مبتدی (مناسب برای درک مفهوم کلی مطلب) 

 اهداف تحقیق
رایانش ابری سلامت می تواند به بهبود اشتراک منابع کمک کند. این سیستم نظارت و مدیریت پزشکی بسیار مؤثری را ارائه می دهد و در عین حال هزینه های عملیاتی عظیم را کاهش می دهد. مبتنی بر ابر فناوری شناسایی فرکانس رادیویی ایمن، موثر و نظارت و مدیریت داده های پزشکی با کیفیت بالا. این می تواند به ارائه نتایج پیشرفته در انتقال، سلامت هوشمند کمک کند نظارت و قرار دادن دقیق IoT Cloud جدیدترین نوآوری است ترکیب چندین فناوری متصل به اینترنت برای ارائه راه حل های بلادرنگ در مکان ها و تنظیمات متعدد. ظهور اینترنت اشیا به هر نحوی کاربرد دارد، از مدیریت بیماری های مزمن گرفته تا اجتناب از آن مسائل مختلف بهداشتی، از بهداشت و درمان بسیار سود برده است. ابر و ادغام اینترنت در بهداشت و درمان چندین مزیت از جمله قابلیت اطمینان بالا، راندمان بالا، مجازی سازی و مقیاس پذیری را ارائه می دهد ، (Salih & Lilien, 2015, Ratnam & Dominic, 2014, Akrivopoulos et al., 2017). چهار هدف عمده این مقاله به شرح زیر است:
RQ1: – مطالعه رایانش ابری و نیاز آن به بهداشت و درمان و فن آوری کمک به رایانش ابری برای بهداشت و درمان؛
RQ2: – برای بحث در مورد مزایای کلیدی رایانش ابری برای صنعت بهداشت و درمان؛
RQ3: – مطالعه موانع و چالش‌ها در اتخاذ رایانش ابری برای بهداشت و درمان.
RQ4: – شناسایی و بحث در مورد کاربردهای مهم رایانش ابری برای بهداشت و درمان.

5. مزایای کلیدی رایانش ابری برای بهداشت و درمان
در دنیای امروز، رایانش ابری دائماً در بهداشت و درمان متحول می شود. بر اساس دیدگاه بازارهای جهانی، ارزش بازار رایانش ابری بهداشت و درمان تا سال 2025 به 55 میلیارد دلار خواهد رسید. علاوه بر مقیاس پذیری و ذخیره سازی، کسب و کارهای بهداشت و درمان امروزی به طور فزاینده ای به فناوری ابر به دلیل قابلیت های چشمگیر آن مانند همکاری، دسترسی، کارایی و امنیت روی می آورند. ابتدا، به عنوان یک نرم‌افزار به عنوان سرویس (SaaS)، ابر ممکن است خدمات میزبانی شده بر اساس تقاضا را برای کسب‌وکارهای بهداشت و درمان ارائه کند، که امکان دسترسی فوری به برنامه‌های کاربردی تجاری و مدیریت ارتباط با مشتری (CRM) را فراهم می‌کند. زیر ساخت به عنوان سرویس (IaaS) می تواند امکانات پزشکی را با رایانش بر اساس تقاضا و ذخیره سازی عظیم فراهم کند. در نهایت، به عنوان یک پلتفرم به عنوان سرویس (PaaS، ابر می‌تواند محیطی امن برای خدمات مبتنی بر وب و استقرار برنامه‌های کاربردی ابری فراهم کند (الزوبیدی، 2016، گلی ملک‌آبادی و همکاران، 2016، پدهی و همکاران، 2012).
ارائه اطلاعات پزشکی از بسیاری از رایانه ها، در هر مکان و هر دستگاه تلفن همراه، در قلب سیستم های ابری است. تحول بهداشت و درمان همچنین در مورد مزایای مراکز پزشکی و کاربران ابری برای به اشتراک گذاشتن داده های سلامت بیمار از طریق اینترنت است. رایانش ابری در بهداشت و درمان مقرون به صرفه و آسان است
برای نصب، با بسیاری از مزایای دیگر که می توان از آنها به خوبی استفاده کرد. در نتیجه، سرویس‌های مبتنی بر ابر کمک ارزشمندی را ارائه می‌کنند و با در دسترس‌تر کردن داده‌ها و قابلیت همکاری، به بهبود زیرساخت‌های سلامت کمک می‌کنند. چندین مزیت فناوری های مبتنی بر ابر در مورد استفاده در سیستم های بهداشت و درمان وجود دارد (دواداس و همکاران، 2017، آستو و همکاران، 2020، جاوید و همکاران، 2020، کومار و همکاران، 2018). شکل 1 برخی از کلیدها را نشان می دهد که مزایای این فناوری ها فناوری‌ها و پروتکل‌های امنیتی پیچیده‌ای در دسترس هستند. سطوح امنیتی اضافی در رایانش ابری به منظور جلوگیری از اطلاعات حساس، ارائه دهندگان ابر باید به مقررات نظارتی پایبند باشند تعهدات مربوط به سوابق پزشکی الکترونیکی فناوری ابری می تواند ارائه بازخورد در مورد اطلاعات پزشکی، تجزیه و تحلیل آن در زمان واقعی، و در نهایت بهداشت و درمان بیمار محور و داده محور را افزایش می دهد. تجزیه و تحلیل داده های مبتنی بر ابر ممکن است به ایجاد بازاریابی دقیق و متمرکز کمپین ها و تبلیغات با استفاده از اطلاعات کسب و کار از چندین منبع کمک کند (الحربی و همکاران، 2016، کو و همکاران، 2011). پزشکان برای کار با بیماران توانسته‌اند برای هر بیمار که درمان می‌کنند یک پرونده پزشکی جداگانه نگهداری کنند که کار را بسیار آسان تر می کند. فناوری ابر این اطلاعات را در زمان واقعی در دفاتر همگام و توزیع می کند. این فناوری به ذخیره سازی بدون مشکل داده ها و مقیاس پذیری پشتیبان کمک می کند و در طول دوره های شلوغ روز کاهش می یابد. علاوه بر این، تاکتیک‌های فاصله‌گذاری اجتماعی نیاز به مشاوره از راه دور با بیماران خردسال دارد (علی و همکاران، 2018، بامیه و همکاران، 2012، رجبیون و همکاران، 2019).
