یافتن خوشه هایی با اندازه ها، شکل ها و چگالی های مختلف در داده های نویزدار و با ابعاد بالا

Finding Clusters of Different Sizes, Shapes, and Densities in Noisy, High Dimensional Data

چکیده
1- مقدمه
2- یک تعریف بهتر از شباهت
3- یک تعریف بهتر از چگالی
4- یک الگوریتم خوشه بندی نزدیک ترین همسایه مشترک
5- مطالعات تجربی
6- تحلیل پیچیدگی
7- نتیجه گیری و کار آینده
منابع

چکیده
مساله یافتن خوشه ها در داده ها هنگامیکه خوشه ها با اندازه، شکل و چگالی های مختلف وجود دارند و هنگامیکه داده ها شامل میزان زیادی از داده های آشفته و پرت هستند چالش برانگیز می باشد. بسیاری از این مشکلات مخصوصا هنگامیکه داده ها با ابعاد بسیار بالا، مانند داده های متنی و سری زمانی وجود دارند، حتی قابل توجه تر می شوند. در این مقاله، ما یک تکنیک خوشه بندی جدید را ارائه می کنیم که این مشکلات را حل می کند. الگوریتم ما درابتدا نزدیکترین همسایه های هر نقطه داده را پیدا می کند و سپس شباهت بین هر جفت از نقاط را برحسب تعداد نزدیکترین همسایه ای که در دو نقطه مشترک هستند مجددا تعریف می کند. با استفاده از این تعریف شباهت، ما داده های آشفته و پرت را حذف می کنیم، نقاط محوری را شناسایی می کنیم و سپس خوشه ها را حول نقاط محوری می سازیم. استفاده از یک تعریف نزدیکترین همسایه مشترک شباهت مشکل چگالی متغیر را حل می کند، درحالیکه استفاده از نقاط مرکزی مشکل مربوط به شکل و اندازه را برطرف می کند. به طور تجربی نشان می دهیم که الگوریتم ما بهتر از روش های سنتی (مانند K-میانگین) در انواع مجموعه داده ها، مانند داده های نفوذ شبکه KDD Cup ’99، داده سری های زمانی علوم زمینی NASA و مجموعه نقاط دوبعدی، عمل می کند. درحالیکه الگوریتم ما می تواند خوشه هایی با چگالی بالا را همانند الگوریتم های خوشه بندی دیگر پیدا کند، می-تواند خوشه هایی را که این روش ها نادیده می گیرند، یعنی خوشه هایی با چگالی پایین و متوسط را نیز پیدا کند، که این خوشه ها مهم هستند چونکه آن ها نواحی نسبتا یکنواخت احاطه شده توسط ناحیه های غیریکنواخت یا با چگالی بالاتر را ارائه می کنند. پیچیدگی زمان اجرای تکنیک ما است چونکه ماتریس شباهت باید ساخته شود. اما، تعدادی از بهینه سازی ها را بحث می کنیم که به الگوریتم کنترل مجموعه داده های بزرگ به طور موثر اجازه می دهند. برای مثال، 100000 سند از مجموعه TREC می توانند در یک ساعت در یک کامپیوتر رومیزی خوشه بندی شوند.

3- یک تعریف بهتر از چگالی
در مجموعه داده ها با ابعاد بالا، مفهوم اقلیدسی سنتی چگالی، که تعداد نقاط بر واحد حجم است، بی معنی می باشد. برای دیدن این، فرض کنید که با افزایش تعداد ابعاد، حجم به سرعت افزایش می یابد، و مگر اینکه تعداد نقاط به طور نمایی با تعداد ابعاد افزایش یابد، چگالی به صفر میل می کند. بنابراین، در ابعاد بالا، استفاده از یک روش مبتنی بر چگالی (سنتی) مانند DBSCAN که نقاط محوری را به صورت نقاط در نواحی چگالی بالا و نقاط آشفته را به صورت نقاط در نواحی چگالی پایین تعریف می کند، امکان پذیر نیست (استفاده از DBSCAN امکان پذیر است اگر از چگالی اقلیدسی صرف نظر کنید، یعنی از معیار شباهت مانند معیار کسینوسی به جای فاصله اقلیدسی استفاده کنید).

اما، مفهوم دیگری از چگالی وجود دارد که این مشکل را ندارد، یعنی چگالی احتمال یک نقطه. در روش k نزدیکترین همسایه برای برآورد چگالی چندمتغیره ]2[، اگر یک نقطه همسایه های نزدیک زیادی داشته باشد، آنگاه با احتمال بیشتر در ناحیه ای است که یک چگالی احتمال نسبتا بالایی دارد. بنابراین، هنگامیکه به نزدیکترین همسایه های یک نقطه نگاه می کنیم، نقاطی با تعداد همسایه های نزدیک بیشتر (شباهت بالاتر) در نواحی چگال تری نسبت به نقاطی با همسایه های دورتر (شباهت پایین تر) قرار دارند.

در عمل، ما جمع شباهت های نزدیکترین همسایه های یک نقطه را به صورت یک معیار از این چگالی در نظر می گیریم. هرچه این چگالی بالاتر باشد، احتمال بیشتری دارد که این نقطه یک نقطه محوری یا یک نقطه نماینده باشد. هرچه چگالی پایین تر باشد، احتمال بیشتری دارد که این نقطه یک نقطه آشفته یا پرت باشد. توجه کنید که درحالیکه انگیزه ما شناسایی نقاطی است که بالاترین چگالی احتمال را دارند، از نقطه نظر نموداری، ما در حال شناسایی نقاطی هستیم که قوی ترین پیوندها را دارند. همچنین توجه کنید که چونکه در حال استفاده از یک نمودار SNN به عنوان نقطه شروع هستیم، چگالی های ما متناظر با یک چگالی احتمال دقیق یا قدرت پیوند نیستند، بلکه درعوض متناظر با مقادیری هستند که به یک همسایگی محلی بهنجار شده-اند.

