دانلود ترجمه مقاله سیستم تشخیص نفوذ در رایانس ابری توزیع شده: روش های خوشه بندی (ساینس دایرکت – الزویر 2023)

سیستم تشخیص نفوذ در رایانس ابری توزیع شده: روش های خوشه بندی و طبقه بندی ترکیبی

Intrusion detection system in distributed cloud computing: Hybrid clustering and classification methods

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

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.

2- پیش زمینه
     سیستم های تشخیص نفوذ به تشخیص حملات از خارج از سیستم (IDS) می پردازد. IDS برای تشخیص محدودة گسترده‎ای از بردارهای حمله، بحرانی به نظر می رسد. سیستم های تشخیص نفوذ (IDS) در ابتدا نگرانی هایی در مورد تشخیص نفوذ دارند که به عنوان یک مسالة تشخیص نفوذ، قابل دیدن است. DOS، پراب، U2R, R2L و نرمال تنها چند مورد حمله است که می تواند برای IDS به کار رود. مکانیسم های تشخیص IDS در دو نوع طبقه بندی می شود. مبتنی بر امضا، مبتنی بر رفتار [6]. به هرحال چند اشکال برای تکنیک های مبتنی بر امضا وجود دارند. بنابراین می توان به پیش تعریف حملاتی از جمله حملات شناخته شده می پردازیم و نرخ مثبت کاذب پایینی در آن وجود دارد. زیرا، الگوهای دردسترسی وجود ندارد و نمی توان به طور موثر حملات ناشناخته را شناسایی نمود. تعمیر ون گهداری پیوسته برای به روز رسانی حملات، یک فرآیند زمان بر است و نمی توان به تشخیص یا شناسایی اتک های ضفر روز پرداخت. IDS مبتنی بر ناهنجاری می تواند حملات شناخته شده و ناشناخته را تشخیص دهد و هم چنین به شناسایی حملات صفر روز کمک می کند [2] ولی به زمان برای تنظیم نیاز داریم و یک نرخ مثبت کاذب در آنها وجود دارد.IDS مبتنی بر ناهنجاری، حملات شناخته شده و ناشناخته را می تواند تشخیص دهد و به همین ترتیب به تشخیص حملات صفر روز، کمک می کند [7] ولی نیازمند زمان تنظیم هستیم و نرخ مثبت کاذب بالا در آن وجود دارد. راه حل های هوشمند سازی، به عنوان تعدادی از حملات جدید و رشد پیچیدگی های جدید، شناخته می شود. برای شناسایی موضوعات فوق الذکر، ما یادگیری ماشین مبتنی بر خوشه بندی و تکنیک های طبقه بندی را با استفاده از مفاهیم تکنیک طبقه بندی IDS در مدل و از مجموعه داده های کلی برچسب گذاری شده، استفاده می کنیم. به طور مشابه، خوشه بندی IDS در موقعیت سنجی داده بدون برچسب و در خوشه ها، ارزیابی شده و ینازی به داده های برچسب گذاری برای آموزش ندارد

     این مقاله، استراتژی های یادگیری پیشرفته را برای امنیت ابر و شبکه مرور می کند. در کار پیشنهادی ما ، یک سیستم تشخیص نفوذ مبتنی بر ناهنجاری، با استفاده از رویکردهای خوشه بندی هیبرید وطبقه بندی شناسایی شده و مقایسه ای با روش شناسی های موجود و برجسته سازی اهمیت رویکرد پیشنهادی ما در ارتقاء امنیت ابر و شبکه [8] انجام می گیرد. تاکیدات اصلی این مقاله روی تحلیل نقش های ویژگی در رویکردهای خوشه بندی و طبقه بندی برای سیستم های تشخیص نفوذ مبتنی بر ناهنجاری است. ( رویکرد سنتروئید). Kmean و همة رویکردهای دیگر، شامل رویکردهای مبتنی بر توزیع، رویکردهای مبتنی بر فاصله و DBSCAN می شود که مرور شده و در محتوای تشخیص نفوذ، مقایسه گردیده است. روش مبتنی بر سنتروئید یا نقطه مرکزی، یک تکنیک خوشه بندی استاندارد است که می تواند هم ویژگی های گروهی و هم ویژگی های عددی را بررسی کند.