استقرار و ارتقاء ابر سریعتر از نرم افزار میزبانی در محل است. مدیریت خدمات ابری هزینه نسبتاً کمتری دارد و باعث نمی شود مصرف کنندگان خدمات خود را متوقف کنند. ارائه دهندگان بهداشت و درمان و بیماران آنها با خدماتی با بالاترین پهنای باند و سرعت با خدمات سریعتر مواجه می شوند. پلتفرم‌های ابری شامل ML و AI هستند که به شرکت‌ها کمک می‌کنند تا حجم زیادی از داده‌های مشتری را مدیریت کنند و تجزیه و تحلیل داده‌ها را در نقاط تماس متعدد خدمات بهداشت و درمان انجام دهند (Tyagi et al., 2016, Abdelaziz et al., 2018, Seddon & Currie, 2013). استفاده عمومی از فناوری‌های ذخیره‌سازی داده مبتنی بر ابر در بهداشت و درمان پتانسیل افزایش نتایج مراقبت از بیمار را ایجاد کرده است. محققان ممکن است از ابر در زمان خود و با کسری از هزینه برای استفاده از قابلیت های تحلیل ابررایانه استفاده کنند. تمام داده‌هایی که قبلاً در پرونده‌های بایگانی در دسترس نبودند، با استفاده از پیچیده‌ترین الگوریتم‌های رایانه‌ای موجود با ورود رایانش ابری قابل جستجو و تجزیه و تحلیل هستند (Gavrilov & Trajkovik, 2012, Hoang & Chen, 2010.

6. محرک های بالقوه رایانش ابری برای بهداشت و درمان صنعت
شکل 2 نمونه‌ای از محرک‌های مهم و بالقوه مختلف رایانش ابری برای افزایش عملکرد کلی حوزه بهداشت و درمان است. حرکت به ابر دو مزیت دارد بهداشت و درمان. هم پزشکان و هم بیماران از این موضوع بهره مند شده اند که از آن. در جنبه تجاری، رایانش ابری نشان داده شده است به کاهش هزینه های عملیاتی کمک می کند و در عین حال به ارائه دهندگان اجازه می دهد تا درمان با کیفیت بالا و متناسب را ارائه دهند. بیمارانی که دریافت درمان‌ها از این طریق است اکنون می‌توانند همان سطح مراقبت را از پزشک دریافت کنند و بخش سلامت حوزه های اصلی محرک های مشاهده شده مفاهیمی مانند کلان داده، یادگیری مصنوعی و ماشینی، تکنیک های بهداشت از راه دور، بالا تجزیه و تحلیل نیرومند و غیره است. رایانش ابری بیمار را بیشتر درمان کرده است که نتایج با افزایش مشارکت بیماران در برنامه های بهداشتی خود توسط ارائه دسترسی به داده های بهداشت و درمان آنها است (جیندال و همکاران، 2018، سینگ و همکاران،2017، جمال و همکاران، 2015، محمد و همکاران، 2014).
رایانش ابری بهترین راه حل ها را برای نیازهای بهداشت و درمان فراهم می کند که ارزان تر، سریع تر و شخصی تر هستند. به طور قابل توجهی می تواند کمک به تحقیقات پزشکی و اپیدمیولوژیک، پیش بینی بیماری، و آزمایشات بالینی تجزیه و تحلیل ابری از بیمارستان ها از طریق تجزیه و تحلیل ابری، تحلیل های پیش بینی، ابزارهای مبتنی بر هوش مصنوعی و منابع در تصمیم گیری های مبتنی بر شواهد پشتیبانی می کند. تجزیه و تحلیل ابری می تواند به طور مداوم نتایج را نظارت کند تا با تجزیه و تحلیل آنها از تجهیزات پزشکی مرتبط مختلف. بهداشت و درمان ارائه‌دهندگان راه‌حل ‌های مبتنی بر ابر را که می‌توانند برای بازاریابی، تجزیه و تحلیل/تشخیص، نظارت بر بیمار، پیشگیری و مدیریت استفاده شوند تا به اهداف خود برسند: (لیو و همکاران، 2018، نور و مون، 2012).
یک شرکت با یک کارمند از راه دور باید توسعه یابد تا افراد را از راه دور به سرعت مدیریت کند. همچنین مستلزم کاهش هزینه ها و ادامه فعالیت و رعایت قوانین سختگیرانه ایمنی و حفظ حریم خصوصی است. آنجا هیچ انعطافی برای رشد سریع و مؤثر زیرساخت های محلی موجود وجود نداشت و همچنین نمی توانست کاربران اضافی را در یک دوره قابل قبول گنجانده شود. کار استراتژیک شامل ایجاد یک مدل عملیاتی فناوری اطلاعات، ارزیابی پلت‌فرم‌ها و ابزارهای ابری و ایجاد مدرک قوی است. معماری ابری توسعه دهندگان را قادر می سازد تا به سرعت منابع و کار از راه دور، از جمله ایستگاه های کاری مجازی در فضای ابری را تامین کنند. که این کار دشواری مدیریت موجودی سخت افزار، تعمیرات و زیرساخت دسکتاپ مجازی را نیز برطرف می کند. E (Guo et al., 2012, Alshammari et al., 2020, Dzombeta et al., 2014).
ارائه دهندگان بهداشت و درمان لازم نیست نگران مدیریت داده های ابری خود باشند. پزشکان بهداشت و درمان ممکن است با کمک متخصصان توانمند فناوری اطلاعات که سیستم را نظارت و کنترل می کنند، بر زمینه های اساسی بهداشت و درمان تمرکز کنند. رایانش ابری نظارت بر پرداخت ها توسط ارائه دهندگان بهداشت و درمان را تسهیل می کند. علاوه بر این، سرمایه گذاری در زیرساخت های قابل توجه و پرهزینه ضروری نیست. انتخاب یک راه‌حل ابری می‌تواند بسیار مقرون‌به‌صرفه‌تر از ساختن سیستم‌های فیزیکی با شخصی‌سازی برنامه‌ای که مطابق با خواسته‌های آن‌ها باشد. سرورهای ابری می‌توانند اطلاعات را سریع‌تر آپلود، مبادله و بازیابی کنند تا متخصصان بهداشت و درمان، بیمارستان‌ها، تحقیقات و آژانس‌های مالی بتوانند بهتر همکاری کنند (Alphonsa & Amudhavalli، 2018، Agarwal & Sebastian، 2016، John & Shenoy، 2014)
حجم زیادی از داده های ایجاد شده در کسب و کار بهداشت و درمان با موفقیت در درایوهای مجازی ذخیره و قابل دسترسی است. رایانش ابری است برای ارائه خدمات و پلتفرم هایی استفاده می شود که به مدیریت مشتری کمک می کند. در نتیجه، بسیاری از شرکت ها یا سازمان هایی که خدمات بهداشت و درمان ارائه می دهند خدمات رایانش ابری به بیماران خود در نرم افزار، پلتفرم و زیر ساخت نیاز دارند. اینها امکان تبادل اطلاعات و رکورد را بهبود می بخشد و مدیریت و تخصیص منابع در موسسات بهداشتی را با رایانش ابری سرعت می بخشد و کار را برای متخصصان پزشکی ساده می کند تا با هم کار کنند و به صورت تیمی از طریق دستگاه های تلفن همراه درمان کنند واز ویدئو کنفرانس و نرم افزار طراحی شده برای شرکت های بهداشت و درمان استفاده کنند. ظرفیت پزشکان برای ارائه خدمات درمانی در سطح بالا به بیماران با حفظ ارتباط آنها با بیماران و همکاران افزایش یافته است (کازولا و همکاران، 2016، بامیه و همکاران، 2012، ایجاز و همکاران، 2021).