نظارت بر زیرساخت مرکز داده

Data Centre Infrastructure Monitoring

چکیده
مقدمه
1- نتایج بررسی از PRACE
2- حالت پیشرفته
3- تبادل اطلاعات
4- یکپارچه سازی زیرساخت و سیستم های مدیریت منابع HPC
5- توصیه ها
6- نتیجه گیری
منابع

چکیده
هر مرکز داده، مخصوصا یک مرکز HPC، به یک زیرساخت پیشرفته احتیاج دارد که از کار موثر محاسبه و منابع داده پشتیبانی کند. معمولا، محیط پشتیبانی به همان پیچیدگی بخش های دیگر مرکز داده HPC می باشد. محیط پشتیبانی شامل چیلرها، خنک کننده ها، پمپ ها، شیرها، پمپ های حرارتی، سیستم های توزیع برق، UPSها، سیستم-های ولتاژ بالا و پایین، خشک کننده ها و سیستم های تهویه هوا می باشد. تنوع تجهیزات پشتیبانی بسیار زیاد است، حتی زیادتر از زیرساخت IT. این لزوم به جمع آوری، یکپارچه سازی و پایش ابزارها را دیکته می کند. علاوه بر پایش، سیستم های کنترل موجودی باید بخشی از هر مرکز داده باشند. این گزارش خلاصه ای از یک بررسی DCIM جمع-آوری شده از مهمترین مراکز HPC در اروپا، با تحلیل کنترل و پایش پلتفرم های نرم افزاری موجود در بازار با یک ارزیابی از مهمترین کارایی های مدنظر کاربران را فراهم می کند. تحلیل نیازمندی ها و عملکرد بالقوه موجود بوسیله یک مجموعه از توصیه ها خلاصه سازی شد. موضوع حیاتی دیگر سیاست و تعریف رویکردهایی که باید بوسیله مالک و فراهم کننده سرویس مرکز داده برای حفظ توافق نامه سطح خدمات (SLA) اجرا شوند می باشد. قسمت هایی از SLA باید در مدیریت زیرساخت مرکز داده منعکس شوند. جدا از قابلیت اطمینان و دسترس پذیری بالایی که شما برای در نظر گرفتن کمینه سازی هزینه های نگهداری و عملیات احتیاج دارید، سیستم های DCI نیز برای این منظور بسیار مفید هستند. بهترین اطلاعات اقداماتی در هفتیمن کارگاه اروپایی در زمینه زیرساخت های مرکز HPC در گارچینگ آلمان در آپریل 2016 ارائه شد. فهرست توصیه ها و فصل های نتیجه گیری چیزی که باید از سیستم DCIM به خوبی طراحی شذه انتظار داشت را توصیف می کنند.

1- نتایج بررسی از PRACE
پیشرفته ترین فناوری های HPC و نگهداری DC فعلی توسط شرکای PRACE در اروپا ارائه می شوند. این در نتایج جمع آوری شده از یک بررسی پراکنده در سه ماه ابتدایی سال 2016 منعکس شد. نتایج بررسی در هفتمین کارگاه اروپایی در زیرساخت مرکز HPC]1[ در آپریل 2016 ارائه شدند. فناوری مرکز داده استفاده شده در موسسات آکادمیک حداقل در زمینه های اندازه منابع محاسباتی، استفاده انرژی و چگالی و بسیار پیشرفته است. اما اندازه مراکز داده و ظرفیت منابع به نرم افزار پایش اضافی احتیاج دارند.

این بخش شامل اطلاعاتی براساس گزارشات دریافت شده از مراکز داده بزرگ (شرکای میزبان PRACE) و زیرساخت های بزرگ شرکای عمومی PRACE می باشد، که خلاصه خوبی از عملکرد مراکز داده را ارائه می کند. هدف این پرسشنامه جمع آوری اطلاعاتی درباره وضعیت فعلی سیستم های پایش زیرساخت پشتیبانی کننده از کار روزانه در مراکز داده PRACE بود.

در حال حاضر، در مراکز داده HPC، پلتفرم های زیادی وجود دارند که می توانند انتخاب شوند از جمله:
• سیستم تریدیوم JACE- نیاگارا
• سیمنس دسیگو
• گرافیت/گرافانا
• پرونیکس POC (مرکز عملیات قدرت)
• مسداس
• UGM 2040
• دسیگو اینساید
• جانسون کنترولز متاسیس
• سیمنس WinCC
• اسکادا پانوراما
• ویکتور وب IT
• نسخه مرکز داده پایش قدرت خبره استراکشروار

اما، چنین انتخاب سیستم های مدیریت زیادی به این معنی نیست که هر سیستم مدیریت تمام خدمات را فراهم می کند. هر پلتفرم غالبا تنها مسئول قسمتی از زیرساخت های مراکز داده نظارت شده و عملکردهای آن است، برای مثال، ابزارهای مجزایی برای تاسیسات برق و خنک کننده استفاده می شوند. واحدهای سخت افزاری مجزا غالبا توسط زیرساخت های پایش جداگانه ای نظارت می شوند. رایج ترین راه حل سه یا چهار پلتفرم نرم افزاری مستقل استفاده شده برای انواع مختلف تجهیزات می باشد. برای مثال، یک پلتفرم مسئول مبادله گرهای حرارتی (HxB)، تهویه هوا (چیلرها و CRAHها) و ژنراتورها است؛ دیگری مسئول وبکم ها، تلویزیون، حفاظت دربرابر آتش سوزی، کدهای دسترسی در و دیگر امکات امنیتی نصب شده در ساختمان می باشد؛ و پلتفرم سوم مسئول وضعیت حاضر، گزارشات رویدادها، فعالسازی هشدارها و تولید تیکت های مشکل می باشد.

طراحی اکتشاف فضایی شتاب دهنده های FPGA برای شبکه های عصبی کانولوشن

Design Space Exploration of FPGA Accelerators for Convolutional Neural Networks

چکیده
1- مقدمه
2- چارچوب جستجوی ما
3- ارزیابی یک نقطه طراحی
4-آزمایشات
5- کار مرتبط
6-نتیجه گیری
منابع

چکیده
افزایش استفاده از الگوریتم های یادگیری ماشین، مانند شبکه های عصبی پیچشی (CNNها)، باعث می شود که روش شتابدهنده های سخت افزاری بسیار جالب باشد. اما، به سوالی در مورد چگونه طراحی بهتر یک شتابدهنده برای یک CNN مورد نظر، حتی در یک سطح بنیادی هنوز پاسخ داده نشده است. این مقاله این چالش را با فراهم کردن یک چارچوب جدید که می تواند بطور جهانی و دقیق انتخاب های معماری مختلف برای شتابدهنده-های CNN در FPGAها را ارزیابی و جستجو کند رفع می کند. چارچوب جستجوی ما گسترده تر از هر کار قبلی برحسب فضای طراحی است و منابع FPGA مختلف را برای بیشینه سازی عملکرد شامل منابع DSP، پهنای باند حافظه درون تراشه و حافظه بیرون تراشه درنظر می گیرد. نتایج تجربی ما با استفاده از بزرگترین مدل های CNN شامل مدلی که 16 لایه پیچشی دارد کارآمدی چارچوب ما و همچنین نیاز به چنین روش جستجوی معماری سطح بالا برای یافتن بهترین معماری برای یک مدل CNN را نشان می دهد.

