تهدید به صورت بسیار پایین، نسبتا پایین، نسبتا بالا، بالا و بسیار بالا منتسب می شوند. در نهایت مجموعه فازی ورودی یک خروجی فازی از سیستم استنباط فازی را به خروجی اولیه تبدیل می کند.
بر طبق آسیب پذیر یها و طبقه بندی های فوق الذکر اوزان، مقدار تهدید STRIDE یک آسیب پذیری مطلقی است که برای هر وب سرویس اطلاق می شود. بعد از تعیین مجموع اوزان، سطح تهدید نهایی برای هر وب سرویس حاصل می شود. آنگاه، رتبه کلی با تابع عضویت تعیین می شود. فرمول های خاص نشان دهنده مقدار تهدید امنیت وب سرویس هستند و O(R) مقدار رتبه نهایی تهدید است:

بخشی از مقاله انگلیسی:

V. VULNERABILITY AND WEIGHT CLASSIFICATION

Fuzzy logic sets are based on linguistic rules to include developer expertise into modeling the threat. In this model Mamdani inference method was used to capturing the expert knowledge in a more intuitive, human-like manner, and for the aggregation of the fuzzy values using centroid technique was exploited for the defuzzification. AND rules are trust values are tightly coupled with one another, i.e dependent on each other. OR rules and a combination of OR and AND rules are used for loosely coupled variables only. The number of rules is decided by an expert who is familiar with the system to be modeled. However, no expert is available and the number of membership functions assigned to each input qualities is chosen empirically by examining the desired input-output data [19]]. However, in our case, with a relatively small set of rules and only six input and one output variables are defined. FUZZY RULES: Six fuzzy inputs like Spoofing, Tampering, Repudiation, Information disclosure, Denial of service, Elevation of privilege then fuzzy output is Trust Rating Rate. Fuzzy rules are implemented below for STRIDE model to test each web service into risk evaluation. IF (Spoofing is Low) AND (Tampering is Low) AND (Repudiation is Low) AND (Information disclosure is Low) AND (Denial of service is Low) AND (Elevation of privilege is Low) THEN (Trust Rating=Very Low).

VI. TRUST EVALUATION In order to evaluate the robustness of the chosen fuzzy approach, a comparison with the weighted approach is conducted for STRIDE cases given in table 1 which service providers are deceiving users with wrong trust values [20]. The first steps is to take the crisp inputs (STRIDE) and are fuzzified against the appropriate linguistic fuzzy sets to determine the degree to which these inputs belong to each appropriate fuzzy set. This crisp input is always a numeric value. The fuzzified inputs are applied to the antecedents of the fuzzy operator to obtain a single number that represents the result of the antecedent evaluation. Membership function says each potential threat that is mapped to a membership value between [0, 1] for five linguistic terms are assigned for each threat as Very low, Low, Rather low, Medium Rather high, High, and Very high. At last the input fuzzy set transforming a fuzzy output of a fuzzy inference system into a crisp output. According to the vulnerabilities and weights classifications above, the threat value of STRIDE are exclusive vulnerability are gotten for each web service. After weighted summation , the final threat level is achieved for each web service. Then the overall rank can be determined by membership function. The specific formulas stands for the threat value of web service security, O(R) stands for the final overall score threat value.