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

4. کار پیشنهاد شده
در طول چند سال گذشته تعداد بیشتری از کارهای تحقیقاتی تکنیک های داده کاوی را به اشکال مختلفی اعمال کرده اند. در کار پیشنهادی، ما آنها را در سیستم تشخیص نفوذ پذیرفته ایم. شکل 1 معماری کار پیشنهادی را نشان می دهد. انتخاب ویژگی های مهم اولین گام برای تشخیص نفوذ است. انتخاب ویژگی فرآیند انتخاب زیر مجموعه ای از ویژگی های اصلی با توجه به معیارهای خاص است و برای داده هایی با ابعاد بالاتر اهمیت دارد. اجازه دهید F مجموعه ای از ویژگی های دارای تعداد “n” باشد. زیر مجموعه ای از ویژگی های پیچیده، 2n-1 است. مجموعه ای از زیر مجموعه های ویژگی به عنوان S مشخص شده و توسط:
که در اینجا n = 41 در مجموعه داده KDD.
تعداد زیر مجموعه ها بسیار بزرگ و جامع است. کار با تمام زیر مجموعه ها و گرفتن راه حل های شمارنده فراتر از راه حل عملی است و از این رو استراتژی های مختلف باید اقتباس شوند. الگوریتم برای انتخاب ویژگی می تواند به دو دسته تقسیم شود: انتخاب ویژگی های مبتنی بر فیلتر و انتخاب ویژگی های مبتنی بر پوشش [17]. الگوریتم firefly اکتشافی که ابتدا توسط Xin-She Yang توسعه یافت [25] و در رویکرد پوشش قرار گرفته است که تاکنون در هیچ یک از کارهای موجود در NIDS مورد توجه قرار نگرفته است. ساختن ویژگی های کمتر باعث بهبود کارایی تشخیص نفوذ شبکه می شود. اگرچه هر کار بر روی IDS با مجموعه داده مبنا تمرکز داشت، وی وانگ و همکاران [ ۱۹ ] این ویژگی ها را از محیط زمان واقعی ساخته و ویژگی های را با استفاده از آنالیزKNN و اصل مولفه های اصلی طبقه بندی کردند.

.A انتخاب ویژگی مبتنی بر فیلتر
ویژگی ها بر اساس ویژگی های کلی داده های آموزشی بدون تکیه بر الگوریتم های داده کاوی ارزیابی می شوند. این زیرمجموعه را با محتوای اطلاعات خود یا با اطلاعات متقابل یا با افزایش اطلاعات ارزیابی می کند. ما این ویژگی را با بزرگترین اطلاعات متقابل (MI) انتخاب کرده ایم. اطلاعات متقابل دو متغیر تصادفی با استفاده از آنتروپی محاسبه می شود که قادر به تعیین عدم قطعیت متغیرهای تصادفی و مقادیر اطلاعات به اشتراک گذاشته شده توسط آنها می باشد [24].

.Bانتخاب ویژگی های مبتنی بر پوشش
از یک طبقه بندی کننده برای ارزیابی زیرمجموعه ای از ویژگی ها با دقت پیش بینی آن ها استفاده می کند (بر روی داده های آزمون). مقاله بررسی شده توسط Monowar و همکاران (13) در مورد بسیاری از روش های جستجو برای بهترین زیر مجموعه، که در آن یکی از روش ها انتخاب ویژگی های مبتنی بر پوشش است، مورد بحث است. در کار پیشنهادی ما، الگوریتم Firefly اطلاعات متقابل (MIFA) به عنوان یک استراتژی انتخاب ویژگی در انتخاب ویژگی پوشش با استفاده از C۴ ۵ [ ۸ ] و شبکه بیزین (۵)به عنوان یک طبقه بندی کننده انتخاب شده است. شکل 3، روش انتخاب ویژگی مبتنی بر پوشش را نشان می دهد.
به طور کلی، دو نوع الگوریتم تصادفی وجود دارد: اکتشافی و فرااکتشافی. اکتشافی به معنی “یافتن” یا “کشف توسط آزمون و خطا” و فرا اکتشافی، نسخه بهبود یافته الگوریتم اکتشافی و firefly است که در اصل توسط ژین جیانگ یانگ توسعه داده شد [ ۲۵ ]، که در آن فرض می شود fireflies با وجود خود به یکدیگر جذب می شوند. تابع هدف هر مساله بهینه سازی را می توان در وجود یک firefly ترسیم کرد.
در الگوریتم firefly دو مسئله مهم وجود دارد: تنوع روشنایی و فرمول جاذبیت. بنابراین جاذبیت بین دو firefly i و j با توجه به فاصله متفاوت است که با فاصله از منبع آن کاهش می یابد. یک عامل دیگر ضریب جذب به دلیل رسانه ای است که بر جاذبیت تاثیر می گذارد. از این رو روشنایی یک firefly در شعاع (r) از یک firefly با منبع روشنایی B بصورت زیر است: در کار پیشنهادی، تعداد ابعاد (D) 41 است که نشان دهنده تعداد کل ویژگی های مربوط به تشخیص نفوذ شبکه است. پیچیدگی انتخاب ویژگی ها 2D است، که نوعی از چند جمله ای غیر قطعی است. از این رو نیاز به انتخاب ویژگی های موثر برای کاهش پیچیدگی محاسبات و ذخیره سازی برای استقرار زمان واقعی وجود دارد. شبه کد برای انتخاب ویژگی های مبتنی بر اطلاعات متقابل و الگوریتم firefly به NIDS داده شده است در الگوریتم ارائه شده است.
در این کار برای ارزیابی انتخاب ویژگی، از C4.5 و شبکه بیزین استفاده شده است. هر firefly به عنوان یک بردار دودویی با تعداد زیادی از ویژگی های D نمایش داده می شود و توسط vi = (vi1، vi2، vi3، vid …، viD)، i = 1 … n مشخص می شود که در آن ‘n’ تعداد firefly است. هر عنصر vi به 0 یا 1 محدود می شود که نشان می دهد که آیا این ویژگی ترافیک انتخاب شده است یا نه. به عبارت دیگر، هر firefly vi به عنوان یک نقطه در فضای بردار D بعدی قرار می گیرد.
زیر مجموعه ای از ویژگی های (41 ویژگی) توسط ترکیب های مختلف از حضور 0 یا 1 در مجموعه ویژگی های نشان داده شده است.