2 – چارچوب جستجوی ما
A. مرور شتابدهنده
مدل شتابدهنده ما شامل یک آرایه محاسبه و سه بافر درون تراشه بصورت نشان داده شده در شکل 2 است. یک آرایه محاسبه یک آرایه از عناصر محاسبه است که کم و بیش بلوک های همگن شامل ضرب کننده ها و جمع کننده ها هستند. در این مقاله، از جملات آرایه محاسبه و آرایه MAC استفاده می کنیم. یک آرایه محاسبه محاسبه بدنه حلقه کرنل تعمیم یافته درامتداد برخی ابعاد فضای تکرار را اجرا می کند. مجموعه این ابعاد شکل یک آرایه محاسبه نامیده می شود، که ساختار داخلی آرایه محاسبه را دیکته می کند.

بافرها حافظه های چرک نویس هستند که بطور جزیی یا کامل آرایه های ورودی/خروجی و پارامترهای وزن را ذخیره می کند. اگر بطور جزیی ذخیره شوند، توسط حافظه خارجی پشتیبانی شده (مانند DRAM) و داده ها باید بین بافرها و حافظه خارجی منتقل شوند، که بطور همزمان با محاسبه با توجه به بافرینگ مضاعف اتفاق می افتد. بنابراین یک بافر باید بافردهی مضاعف شود مگر اینکه به پشتیبانی توسط حافظه خارجی نیاز نداشته باشد.

فرض می کنیم که ضرب کننده ها و جمع کننده ها مورد نیاز برای اجرای عملیات بدنه حلقه کرنل با استفاده از بلوک های DSP اجرا می شوند. به همین ترتیب بافرها فرض می شود که با استفاده از بلوک های RAM اجرا می شوند. فرض می کنیم که پهنای باند حافظه بادوام ماکزیمم داده می شود که می تواند بطور تجربی توسط شبیه سازی کنترل کننده حافظه برای زمان کافی طولانی بدست آید.

آینده بلاک چین برای امنیت اینترنت اشیا: یک مقاله موقعیت

A blockchain future for internet of things security: a position paper

چکیده
1. مقدمه
3. بحث و بررسی
4. زنجیره‌ی بلوکی برای IoT
5. آینده‌ای با زنجیره‌ی بلوکی؟
منابع

چکیده
دستگاه‌های اینترنت اشیا به‌طور فزاینده‌ای در زمینه‌های غیرنظامی و نظامی، از شهرهای هوشمند و شبکه‌های هوشمند گرفته تا اینترنت پزشکی اشیا ، اینترنت رسانگرها ، اینترنت نظامی اشیا ، اینترنت میدان نبرد اشیا و غیره، دیده می‌شوند. در این مقاله به بررسی و مرور مقالاتی در زمینه‌ی راه‌حل‌های امنیتی IoT پرداخته‌ایم که از ژانویه‌ی سال 2016 به زبان انگلیسی چاپ شده‌اند. از مشاهدات ما، عدم وجود مجموعه‌داده‌های IoT با دسترسی عمومی، جهت استفاده در جوامع تحقیقاتی و شغلی است. با توجه به ماهیت حساس بالقوه‌ی مجموعه‌داده‌های IoT، نیاز به تدوین و توسعه‌ی استاندارد اشتراک‌گذاری مجموعه‌داده‌های IoT میان جوامع تحقیقاتی و شغلی و سایر ذینفعان احساس می‌شود. بنابراین، ابتدا به پتانسیل فن‌آوری زنجیره‌ی بلوکی در تسهیل امنیت اشتراک‌گذاری مجموعه‌داده‌های IoT (مثلاً استفاده از زنجیره‌ی بلوکی برای اطمینان از یکپارچگی مجموعه‌‌داده‌های به اشتراک گذاشته شده) و امن کردن سیستم‌های IoT، قبل از ارائه‌ی دو روش مفهومی مبتنی بر زنجیره‌ی بلوکی پرداخته‌ایم. در انتهای این مقاله، 9 سوال تحقیقاتی بالقوه ارائه کرده‌ایم.

2. بررسی و مرور IoT موجود و روش‌های امنیتی مربوطه
2.1. روش‌های شناسایی و پیشگیری از نفوذ
طراحان بدافزار امروزی و مهاجمین سایبری خلاق و نوآور بوده و به‌طور مداوم به‌دنبال دور زدن اقدامات موجود هستند (برای مثال، تولید نسخه‌های مختلف بدافزار با استفاده از جهش ). اکثر روش‌های IDS و IPS موجود برای شناسایی تلاش‌های دسترسی غیرمجاز و حملات محروم‌سازی از سرویس توزیع‌شده طراحی شده‌اند. به‌عنوان مثال، آل‌سونبول و همکاران [11] یک سیستم دفاعی شبکه برای شناسایی و پیشگیری از تلاش‌های دسترسی غیرمجاز، با تولید پویای پروتکل جدید جهت جایگزینی پروتکل استاندارد ارائه کرده‌اند. هدف این امر، مغشوش کردن تلاش‌های پویش است. همچنین مسیر شبکه متناوباً برای جلوگیری از دسترسی غیرمجاز و پویش ترافیک تغییر می‌کند. با این حال، تعداد بسته‌های تولیدی می‌تواند بیش از حد باشد. در روش زیتا ، نرودا و وویتک [19]، از رزپری ‌پای 3 برای امن کردن بازخوان‌های سامانه‌ی بازشناسایی با امواج رادیویی فرکانس‌ فرابالایی استفاده شده که از پروتکل بازخوان سطح‌پایین استفاده می‌کنند. به‌طور خاص، دو نرم‌افزار Fail2ban و سوریکاتا به‌دلیل عملکرد و مقیاس‌پذیری بالا به‌عنوان راه‌حل انتخاب شدند. Fail2ban از معماری پیچیده پشتیبانی می‌کند؛ بنابراین، مناسب پیاده‌سازی در محیط ابری با حسگرها و سرورهای متعدد است. عملکرد سوریکاتا بهتر از اسنورت بوده و پردازش چندریسمانی مورد نیاز CPU چندهسته‌ای رزبری پای 3 را فراهم می‌کند. پارک و آن [50] شناسایی و عملکرد اسنورت و سوریکاتا را هنگام مواجهه با حملات DoS را تحلیل و مقایسه کرده و نتیجه گرفتند مصرف CPU اسنورت کمتر است. هرچند، سوریکاتای چندریسمانی عملکرد شناسایی تک‌هسته‌ای و چندهسته‌ای بهتری دارد.

در ادامه به بررسی سامانه‌های شناسایی و/یا پیشگیری از نفوذ پرداخته‌ایم. برای سادگی از IDPS جهت ارجاع به سامانه‌های شناسایی و/یا پیشگیری از نفوذ استفاده شده است.

2.1.1. طبقه‌بندی بر اساس روش‌ها
رمزنگاری یک روش رایج است که برای تامین محرمانگی و یکپارچگی داده، همانند روش‌های امنیتی چندلایه‌ای گزارش شده در [27، 32]، استفاده می‌شود. به‌طور خاص، چانگ و راماچاندران [27] یک راه‌حل امنیتی چندلایه برای محاسبات ابری پیشنهاد داده‌اند. اولین لایه‌ی امنیتی، دیوار آتش و کنترل دسترسی است که برای اطمینان از دسترسیِ تنها کابران مجاز و معتبر به سیستم‌ها و داده‌ها، طراحی شده است. وظیفه‌ی لایه‌ی دوم، مدیریت هویت و پیشگیری از نفوذ، جهت شناسایی مجدد کاربران و حذف تمامی پرونده‌های مخرب شناسایی شده، است. لایه‌ی سوم رمزنگاری همگرا است که یک خط‌مشی امنیتی از بالا به پایین را ارائه می‌دهد. برای ارزیابی روش پیشنهادی، نویسندگان آزمایش نفوذ روی 10 پتا‌بایت داده از مراکز داده انجام داده‌اند. با توجه به نتایج آزمایش، زمان مورد نیاز برای بازیابی بعد از تلاش دسترسی غیرمجاز حداقل 125 ساعت است. مککائوئی و همکاران [32] یک مدل امنیتی و حفظ حریم شخصی ابری چندلایه ارائه کرده‌اند که شامل پنج لایه است: لایه‌ی امنیت فیزیکی و محیطی ، لایه‌ی امنیتی زیرساخت ابری ، لایه‌ی امنیتی شبکه ، لایه‌ی داده و لایه‌ی کنترل دسترسی و مدیریت امتیاز .

محاسبات ابری

Network Computing

7 1 اصول شبکه های کامپیوتری
7 2 سیستم های کلاینت/سرور
7 3 خوشه ها
7 4 شبکه های ارتباط داخلی
7 5 مثال های خوشه
7 6 رایانش شبکه
7 7 خلاصه فصل
منابع

رشد اینترنت موجب افزایش توجه به رایانش شبکه مقیاس بزرگ شده است که می تواند کل جهان را پوشش دهد. اینترنت گسترده ترین سیستم توزیع شده در جهان است. گره ها در اینترنت ممکن است ایستگاه های کاری تک-پردازنده، ماشین های MIMD حافظه مشترک، ماشین های SIMD موازی حجیم، یا انواع دیگر باشند. لینک ها اتصالات بسته سوئیچ شده TCP/IP و تغییرات پهنای باند با بار، تعداد هاپ ها و فناوری ارتباط اساسی می باشند. هنگامیکه یک گره با گره دیگر ارتباط برقرار می کند، بسته های داده ممکن است از طریق یک لینک بیسیم، کابل فیبر نوری، کابل کواکسیال، خط تلفن دیجیتالی، و غیره ارسال شوند. این لایه های فیزیکی موجب تاخیر و خطا شده که می توانند بوسیله بازانتقال و پیکربندی مجدد دینامیکی لینک های اینترنت تصحیح شوند.

در فصل های قبل، ما سیستم های رایانش شامل واحدهای پردازش چندگانه متصل شده از طریق برخی شبکه های ارتباط داخلی را مطالعه کردیم. دو عامل اصلی وجود دارند که چنین سیستم هایی را متمایز می کنند: واحدهای پردازش و شبکه ارتباط داخلی که آن ها را بهم متصل می کند. یاد گرفتیم که واحدهای پردازش می توانند با استفاده از حافظه مشترک یا روش های تبادل پیام با یکدیگر ارتباط برقرار کنند. در این فصل، ما رایانش شبکه را بحث می کنیم که در آن گره ها کامپیوتر های مستقلی هستند که می توانند از طریق یک سوییچ، شبکه محلی، یا اینترنت بهم متصل شوند. ایده اصلی تقسیم برنامه کاربردی به چندین قسمت نیمه مستقل براساس نوع پردازش مورد نیاز می باشد. گره های مختلف در شبکه می توانند به بخش های متفاوتی از برنامه کاربردی اختصاص داده شوند. این شکل از رایانش شبکه از قابلیت های منحصربه فرد معماری های سیستم متنوع استفاده می کند. برای مثال، بخش SIMD ریزدانه برنامه کاربردی به ماشین SIMD و نمایش گرافیکی و بخش های I/O به یک یا چند ایستگاه کاری تک پردازنده فرستاده خواهند شد. هماهنگی کلی توسط کامپیوتری رومیزی یک شخص انجام می-شود. این همچنین تاحدزیادی منابع بیهوده بالقوه در یک سازمان بزرگ را پوشش می دهد. بنابراین، چرخه های CPU استفاده نشده ممکن است درطول دوره های کوتاه زمانی استفاده شده و منجر به قطاری از فعالیت ها بعد از یک دوره عدم فعالیت می شوند. در ادامه، ما استفاده از فناوری شبکه به منظور ایجاد یک زیرساخت رایانش با استفاده از کامپیوتر های کومودیتی را بحث می کنیم.

7-1-2 اینترنت
اینترنت مجموعه ای از شبکه ها و روترهایی است که یک شبکه مجازی مشارکتی واحد را تشکیل داده و کل جهان را پوشش می دهند. اینترنت متکی بر ترکیب پروتکل هدایت انتقال و پروتکل اینترنت یا TCP/IP می باشد. اکثر ترافیک شبکه با استفاده از بسته های TCP/IP حمل می شود. اینترنت از یک نمونه تحقیقاتی اولیه به بزرگترین محیط ارتباطی در جهان تکامل یافته است. استفاده بسیار زیاد از اینترنت و شبکه جهانی وب (WWW) موجب رشد سریع اینترنت در رایانش انتشار، جستجو و توزیع شده الکترونیکی شده است. جدول 7-1 برخی آمارها درباره 10 کشور اول با بالاترین تعداد کاربران اینترنت توسط آمار جهانی اینترنت (www.internetworldstats.com) را نشان می دهد. همانطور که می توان دید، تنها در ایالات متحده، 71درصد از جمعیت از اینترنت استفاده می کنند. همچنین، نزدیک به 12درصد از مردم جهان از اینترنت استفاده می کنند. با ادعای گلیدر و متکالف، انتطار می رود که تعداد کاربران حتی زیادتر شود.

7-1-3 فناوری های شبکه دیگر
علاوه بر پروتکل TCP/IP رایج، پروتکل ها و ترکیب های پروتکل بسیار بیشتری وجود دارند. برخی از این پروتکل ها بطور خلاصه در زیر ارائه می شوند. شکل 7-1 فناوری های شبکه مختلف و سرعت آن ها در رابطه با طبقه بندی شبکه فراهم شده در بالا را نشان می دهد.