هر firefly در یک جهت در فضای جستجو حرکت می کند تا زیرمجموعه ویژگی بهینه را بر اساس دقت مدل طبقه بندی با زیر مجموعه ای از ویژگی های انتخاب شده را پیدا کند. دقت ارزیابی کننده (مدل طبقه بندی) شامل ویژگی انتخاب شده به عنوان یک تابع هدف یا وجود firefly در نظر گرفته می شود. Firefly با استفاده از معادله دیفرانسیل،از دقت روشنی کمتری به دقت روشنایی بالاتر حرکت خواهد کرد Eq.6 و فاصله بین دو Firefly با استفاده از معادل 7 محاسبه می شود. تعدادی از ویژگی های حاصل از الگوریتم Firefly متفاوت است. برای داشتن تعدادی از ویژگی های ثابت برای اجرای موثر در الگوریتم Firefly مبتنی بر اطلاعات متقابل (MIFA)، استراتژی انطباقی در کار فعلی پیشنهاد شده است که نوآوری کار پیشنهادی در NIDS است. این کنترل فرآیند اضافه کردن یا حذف ویژگی های حاصل توسط الگوریتم Firefly است که تعداد مشخصی از ویژگی ها را ایجاد می کند. Long Zhang et.al [28] در انتخاب ویژگی ها با استفاده از الگوریتم firefly برای تعیین داده های مختلف معیار بدون اصلاح تعدادی از ویژگی های مورد نیاز انتخاب شد. در کار پیشنهادی، تعداد ویژگی های انتخاب شده در k ثابت است. اگر تعداد حاصل از ویژگی ها | vd == 1 | می گویند “m” کمتر از k است و سپس (k-m) تعداد ویژگی های باقی مانده به آن بر اساس اطلاعات متقابل (MI) از ویژگی های انتخاب نشده اضافه شده است. آن m بزرگتر از k است، MI برای ویژگی های حاصل محاسبه شده و (m-k) تعداد ویژگی های با کمترین MI حذف می شوند. این استراتژی به عنوان استراتژی سازگاری مبتنی بر اطلاعات متقابل (MIAS) معنا می یابد.
موقعیت i firefly در MIFA از قانون به روز شده در معادله (8) استفاده می کند.
در کار پیشنهادی، سه نوع مختلف استراتژی انتخاب ویژگی به شرح زیر است:
• ویژگی مجموعه بر اساس اطلاعات متقابل (S1)
• مجموعه ویژگی های به دست آمده از روش پوشش شده MIFA با C4.5 به عنوان ارزیاب (S2)
• مجموعه ویژگی های به دست آمده از روش پوشش شده MIFA با شبکه بیزی به عنوان ارزیاب (S3)
رأی مبتنی بر انتخاب ویژگی ها از این مجموعه ویژگی ها (یکی از ویژگی های این سه مجموعه انتخاب شده است که در حداقل دو مجموعه موجود است) همانطور که در معادله (9) مشاهده می شود
مجموعه ای از ویژگی های نهایی حاصل از آن به عنوان ورودی به طبقه بندی C4.5 استفاده می شود.

رایانش ابری: فناوری ، مسائل امنیتی و راه‌ حل ها

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F2140

هایپروایزر گونه2 در اکثر حلقه حافظه ویژه 0 اجرا می‌شود که در آن سیستم‌های عامل مهمان یا VMها برای حلقه‌های حافظه‌ی بالاتر مانند 1 اجرا می‌شود [8]. و VMM به عنوان میزبان سیستم‌عامل برای سایر سیستم‌های عامل مهمان عمل می‌کند و منابع CPU، حافظه، هارد دیسک و پهنای باند را به هر VM تخصیص می‌دهد. اگرچه برای دستیابی به نرم‌افزاری منحصر مجازی‌سازی، نیاز به تغییر در کد‌های سیستم‌عامل داریم. این امکان که به عنوان فرا‌ ‌مجازی‌سازی (paravirtualization) شناخته می‌شود، تنها در سیستم‌های منبع باز امکان پذیر است. امکان دیگر برگردان باینری یا پچ کردن است و می‌توان آن را بر روی سایر سیستم‌ عامل‌های اختصاصی که کدهای آن در دسترس نیستند اعمال نمود.
نرم‌افزار منحصر مجازی‌سازی دارای چندین معایب است از جمله ناصافی حلقه‌های خافظه و خرابی سیستم‌عامل مهمان که به دلیل بازسازی ناقص مفهوم رخ می‌دهد، برای موارد بیشتر می‌توان به [8] مراجعه کرد. بنابراین پشتیبانی مجازی‌سازی سخت‌افزاری مانند عملیات ریشه‌ای و عملیات غیر‌ریشه‌ای، مشکل نرم‌افزار منحصر مجازی‌سازی را حل می‌کند. در این سناریو VMM و سیستم‌عامل مهمان یا VM هر دو بر روی حلقه‌های حافظه مورد نظر خود اجرا می‌شوند. اما کنترل آن همچنان بر عهده VMM باقی می‌ماند و توسط عملیاتی در سطح ریشه در مقابل VM اجرا می‌شود که VM در سطح غیر ریشه‌ای عمل می‌کند. بدین شکل نیازی به فرا مجازی سازی یا برگردان باینری (پتچ کردن) وجود ندارد و سیستم عامل مهمان به شکل محصولی نرم‌افزاری با تولید انبوه مورد استفاده قرار بگیرد.
گونه 1 یا هایپروایزر ماشین لخت/فلز لخت Bare Machine/Metal )) بر خلاف گونه 2 به شکل مستقیم بر روی سخت‌افزار اجرا می‌شود. این گونه سبب فراهم‌سازی محیطی سخت‌افزاری برای سایر سیستم‌عامل‌های مهمانی می‌شود که در بالای آن‌ها اجرا می‌شود. آن‌ها معمولا به شکل یک سیستم‌عامل هستند و دارای اجزایی هستند که در ادامه به آن‌ها اشاره می‌کنیم: هسته (بوت و حافظه و مدیر زمان‌بندی) بخش غیر حافظه‌ای (مدیر باس، رابط ورودی خروجی، شبیه‌سازی پردازنده‌ها، و ترجمه بلاک کد در حال اجرا) و بخش مدیریت (پیکربندی، ورود به سیستم، و مدیریت پچ داغ) است [7].
در لایه بالاتر، مفهوم معماری سرویس گرا (SOA) نقشی حیاتی دارد. سرویس‌های رایانش ابری در قالب وب‌سرویس‌هایی ارائه شده است و از استانداردهای صنعتی همچون زبان توصیفی وب سرویس‌ها (WSDL)، پروتکل ساده دسترسی به شی (SOAP)، و شرح جهانی، کشف و ادغام (UDDI)[9] پیروی می‌کند. در داخل ابر این سرویس‌ها می‌توانند از طریق SOA هماهنگ و مدیریت شوند. به طور مشابهی در سمت سرویس‌گیرنده برای بهبود عملکرد برنامه‌‌های غنی اینترنتی (RIA) سمت سرویس‌گیرنده بر روی مرورگرهای وب یا موارد دیگر یکپارچه شده است. و این RIAها از AJAX [10] استفاده می‌کنند. با برنامه‌های کاربردی تحت وب AJAX می‌توانیم داده‌ها را از سوی سرورها به صورت یکپارچه بازیابی کنیم و هیچ‌گونه تاثیری هم بر تصویر فعلی کاربر نخواهیم گذاشت. شبکه نیز یک موجودیت مهم است که سبب فراهم‌سازی لینک بین تولید‌کننده ابر و مصرف‌کننده مانندLAN/WAN WLAN، ماهواره، شبکه‌های موبایل 3G یا 4G و سایر موارد می‌شود. شکل 1 اجزای مختلف مهم فناوری‌ رایانش ابری را نشان می‌دهد.
 همچنین چند نهادی که در پارادیم رایانش ابری دخالت دارند همچون ارائه‌دهنده‌های خدمات ابری (CSP1)، تولید‌کنندگان خدمات ابری (CSP2)، مصرف‌کننده خدمات ابری (CSC) و ارائه‌دهندگان مراکز داده (DCP) را نشان می‌دهد. این شکل همچنین نشان‌دهنده برخی از مثال‌های خدمات در خوشه‌های مختلفی از SaaS، PaaS و IaaS است [1]. همچنین لینک های ارتباطی مختلف بین تولید‌کنندگان ابر و مصرف‌کنندگان را نشان می‌دهد. CSP1، 2CSP و DCP می‌تواند یک سازمان واحد مانند Google و DCP باشد که در داخل ابر قرار دارند. یا ابر میتواند از DCP های خارجی با یا بدون DCP داخلی استفاده کند. عوامل دیگر نیز مانند واسطه‌ها، مشاوره‌ها، سازمان‌های استاندارد صنعتی و سازمان های دولتی در میان سایر موارد حضور دارند که در مدل مفهومی مرجع، مؤسسه ملی استاندارد و فناوری (NIST) نشان داده شده است.[12] 3. مسائل امنیتی رایانش ابری
رایانش ابری را می‌توان به عنوان نقطه اوجی برای تمامی مجموعه‌های مختلف فناوری اطلاعات و ارتباطات (ICT) دانست که اجزای تشکیل‌دهنده آن در کنار یکدیگر کار می‌کنند. در یک مورد ساده زمانی که خرید یک صابون یک دلاری از طریق یک برنامه تحت وب که بر روی محیط ابر اجرا شده است، یک دستگاه موبایل از زیرساخت‌های گسترده و جهانی ICT به ارزش تریلیون دلار استفاده خواهد کرد. این تراکنش ساده از صدها سرور عبور خواهد کرد مانند سرورهای مسیریابی اینترنتی، سرورهای پایگاه داده، سرورهای شبکه‌های موبایل، سرورهای وب، سرورهای برنامه‌های کاربردی، سرورهای ابر و سایر موارد. به طور مشابهی، از طریق حضور مجازی سازمان‌های متعدد مانند سازمان تولید، سازنده ابر، ارائه‌دهنده ابر، سازمان‌مالی و غیره، عبور می‌کند. در عین حال این تراکنش ساده در معرض بسیاری از تهدیدات موجود در زیرساخت های گسترده فیزیکی یا مجازی ICT از طرف مهاجمان مخرب و بیگانه ها قرار دارد.چندین مطالعه در مورد کارهای پیشین وجود دارد که به شناسایی تهدیدات امنیتی در پارادیم رایانش ابری پرداختند. برخی از مطالعات مانند [13]-[20] که از محدوده 2009 الی 2016 بوده است انتخاب گشته است تا به بررسی نگرانی‌های امنیتی بپردازیم. مطالعه [13] سعی در دسته‌بندی این مشکلات بر اساس مدل‌های خدمات ابری دارد (SaaS, PaaS و IaaS). به طور مشابهی [14] نگرانی‌های امنیتی را بر اساس فناوری طبقه‌بندی کرده است (ارتباط و معماری) و مسائل کسب و کار (جنبه‌های مفهومی و حقوقی) بررسی کرده است. در حالیکه مطالعه [15] این تهدیدات را در ابعاد مختلفی از رایانش ابری ارائه کرده است. مطالعه [16] مسائل امنیتی را ارائه کرده است که باید در سطح توافق‌نامه‌های سطح خدمات در نظر گرفته شود. همچنین بر روی تهدیدات امنیتی مرتبط با نقاط دسترسی مختلف مانند سرور، اینترنت و پایگاه داده تاکید داشته است. علاوه بر این بر روی حفظ حریم خصوصی داده‌ها و امنیت دسترسی به برنامه‌ها نیز تاکید داشته است.
با نگاهی بر اهمیت رایانش ابری، سازمان‌های مختلفی مانند NIST، دستورالعمل‌هایی را برای اخذ رایانش ابری صادر کردند. این دستورات مسائل امنیتی را به 9 دسته طبقه‌بندی کرده است [17]. مشابه با سایر سازمان‌های مهم مانند سازمان متحد اروپا برای امنیت شبکه و اطلاعات (ENISA) بینش‌هایی را برای SMEها در مورد مسائل مرتبط با ریسک‌های شبکه و اطلاعاتی فراهم کرده است و این پیش از اتخاذ رایانش ابری است [18]. آخرین و مهم‌ترین نکته، اتحاد امنیت ابری (CSA) یکی از برترین گروه هایی است که بر روی تهدیدات امنیتی فعالیت می‌کند و اخیرا 12 مورد از تهدیدات خائنانه ابری را بر اساس نظرسنجی از کارشناسان این صنعت منتشر کرده است [19].
همانطور که وب سرویس‌ها و SOA بخش جدایی ناپذیر از ارکستر ابر هستند، امنیتی در این حوزه نیز از اهمیت زیادی برخوردار است. پروژه امنیت برنامه‌های کاربردی تحت وب باز (OWASP) اقدام به انتشار مهم‌ترین خطرات امنیتی برنامه‌های تحت وب از سال 2003 کرده است. از زمان عرضه آن از سال 2013 لیست‌های 10 مورد برتر از بیش‌از 500000 آسیب‌پذیری در صدر سازمان‌ها و هزاران برنامه کاربردی را منتظر کرده است [20]. بررسی این مطالعات نشان می‌دهد که محدوده مسائل امنیتی رایانش ابری از یک سو شامل منابع فیزیکی ICT، اینترنت، برنامه‌های تحت وب، و دسترسی به داده و حفظ حریم شخصی، مراکز داده‌ها و از سویی دیگر مجازی‌سازی و معماری ابر، استقرار ابر و مدل‌های خدمات، و توافقنامه سطح سرویس است. ماهیت دسته اول مربوط به زیرساخت‌های سنتی ICT است و دسته دوم بیشتر مربوط به حوزه رایانش ابری است.