اترنت سریع و اترنت گیگابیت: اترنت سریع (100Base-T) یک LAN پرسرعت است که ارسال یا دریافت داده ها در 100 مگابیت بر ثانیه (100 Mbps) را برای یک کامیپوتر فراهم می کند. نیاز به پهنای باندی که حتی بالاتر از 100 Mbps است موجب توسعه اترنت به 1 Gbps شده است. اترنت گیگابیت (100Base-T) یک انتخاب جذاب برای شبکه های اصلی شرکتی و خوشه های ایستگاه های کاری با عملکرد بالا شده است.

رمزنگاری مبتنی بر ویژگی (ABE) با ورودی کمکی بهبود یافته برای امنیت داده های بزرگ

ABE with improved auxiliary input for big data security

چکیده
1 مقدمه
2 پیشینه
3 ABE با ورودی کمکی بهبودیافته
4 ساخت و ساز CP-ABE با ورودی کمکی بهبود یافته
5 ساخت KP-ABE با ورودی کمکی بهبود یافته
6 نتیجه‌گیری
منابع

چکیده
رمزنگاری مبتنی بر ویژگی (ABE) توسط اتحادیه امنیت ابری (CSA) به عنوان یکی از ابزارهای رمزگذاری  احتمالی برای کنترل دسترسی در برنامه‌های کاربردی کلان داده توصیه شده است. در ABE فایل اشتراکی می‌تواند با سیاستی مشخص تنها یک بار رمزگذاری شود و توسط هر گیرنده‌ای که ویژگی‌های آن ارضا شده باشد می‌تواند رمزگشایی شود. هنگامی که ABE در برخی از سناریوهای شبکه باز مستقر شود به طور ناگریز توسط حملات کانال‌های جانبی تحت حمله قرار می‌گیرد زیرا کلان داده‌ها از نقاط انتهایی متنوعی می‌آیند. در این مقاله ما طرح‌های CP-ABE و KP-ABE مقاوم در برابر نشت را در مدل ورودی کمکی بهبود یافته ارائه می‌دهیم که به مهاجم اجازه می‌دهد تا به پرس و جو  اطلاعات نشتی بیشتری با توجه به تصادفی بودن رمزنگاری پس از مشاهده چالش متن رمزنگاری شده  بپردازد. علاوه بر این، ما یک استخراج‌کننده قوی بهبود یافته از قضیه اصلاح شده لوین – گلدریچ  را برای اثبات امنیت ساخته‌ایم و ثابت کرده‌ایم که امنیت طرح ما متکی به ساخت و ساز ونگ  و همکاران است.

2-2 ساختار دسترسی
تعریف زیر توسط [32] ارائه شده است:
تعریف 2 (ساختار دسترسی): فرض کنید که مجموعه‌ای از ویژگی‌ها باشد. ما یک مجموعه مجاز یکنواخت بر روی شرایط را تعریف می‌کنیم که در آن است و آنگاه است. یک مجموعه یکنواخت به شکل یک ساختار دسترسی یکنواخت است که یک مجموعه غیرخالی از زیرمجموعه‌های است. اگر مجموعه‌ها در نباشند، آنگاه آنها مجموعه‌های غیرمجاز هستند.

تعریف LSS را می‌توان در [32] یافت. از بحثی که در [32] صورت گرفته است دریافتیم که هر طرح LSSS، با نام Π برای ساختار دسترسی را می‌توان برای بازسازی خطی استفاده کرد. فرض کنید که مجموعه‌ای ‌‌مجاز باشد و فرض کنید که به شکل باشد. آنگاه اگر سهم‌هایی معتبر از هر در Π باشند آنگاه ثابت‌هایی به شکل وجود دارند به طوریکه خواهد بود. این را می‌توان در زمان چندجمله‌ای یافت.

3- ABE با ورودی کمکی بهبودیافته
1-3 تعریف
یک طرح CP-ABE برای یک ساختار دسترسی یکنواخت کلی A از چهار الگوریتم PPT به صورت زیر تشکیل شده است:
1- راه‌اندازی : الگوریتم راه‌اندازی پارامتر امنیتی ƛ را به عنوان ورودی دریافت می‌کند و خروج‌های آن جفت کلید رمز/عمومی ارباب به شکل (MPK,MSK) است.
2- این الگوریتم ویژگی مجموعه S و کلید رمز ارباب MSK را به عنوان ورودی دریافت می‌کند و خروجی‌ آن یک کلید رمز SKk است.
3- رمزگذاری (M,A): الگوریتم رمزگذاری یک ساختار دسترسی یکنواخت A را می‌گیرد و پیام M به عنوان ورودی است و خروجی‌ آن یک متن رمزنگاری شده به شکل CT است.
4- رمزگشایی (CT,SK): این الگوریتم یک متن رمزنگاری شده CT را برای سیاست دسترسی A و کلید رمز SK را برای مجموعه S به عنوان ورودی می‌گیرد و خروجی آن در صورتی M است که ویژگی‌های مجموعه S، A را ارضا کنند.

رمزگذاری بر اساس ویژگی های متن رمزی

Ciphertext-Policy Attribute-Based Encryption

چکیده
1 مقدمه
2 تحقیقات مرتبط
3 پیش‌زمینه
4 ساختار سیستم ما
5 پیاده‌سازی
6 نتیجه‌گیری و جهت گیری های آزاد
منابع

چکیده
در سیستم‌های توزیع‌شده متعدد، کاربر باید تنها در صورت داشتن مجموعه مشخصی از گواهی‌نامه‌ها یا ویژگی‌ها، به داده‌ها دسترسی داشته باشد. در حال حاضر، تنها روش جهت اجرای این سیاست‌ها، استفاده از یک سرور مطمئن جهت نگهداری داده‌ها و واسطه قرار دادن کنترل دسترسی است. بااین‌حال، درصورتی‌که هر نوع سرور نگهدارندِ داده‌ها با خطر مواجه شود، در این صورت محرمانگی داده‌ها با خطر مواجه خواهد شد. ما در این مقاله، سیستمی را جهت تحقق کنترل دسترسی پیچیده بر روی‌ داده‌های رمزنگاری‌شده ارائه می‌کنیم که آن را رمزنگاری مبتنی بر ویژگی سیاست متن رمزی نام‌گذاری می‌کنیم. می‌توان با استفاده از تکنیک‌های خود، داده‌ها را به‌صورت محرمانه حتی در صورت قابل‌اطمینان نبودن سرور ذخیره، حفظ کرد؛ علاوه براین، روش‌های ما در برابر حملات تبانی امن خواهند بود. سیستم‌های رمزنگاری مبتنی بر ویژگی از ویژگی‌هایی جهت بیان داده‌های رمزنگاری‌شده استفاده کرده و سیاست‌هایی را در کلیدهای کاربر ایجاد کردند؛ درحالی‌که ویژگی‌های سیستم ما به‌منظور بیان گواهی‌نامه‌های کاربر مورداستفاده قرارگرفته و گروهی که اقدام به رمزنگاری داده‌ها می‌کند، سیاستی را در مورد افراد واجد شرایط جهت رمزگشایی تعیین می‌کند. بنابراین، روش‌های ما ازنظر مفهومی به روش‌های کنترل دسترسی مرسوم مانند کنترل دسترسی مبتنی بر نقش (RBAC) نزدیک‌تر هستند. علاوه براین، ما پیاده‌سازی سیستم خود را ارائه کرده و اندازه‌گیری‌های عملکردی خود را نشان می‌دهیم.