علاوه بر این برای درک گستره وسیعی از مسائل امنیتی، مهم است که علم‌رده‌بندی منطقی و ساده داشته باشیم. در این مقاله این ‌علم‌رده‌بندی بر اساس تحلیل محتوای ساده و تمایز آن‌ها از رایانش ابری صورت می‌گیرد. جدول 1 طبقه‌بندی یا ‌علم‌رده‌بندی مسائل امنیتی را در داخل حوزه‌های متمایز و زیردامنه‌ها ارائه می‌دهد. این طبقه‌بندی به عنوان راهنمایی در زمینه حفاظت و حل مشکلات امنیتی عمل می‌کند. پنج حوزه مانند مجازی‌سازی سیستم، برنامه‌نویسی برنامه‌های کاربردی، داده، شبکه و ارتباطات و کسب و کار و مسائل امنیتی وجود دارد. هر کدام از این پنج حوزه دارای زیردامنه‌های بیشتری مانند محیط میزبان و محیط، برنامه‌های تحت وب و SOA، مسائل مرتبط با ذخیره‌سازی و خطرات آن، اینترنت، درون ابر، مدیریت هویت و کنترل دسترسی، و موافقت‌نامه‌های سطح خدمات، طرز اداره، و ارائه‌دهندگان خدمات و واسطه ها است. علاوه بر این موارد نگرانی‌های امنیتی مرتبط را در داخل دامنه‌ها و زیر دامنه‌های مختلفی نگاشت می‌کند. بنابراین تهدید امنیتی فردی به راحتی می‌تواند در داخل نهادهای مسئول ردیابی و حل شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مرورگر های محبوب، مانند گوگل کروم، موزیلا فایرفاکس و اپرا، از استاندارد های ذخیره سازیِ وب برای ذخیره ی داده ها در حافظه ی نهان بهره می برند. ذخیره سازی وب را می توان به عنوان بخشی از HTML5 معرفی کرد که توسط اتحادیه ی (کنسرسیوم) جهانی وب(W3C) استاندارد سازی شده است. ذخیره سازی وب شامل دو بخش عمده می شود: ذخیره سازی محلی و جلسه ی ذخیره سازی، که به ترتیب رفتار مشابهی مانند کوکی های ماندگار و جلسه ی کوکی ها از خودشان نشان می دهند. جلسه ی ذخیره سازی تا باز شدنِ صفحه ی وب، منابعِ وب را ذخیره می کند. در موردِ ذخیره سازی محلی، تا زمانی که مرورگر بسته است، حافظه ی نهان تولید شده بر روی دستگاه ها باقی می ماند]55[.
در هر دو محیطِ کامپیوتر های شخصی و دستگاه های تلفن همراه، ذخیره سازی وب امنیت بیشتری نسبت به حافظه ی نهان مرورگر بومی دارد. با توجه به W3C، ذخیره سازی وب اگر به درستی اجرا شود، می تواند برای ذخیره ی اطلاعات حساس کاربر استفاده شود]55[.در دستگاه های اندروید، ذخیره سازی وب معمولا از حافظه ی داخلی دستگاه استفاده می کند(مانند داده/داده/ نام بسته/ فهرست راهنما(دایرکتوری)). بنابراین، این موارد ذخیره شده در حافظه ی نهان نمی توانند به غیر از برنامه مالک توسط هیچ کاربر و برنامه ی دیگری مورد دسترسی قرار گیرند.
با این حال، ذخیره سازی وب توسط حجم حافظه ی نهان محدود می شود. برای استفاده ی عمومی، W3C توصیه می کند که از حجم ذخیره سازی 5مگابیت در هر وب سایت استفاده شود، اما این حجم می تواند در هنگام اجرا بر روی دستگاه های تلفن همراه کاهش یابد. مرورگر های سبک معمولا برای بهبود سرعت بارگذاریِ مرورگر بر روی حافظه های نهان بزرگتر تکیه می کنند. بنابراین، این مرورگر ها اغلب مقدار زیادی از داده های حافظه ی نهانِ خارج از ذخیره سازی وب را در ذخیره سازیِ خارجی انبار می کنند(مانند کارتِ SD).
در دستگاه های اندروید، حافظه ی داخلی به طور کلی برای داده های برنامه، امنیت ذخیره سازیِ محلی بیشتری در نظر گرفته است، چرا که، به طور پیش فرض، داده های ذخیره شده تنها می توانند توسط برنامه ی خالق مورد دسترسی یا تغییر قرار گیرند. در مقایسه، هر گونه منابعِ ذخیره شده در ذخیره سازیِ خارجی توسط هر برنامه ای که اجازه ی READ_EXTERNAL_STORAGE را دارد، می توانند مورد دسترسی، تغییر یا حذف قرار گیرد]16[.

3. کار مربوطه
امنیت وب(نرم افزار) دارای تحقیقات متمرکزی در چندین سال بوده است]40[. مرورگرهای رایانه های شخصی، لپ تاپ ها و دستگاه های تلفن همراه، قوانین اساسی برای بارگذاری صفحات وب و ارتباط با سرورها را به اشتراک می گذارند. بنابراین، متون موجود در مورد امنیت مرورگر تمایل به تمرکز بر روی مرورگر های “سنتی” دارد (برای رایانه های شخصی و لپ تاپ ها)، و همچنین تمرکز بر روی امنیت شبکه های دیگر و یا بر روی تشخیص وب سایت های مخرب است(نگاه کنید به ]18،19،21،24،50[).
در سال 2014، Wadka، Misha و Dixit یک “سیستم پاسخ” را ارائه دادند که روشِ کار آن نظارت بر روی جلوگیری از نشت اطلاعات از مرورگر است]53[. “سیستم پاسخ” یک رابط بین برنامه ی مرورگر و هسته ی سیستم عامل(لینوکس) است، که در طول اجرایِ روندِ مرورگر استناد می کند. محققان یک لایه ی میانی بین هسته و لایه ی برنامه پیشنهاد کردند که “سیستم پاسخ” را کنترل می کند و اطلاعات شخصی که در طول مرور به بیرون درز پیدا می کند را فیلتر می کند.
Virvilis و همکارانش] 52[ تاثیراتِ روش فیلترینگِ لیست سیاه در مرورگر ها را ارزیابی کردند که برای جلوگیریِ کاربران از دیدن صفحه های وب مخرب طراحی شده است. در تحقیق مرتبطی دیگر، Amrutkar و همکارانش] 2[ یک مدل تهدید را ارائه کردند، که این مدل امکان کشف ضعف های معماری بر روی دستگاه های تلفن همراه و مرورگرها را امکان پذیر می کند. محققین مسیر های حمله، مانند نمایش بالونی، جعل درخواست میان وبگاهی(CSRF) و سرقت از طریق کلیک کردن(ClickJacking) را نشان دادند، که می توانند برای فیشینگ یا به طور مستقیم برای سرقت اطلاعات از دستگاه های کاربران استفاده شوند(جدول2).
اخیرا در سال 2015، Amrutkar، Traynor و van Oorschot ]3[ شاخص های امنیتیِ(بر اساس دستورالعمل امنیتیِ W3C-]46[) مورد استفاده در مرورگر های محبوب تلفن همراه را ارزیابی می کنند. برای مثال، آنها این مسئله را بررسی می کنند که آیا مرورگر، هویت صاحب سایت و صادرکننده گواهی نامه را تعیین می کنند یا نه! و همچنین اینکه آیا مرورگر از فیلترِ URL ضد فیشینگ استفاده می کند یا نه! خلاصه ای از این تحقیق برای گوگل کروم و موزیلا فایرفاکس در جدول 4 ارائه شده است.
مطالعات قبلی، حافظه ی نهان را به عنوان یک مسیر بالقوه به سازش حریم خصوصی کاربر بر روی ارتباطات مرورگر شناخته است]47،6،8[. به عنوان مثال، Bernstein ]7[نشان داد که یک مهاجم می تواند رفتارهای مرورِ وبِ کاربر را توسط محاسبه ی زمان بارگذاریِ محتوا شناسایی کند. از آن زمان، چندین راه حل برای کاهش چنین حمله هایی پیشنهاد شده است]28،30،37[.
مطالعات موجود به طور کلی بر روی حفاظت از اطلاعات کاربران در حالی که آنها داده های خود را در طول شبکه منتقل می کنند، متمرکز است. با توجه به محبوبیت دستگاه های تلفن همراه، مرورگر ها به طور فزاینده ای مورد هدفِ مجرمان سایبری هستند که به دنبال بهره برداری از مسائل امنیتی ذاتی، مانند بهره برداری از مجوز کاربر و مجوز فایل هستند. به عنوان مثال، Hay ]22[ نشان داد که چگونه نقص های امنیتی مرورگرِ Opera میتواند توسط مهاجم برای دزدیدن اطلاعات شخصی کاربر با بهره برداری از مجوز فایل از حافظه ی نهانِ مرورگرِ Opera مورد سوء استفاده قرار بگیرد.
Jia و همکارانش ]26[قدرت امنیتیِ حافظه ی نهان مرورگرِ 5 کامپیوتر و 15 تلفن همراه را مورد ارزیابی قرار دادند تا تعیین کنند که آنها در معرضِ خطرِ مسمومیتِ حافظه ی نهان مرورگر(BCP) در یک مرد در وسط حمله(MITM) هستند یا نه! محققین نتیجه گرفتند که هر 5 مرورگر کامپیوتر و اغلب مرورگر های تلفن همراهِ مورد بررسی در این تحقیق در معرضِ چنین خطری هستند. در کار مربوطه، Jia و همکارانش]27 [یک روش برای شناساییِ موقعیت جغرافیایی کاربر تلفن همراه(مانند کشور، شهرستان و محله) توسط خرناس در حافظه ی نهان مرورگر و اندازه گیری زمان مورد نیازِ حافظه ی نهان مرورگر ارائه کردند. یک رویکرد مشابه توسط Liang و همکارانش]32[ ارائه شده است، که نشان دهنده ی تاریخچه ی مرورِ کاربر است که می تواند با استفاده از زمانی که حمله بیش از حافظه ی مرورگر است ربوده شود.

امنیت ذخیره سازی در اندروید نیز اخیرا مورد توجه محققین بوده. در سال 2015، برای مثال، Liu و همکارانش ]34[ بر روی رفتار های ذخیره سازی داده های برنامه ی اندروید مطالعه کرده اند. آنها داده های ذخیره شده توسط برنامه های ارتباطیِ محبوب را مورد بررسی قرار دادند(مانند ویبو، فیسبوک، اینستاگرام، لاین، اسکایپ و وایبر) برای اینکه تعیین کنند چه مقدار از داده های خصوصی کاربران از این برنامه ها بدون آگاهیِ کاربران توسط مهاجم قابل دزدین است. این مطالعه همچنین نشان می دهد که امنیت اطلاعات خصوصی کاربران وابسته به این است که آیا طراحِ برنامه این اطلاعات را حساس یا غیر حساس تعیین کرده است. داده هایی توسط طراحِ برنامه غیر حساس در نظر گرفته خواهد شد که به منظور اشتراک در حافظه ی ذخیره سازیِ خارجی ذخیره شده باشد، که در دسترس دیگر کاربران هم قرار می گیرد. با این حال، هیچ تعریف یکسانی برای داده های حساس و غیر حساس وجود ندارد. این مسئله نشان دهنده ی این است که در بعضی موارد، شماره تلفن، لیست تماس و دیگر اطلاعات خصوصیِ کاربر به دست آمده از فایل های عمومی به اشتراک گذاشته شده توسط کاربر است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

با در نظر گرفتن تمام این چالش ها و به واسطه تحلیل سناریوهای ابری و بین ابری (جینت، 2010؛ جیسرز،2010؛ ان جی او و همکاران،2011، 2012) ؛ و همچنین پژوهش های مرتبط به کنترل دسترسی برای رایانش ابری (آمازون، 2013؛ برنال برناب و همکاران،2012؛ بسنکورت و همکاران، 2007؛ کالرو و همکاران، 2010؛گویال و همکاران،2006؛ جین و همکاران، 2014؛ ساهای و واتر، 2005، 2005؛ تانگ و همکاران، 2013) ، ما به معرفی روش کنترل دسترسی ویژگی محور چندمستاجری (MT-ABAC) پرداخته، که به مدلسازی ABAC بکارگرفته شده برای الگوی چندمستاجری می پردازیم. هدف از آن نه تنها مدیریت منابع و مدخل ها به صورت انعطاف پذیر و مقیاس پذیر ABAC است، بلکه شامل محدودیت های روش مرتبط به منظور تسهیل همکاری و دادن مجوز میان مستاجران و کاربران در سطوح چندگانه است. این مدل تعمیم یافته برای سناریوهای بین ابری با روش تبادل نشانه گذاری برای ایجاد اعتماد پویا در سطوح پایین تر است. به منظور تسهیل ارزیابی و پیاده سازی روش ویژگی محور، مکانیسم موثری را برای تبدیل عبارات منطقی پیچیده در سیاست ها، به نمودارهای تصمیم فشرده، بکار می گیریم. نمونه اولیه ما در ارتباط با سیستم کنترل دسترسی چندمستاجری برای محاسبات بین ابری ایجاد و تست شده و در پروزه جیسرز ادغام شد. ارزیابی ها نشان داد که سیستم ما دارای عملکرد مناسبی از نقطه نظر تعداد منابع ابری، کلاینت ها و سیاست ها، است.
مابقی مقاله، به صورت زیر بخش بندی می گردد، بخش 2، به بررسی پژوهش های مرتبط با کنترل دسترسی برای رایانش ابری، رمزنگاری براساس ویژگی (ABE) و اختیارات توزیع شده می پردازد. بخش 3، شامل مقدماتی در ارتباط با مدل های اطلاعات ابری و ABAC پایه است. این موضوعات برای تدوین روش مورد نظر ما در بخش 4، بکار گرفته می شوند. مدل پیشنهادی، در بخش 5، تحلیل و ارزیابی می گردد. بخش 6 مکانیسمی را به منظور مدیریت کارآمد شرایط در مدل ما، به بحث می گذارد. همچنین، در بخش 7، مدل خود را برای سناریوهای بین ابری، تعمیم می دهیم. بعد از ان، بخش 8 و 9 حاوی طراحی، پیاده سازی و ارزیابی نمونه اولیه در پروژه جیسرز است. در نهایت، بخش 10، نتیجه گیری مقاله را نشان می دهد.