2- تحقیقات مرتبط
ساهای و واترز رمزنگاری مبتنی بر ویژگی (ABE) را به‌عنوان ابزاری جدید برای کنترل دسترسی رمزنگاری‌شده معرفی کردند. در یک سیستم رمزنگاری مبتنی بر ویژگی، متن‌های رمزی لزوماً نسبت به یک کاربر مشخص همانند رمزنگاری کلیدی عمومی معمول رمزنگاری نمی‌شوند. از طرف دیگر، رمزهای شخصی کاربران و متن‌های رمزی مرتبط با مجموعه‌ای از ویژگی‌ها یا یک سیاست نسبت به ویژگی‌ها خواهند بود. یک کاربر هنگامی قادر به رمزگشایی از یک متن رمزی خواهد بود که بین رمز شخصی او و متن رمزی، تطابق وجود داشته باشد. ساهای و واترز در سیستم اصلی خود، یک سیستم ABE نهایی را ارائه کردند که طی آن متن‌های رمزی با مجموعه‌ای از ویژگی‌های S برچسب‌گذاری شده و رمز شخصی یک کاربر با پارامتر نهایی k و مجموعه دیگر ویژگی‌های S’ مرتبط می‌شود. به‌منظور رمزگشایی یک متن رمزی از سوی کاربر، لازم است تا حداقل k ویژگی میان متن رمزی و رمزهای شخصی او همپوشانی داشته باشند. یکی از انگیزه‌ها و اهداف اصلی این موضوع، طراحی یک روش رمزنگاری هویت محور (یا فازی) تحمل‌کننده خطا بوده است که می‌تواند از هویت‌های بیومتریک استفاده کند.

مانع اصلی سیستم ABE آستانه‌ای ساهای-واترز در این مورد است که معناشناسی نهایی چندان گویا نبوده و ازاین‌رو با محدودیت‌هایی جهت طراحی سیستم‌های جامع‌تر مواجه است. گویال و همکاران ایده سیستم رمزنگاری مبتنی بر ویژگی سیاست کلیدی جامع‌تری را معرفی کردند. در ساختار آنها، یک متن رمزی مرتبط با مجموعه‌ای از ویژگی‌ها بوده و کلید کاربر می‌تواند مرتبط با هر ساختار درخت دسترسی یکنواخت باشد. می‌توان ساختار موردنظر گویال و همکاران را به‌صورت رویکرد تعمیم‌یافته تکنیک‌های ساهای-واتر دانست که طی آن به‌جای قرار دادن روش به اشتراک‌گذاری داده‌های مخفی شامیر در رمز خصوصی، فرد روش به اشتراک‌گذاری کلی‌تری را برای درخت‌های دسترسی یکنواخت ارائه می‌کند. همچنین گویال و همکاران امکان ارائه یک روش ABE سیاست متن رمزی را پیشنهاد دادند، اما هیچ ساختاری را ارائه نکردند.

پیرتی و همکاران پیاده‌سازی سیستم رمزنگاری ABE آستانه‌ای را ارائه کرده و کاربردهای مختلف روش رمزنگاری مبتنی بر ویژگی را نشان داده و چندین مفهوم اجرایی مانند لغو کلید را بیان کرده‌اند. چیس در تحقیق اخیر خود ساختاری را برای یک سیستم رمزنگاری مبتنی بر ویژگی چند نهادی ارائه کرده است که طی آن هر نهاد طیف مختلفی از ویژگی‌ها را مدیریت می‌کند. چالش اصلی در ایجاد ABE چند نهادی، جلوگیری از حملات تبانی میان کاربرانی است که مؤلفه‌های کلیدی را از نهادهای مختلف به دست می‌آورند. هرچند که سیستم چیس از سیستم ABE آستانه‌ای به‌عنوان سیستم ABE اصلی خود در هر نهاد استفاده کرده است، مسئله ABE چند نهادی به‌طورکلی با یافتن سیستم‌های ABE گویاتر، تلاقی دارد.

طبقه بندی و بررسی حملات منع سرویس لایه کاربردی

Application-layer denial of service attacks: taxonomy and survey

چکیده
1 مقدمه
2 حملات DoS در سطح لایه کاربردی
3 رده‌بندی حملات DoS در سطح لایه کاربردی
4 نمونه‌هایی از حملات DoS در سطح لایه کاربردی
5 نتیجه‌گیری و پزوهش‌های آینده
منابع

چکیده
اخیرا افزایش حملات منع سرویس (DoS)  در سطح لایه کاربردی، توجه زیادی را از سمت جوامع پژوهشی حوزه امنیت به سمت خود جلب کرده است. از انجاییکه حملات DoS در سطح لایه کاربردی معمولا خود را در سطح شبکه نشان نمی‌دهند، مانع شناسایی شبکه لایه-محور سنتی می‌گردند. بنابراین، جوامع پژوهشی تمرکزشان را روی شناسایی حملات DoS در سطح لایه کاربردی خاص و مکانیسم‌های کاهش آن قرار می‌دهند. به هر حال، ایجاد مکانیسم‌های دفاعی کارامد و موثر در برابر چنین حملاتی، نیازمند درک کاملی از حملات کنونی DoS در سطح لایه کاربردی تحت شرایط یکپارچه است. بنابراین، در این مقاله ما این موضوع را مد نظر قرار داده و طبقه بندی حملات DoS در سطح لایه کاربردی مطرح را می‌کنیم. از طریق طراحی این طبقه بندی پیشنهادی، پژوهشگران درک بهتری از این حملات بدست اورده و مبنایی برای سازماندهی تلاش‌های پژوهشی در این حوزه خاص صورت می‌گیرد.

2- حملات DoS در سطح لایه کاربردی
با توجه به فرسودگی منابع، حملات DoS، طیف گسترده‌ای از قابلیت‌های متنوع را برای خالی‌کردن منابع در هر لایه از طرح TCP/IP سنتی ایجاد می‌کند. شکل 1، نمونه‌هایی از جملات DoS را نشان می‌دهد که به طور سنتی در سطوح مختلف طرح TCP/IP قابل مشاهده است.

از لحاظ تاریخی، حملات DoS، دائما در میان تهدیدهای اینترنتی وجود دارد. این حملات، لایه‌های شبکه و نقل و انتقالات را مورد حمله قرار می‌دهد که این لایه‌ها به دلیل سادگی و کارایی اجرای ان‌ها، غالب هستند. اما، به دنبال پیشرفت سریع زیرساخت‌های شبکه، حملات ساده، کارای‌شان کمتر شده است. اگرچه حملات سیل‌آسا به عنوان یک روش مختل‌کننده بادوامی است، اما حملات DoS به ندرت فراتر از ظرفیت کامل شبکه صورت می‌گیرند زیرا هدف، اغلب موارد قبل از تکمیل ظرفیت دچار نقض می‌گردد.

این روند باعث تقویت توسعه حملات DoS در سطح لایه کاربردی می‌گردد، که تبدیل به یکی از دسته‌بندی‌های سریع می‌گردد که نماینده بیش از 20% تمام حملات در سال 2013 بوده است (پرولکسیس، 2013). رشد وقوع حملات DoS در سطح لایه کاربردی در طول سال‌ها، در شکل 1 آورده شده است.

این دسته‌بندی جدید از حملات، مشخصا لایه کاربردی را هدف قرار داده و برنامه‌های کاربری را بدون تحت تاثیر قرار دادن منابع شبکه، تغییر می‌دهد. چندین مشخصه منحصر به فرد وجود دارد که باعث می‌شود‌ حملات DoS در سطح لایه کاربردی، نسبت به حملات DoS سنتی برجسته باشد:

اپلیکیشن پلت فرم منبع باز برای ساختمان های هوشمند و کنترل های شبکه هوشمند

Open source platform application for smart building and smart grid controls

چکیده
1- مقدمه
2- پژوهش‌های مرتبط و مقاله‌های کمکی
3- معماری نصب
4- یوزکیس ها
5- نتایج و بحث
6- نتیجه گیری و چشم انداز
تامین مالی
اعلام منافع رقابت
قابلیت دسترسی داده
قدردانی
منابع

چکیده
در این پژوهش، یک دستگاه عامل منبع باز بر اساس چارچوب نرم افزاری FIWARE و دیگر مولفه های منبع باز استفاده می شود تا کنترل آزمایشی ابری روی دو یوزکیس از دامنه‌های ساختمان هوشمند و شبکه هوشمند صورت گیرد. تمامی ارتباطات میان دستگاه عامل و لایه میدانی از طریق اینترنت عمومی برقرار می شود و بنابراین اقداماتی نظیر رمزنگاری، تأیید هویت و مجوزدهی نصب می‌شوند. در یوزکیس اول، دمای تأمین یک مدار حرارتی معمولی کنترل می شود زیرا وظیفه‌ای مرسوم در دستگاه های انرژی ساختمان می‌باشد. در یوزکیس دوم، توازن توان یک شبکه کوچک شبیه‌سازی شده توسط دستگاه های اندازه‌گیری فازور با بهره گیری از یک کنترلگر، مورد بررسی قرار می‌گیرد تا استحکام شبکه نیز حفظ شود. مناسبیت دستگاه عامل با بهره گیری از مقرراتی که از منابع ادبی بدست آمده، اعتبارسنجی می شود. این دستگاه عامل قابل استفاده در هر دو مورد ذکر شده است. اگرچه محدودیت ها و زمینه‌های بالقوه جهت بهبود اظهار شده است.

2- پژوهش‌های مرتبط و مقاله‌های کمکی
در این قسمت، مفهوم حقیقی FIWARE توصیف شده و سپس پژوهش‌های کنونی که از راه‌حل‌هایی بر مبنای FIWARE استفاده می‌کنند بیان می شود. نهایتا، طبق نواحی ضعف شناسایی شده، مقالات کمکی مرتبط با این زمینه بیان می شود.

2-1 FIWARE
FIWARE بعنوان یک روش منبع آزادی است که از طریق اتحادیه اروپا به جهت «سرعت بخشیدن برای بهبود راه‌حل‌های هوشمند» برای زمینه‌های مختلف، فراهم می شود [۱۹]. نرم افزار FIWARE، با بهره‌گیری از ساختار نرم افزاری پیمانهار انعطاف‌پذیری زیادی را داراست، به همین دلیل می‌توان آن را برای یوزکیس‌ها سفارشی‌سازی کرد. FIWARE از پروتکل‌های معاوضه اطلاعات NGSI v2 [۱۲] و NEGSI-LD [۱۷] بهره می‌گیرد و واسطه‌های استانداردی از قبیل REST API را برای معاوضه اطلاعات با دستگاه های هوشمند و مؤلفه‌های نرم افزار یوزکیس قرار می‌دهد. ترکیبات نرم افزاری پیشنهادی در این نرم افزار «توانمند‌کننده‌های عمومی» نامگذاری می شود و می‌توان آنها را در لایه‌های مختلفی از جمله «مدیریت بافت هسته»، «پردازش متن، موفضای خالیی و مصورسازی»، «تعامل با سیستم‌های اینترنت اشیاء، رباتیک و شبکه‌های شخص ثالث» و نهایتا «مدیریت اطلاعات/رابط برنامه نویسی» تقسیم‌بندی کرد. می‌توان یک یا چند مؤلفه را از توانمندکننده‌های عمومی ارائه شده انتخاب و آن‌ها را به اقسام شخص ثالث یا خود نوشته مرتبط ساخت. نمای کلی از توانمندکننده‌های عمومی موجود و کد منبع در گیت‌هاب [۱۸] قابل استفاده است.

۲-۲ تحقیقات و برنامه های کارآمد بر مبنای FIWARE
در سال‌های اخیر، ثابت شد که چنین برنامه هایی و برنامه های کارآمد بر اساس نرم افزار‌های FIWARE، چارچوب مناسبی برای زمینه‌های مختلف نظیر کاربردهای کنترل کشاورزی [۳۲]، راهبری کشتی [۶۰]، کنترل سیستم انرژی‌های تجدیدپذیر [۶۱]، کنترل بر ماشین [۱۳] و کنترل ساختمان هوشمند هستند [۲۰،۳۳،۵۷،۵۹]. پوزو و همکاران [۴۳] بر روی موضوعات کنترل دسترسی و تاثیرش بر کارکرد معماری طبق FIWARE که از روش فناوری کانتینرسازی داکر1 مشتق شده‌، کار کردند. نویسندگان، شاخص‌های کارکرد امنیت و محافظت داده‌ای نرم افزار FIWARE را مورد برآورد قرار داده‌اند. بعلاوه، آنها پهنای باند، میزان استفاده از CPU و حافظه و مدت زمان تاخیر آن‌ها را برای این شاخص‌ها مورد بررسی قرار دادند. نتایج نشان می‌دهد که لایه‌های امن با بهره گیری از فریم ورک احزار هویتOAuth 2.0، تاثیری بر کارکرد سیستم ندارد.

عوامل موثر بر کیفیت خدمات ابری و رابطه آنها با رضایت و وفاداری مشتری

Factors influencing cloud service quality and their relationship with customer satisfaction and loyalty

چکیده
1- مقدمه
2- مروری بر ادبیات و فرضیات
3- روش تحقیق
4- نتایج و تحلیل
5- بحث
6- پیامدهای پژوهش
7- نتیجه گیری
8- محدودیت ها و دامنه ی مطالعات بعدی
منابع

چکیده
در دنیای امروز، کیفیت سرویس ابری، یک جنبه ی مهم برای موفقیت هر کسب و کار جهانی است. هدف این مقاله، یافتن فاکتورهای کیفیت سرویس ابری و  ارزیابی تاثیر کیفیت سرویس بر رضایت و وفاداری مشتری است. نظر سنجی از 419 کاربر/ کارشناس در هند، با استفاده از ابزار/ پرسشنامه ی سازمان یافته مبتنی بر مقیاس لیکرت انجام پذیرفت. پاسخ دهندگان کاربر/ کارشناس سرویس ابری بودند که از خدمات 5 ارائه ی دهنده ی برتر سرویس ابری در هند استفاده می کردند. فرضیات پژوهش با استفاده از مدلسازی معادلات ساختاریِ حداقل مربعات جزئی، بررسی شدند. مطالعه نشان داد که چابکی، اطمینان از خدمات، مقیاس پذیری، امنیت، پاسخگویی خدمات و کاربردپذیری، همگی تاثیر مثبت و معناداری بر کیفیت کلی سرویس ابری دارند. پژوهش، اثر واسطه ای جزئی رضایت مشتری را میان کیفیت سرویس و وفاداری مشتری نشان داد. لازم به توجه است که کیفیت خدمات، ارتباط مثبت و معناداری با وفاداری مشتری و رضایت مشتری دارد. این موضوع، اثر واسطه ای جزئی رضایت مشتری بر ارتباط میان کیفیت سرویس و وفاداری مشتری را ثابت می کند. در نهایت، مقاله به ارائه دهندگان سرویس/ کاربران/ کارشناسان ابری توصیه می کند تا هنگام کوچ به سرویس های ابری، توجه ویژه ای به این فاکتورها داشته باشند. 

2- مروری بر ادبیات و فرضیات
مرور ادبیات جامع، با جمع آوری بیش از 140 مقاله ی پژوهشی موجود در مجلات بین المللی و ملی مختلف، گزارشات، مشروح کنفرانس ها، سایت های مختلف اینترنت و کتاب ها انجام شد. فاکتورهای کیفیت سرویس ابری، رضایت مشتری، وفاداری مشتری، PLS-SEM و مدل معادلات ساختاری، کلیدواژه های مهم برای دستیابی به پژوهش های مناسب بودند. هدف اصلی مرور ادبیات این بود که فاکتورهای تاثیر گذار بر کیفیت سرویس ابری که پژوهشگران متعددی در کار پژوهشی شان بدان اشاره کرده بودند را یافته و ارتباط کیفیت سرویس با رضایت مشتری و وفاداری مشتری را ارزیابی نموده و نقش فاکتور میانجی (رضایت مشتری) بر ارتباط میان کیفیت سرویس و وفاداری مشتری را به دقت بررسی کند. سرویس ابری، با سرویس سنتی تفاوت دارد و از اینرو فاکتورهای کیفیت سرویس برای سرویس های ابری همانند سرویس های سنتی نیستند. محققان فاکتورهای متعددی برای کیفیت سرویس ابری مشخص نموده اند، با این حال، برخی از این فاکتورها مانند اطمینان از سرویس، قابلیت اعتماد و پاسخگویی سرویس همانند سرویس های سنتی است. رایج ترین فاکتورهای کیفیت سرویس ابری که پژوهشگران بدان ها اشاره نموده اند در جدول 2 نشان داده شده است.

ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری توسط نویسندگان تحقیقات بارها مورد بررسی قرار گرفته است. فاکتورهای کیفیت سرویس برای انواع مختلف سرویس ها متفاوت است، با این حال ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری در تمام انواع سرویس ها مانند هم است. این کیفیت خدمات است که باعث رضایت مشتری می شود و رضایت مشتری هم به نوبه ی خود منجر به وفادارماندن مشتری می گردد. پژوهشگران متعددی نشان داده اند که رضایت مشتری در ارتباط میان کیفیت سرویس و وفاداری مشتری، نقش متغیر میانجی را نیز بازی می کند. بنابراین نشان می دهد که ارتباط مستقیمی میان کیفیت سرویس و وفاداری مشتری وجود دارد. جدول 3، ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری را که نویسندگان مختلفی آن را کنکاش نموده اند نشان می دهد.

پس از شناسایی فاکتورها از طریق مرور کامل ادبیات، با استفاده از تکنیک دلفی برای استنتاج فاکتورهای نهایی کیفیت سرویس ابری، یک بحث اکتشافی با کاربران/ کارشناسان سرویس ابری صورت پذیرفت. جمعا 72 کاربر/ کارشناس سرویس ابری از حوزه های فنی و کارکردی متفاوت که با سرویس ابری سرو کار داشتند، مانند معماران، مشاوران طراحی، مدیران برنامه، مدیران پروژه و مهندسین سرویس ابری و کاربران سرویس ابری در تکنیک دلفی شرکت داده شدند. کوشاگرا و دینگرا (2019) [50]، برای شناسایی فاکتورهای پذیرش سرویس ابری در بخش دولتی هند، به تکنیک دلفی اشاره نموده اند. کاربران/ کارشناسان سرویس ابری درگیر در بحث، تجربه ی استفاده از نرم افزار به عنوان سرویس (SaaS)، پلتفورم به عنوان سرویس (PaaS)، و زیرساخت به عنوان سرویس (IaaS) را داشتند. این سه سرویس، یازده فاکتور را شناسایی نموده بودند که شامل چابکی، اطمینان از سرویس، دسترس پذیری، همکاری متقابل، تاخیر، قابلیت اعتماد، مقیاس پذیری، امنیت، توافق بر روی سطح خدمات، پاسخگویی سرویس و کاربردپذیری بود. در مباحثه ی بعدی با کارشناسان/ کاربران سرویس ابری، تعداد فاکتورهای کیفیت سرویس ابری به هفت مورد چابکی، اطمینان از سرویس، قابلیت اعتماد، مقیاس پذیری، امنیت، پاسخگویی سرویس و کاربردپذیری کاهش یافت.