2. پژوهش های مرتبط
چندین رویکرد و روش در زمینه کنترل دسترسی به مدیریت خدمات ابری مطرح شده است. بر اساس مدل اطلاعاتی مشترک (CIM)، محققاتی چون برنال برناب و همکارانش (2012) و کالرو و همکاران (2010) مدل RBAC را در ترکیب با cim مطرح نمودند. در این پژوهش، دستور تایید شده ای که بر مبنای چهار جزء (صادرکننده، موضوع، مزیت، منابع) تعریف می گردد، به صورت یک قانون با استفاده از زبان قوانین وب معنایی (SWRL) نوشته شده است (هوروک و همکاران، 2004). این قانون سپس توسط استدلال گر DL مد نظر قرار گرفته تا به دستور RDF تبدیل گردد. برنال برنابی و همکارانش (2012) توضیح دادند که این امکان وجود دارد تا از مدل پیشنهادی برای پشتیبانی از خصوصیات RBAC برای کاربران منتفع، استفاده کرد. همکاری های بین مستاجری، توسط اطلاعات بافتی مشترک ارائه شده، به گونه ای که فرد متولی می تواند به تعریف دستورات تاییدی بپردازد. به هر حال، آن ها به پشتیبانی از نمایندگان سطح چندگانه در میان مستاجرها نپرداخته و همچنین تفکیک اعتماد بین مستاجرها محدود است. علاوه بر این، سیستم های ابری با در نظر گرفتن تعداد منابع و موضوعات ( مستاجران و کاربران) و پیچیدگی روش ها با توجه به تعداد دستورات تایید شده، افزایش داشته است، مکانیسم استدلال کننده DL در زمانی که تعداد دستورهای RDFافزایش یابد، می تواند یک مشکل بلقوه باشد. علاوه بر این، از طریق بکارگیری روش OWL DL (SWRL) به عنوان زبان کنترل دسترسی، انعطاف پذیری و بیانگری زبان مربوطه، در مقایسه با زبان هایی همچون XACML، محدود است.
کنترل دسترسی نقش محور چندمستاجری (MT-RBAC)(تانگ و همکارانش، 2013) ، به تعمیم روش RBAC پایه، با مجموعه ای از مدل ها با توجه به ویژگی های مدیریتی، پرداختند. علاوه بر مجوزهای معمول بین مستاجری و عملیات تخصیص نقش، همکاری های بین مستاجری از طریق نقش های اشتراکی به اجرا در می آید. مستاجر اعتباردهنده می تواند به تعریف تمام نقش های مرتبط با مستاجر امانت دار (MT-RBAC0)، نقش های عمومی مشابه برای تمام امانت گیرندگان (MT-RBAC1)، یا نقش های تفکیک شده برای امانت داران مختلف (MT-RBAC2)، بپردازد. در عوض، امانت دار می تواند به پیاده سازی دو فعالیت مدیریتی بپردازد: i) تعیین کاربر در بین کاربرانش و ii) زنجیره نقش در مورد نقش های مشترک. الگوی نمونه، با استفاده از زبان ویژگی محور XACML با الحاق نمایه RBAC به اجرا در آمد. حتی اگر MT-RBAC به حل مشکلات کنترل دسترسی برای فرایند چندمستاجری با استفاده از RBAC بپردازد، ولی دارای مشکلاتی در موضوعات کنونی RBAC در ارتباط با مقیاس پذیری و انعطاف پذیری است. همچنین مدل پیشنهادی شامل محدودیت های روش مورد نظر ما، برای پشتیبانی از جداسازی و جلوگیری از تضاد روش ناست.
جین و همکارانش (2014) ، مدل ABACجین و همکاران (2012) را به سناریو Iaas، تعمیم دادند. در مدل آن ها، مدخل ها؛ به کاربران اصلی خدمات ابری که می تواند به مدیریت زیرساخت مجازی (VI) و مستاجران بپردازند؛ و کاربران اصلی مستاجر که می توانند به پیکره بندی پروفایل خصوصیات و مدیریت کاربران ادمین مستاجر بپردازند؛ کاربران ادمین مستاجر که می توانند به مدیریت کاربران عادی مستاجر بپردازند و در نهایت، کاربران عادی مستاجر که می توانند بر روی منابع ابری فعالیت داشته باشند، تقسیم بندی می شود. با استفاده از زبان روش تعریف شده در نظریه جین و همکارانش (2012) ، نمونه اولیه در سیستم اُپن استَک ادغام شد. اگرچه این روش از ABAC برای پیاده سازی سناریوهای چندمستاجری، استفاده کرده است، مدل آن، از مشکلات تضاد روش در فرایند چندمستاجری، در زمانی که مدخل های چندگانه می توانند به تعریف روش ها بپردازند، آگاه نیست. بنابراین، آن ها شامل جداسازی نشده و محدودیت های را برای سیاست هایی که در رویکرد ما وجود دارد ایجاد کرده، که منجر به حل مشکلات روش تضاد می گردد. علاوه بر این، مدل آن ها به تعریف همکاری بین مستاجرها نمی پردازد.
به منظور حفاظت از داده در محیط برون سپاری همچون محیط های ابری، پژوهش ABE(بتنکورت و همکارانش، 2007؛ گویال و همکاران، 2006؛ ساهای و واترز، 2005) برای امنیت ذخیره سازی برون سپاری مطرح شد، درحالیکه رمزنگاری همریختی (براکرسکی و وایکونتانتان 2011؛ اسمارت و ورکاتران، 2010) مطرح شد تا به تامین امنیت محاسبات بر روی سیستم های متخاصم بپردازد. در روش ABE کلید سیاست (KP-ABE)(گویال و همکارانش، 2006) ویژگی هایی را درخواست داده اند که مرتبط با متنهای رمزگذاری شده بود، و روش ها مرتبط با کلیدهای کاربر بوده است. طرح ABE روش متن رمزگذاری شده (CP-ABE (بتنکورت و همکارانش، 2007) مکانیسمی را ایجاد می کند که امکان ایجاد کلیدهای کاربر را، بر مبنای ویژگی هایشان و سیاست های ویژگی- محور به منظور حفاظت از داده هایی فراهم کرده که مرتبط با متون رمزدار هستند. طرح های ABE به منظور تامین امنیت داده بر روی خدمات ذخیره سازی ابری، توسعه و بکار گرفته شدند (لی و همکاران، 2013؛ یو و همکاران،2010) . اگرچه رمزگذاری همریختی باعث ایجاد قابلیت اعتماد در محاسبات برون سپاری می گردد، کاربردهای ان در رایانش ابری، به دلیل پیچیدگی و عملیات بالاسری همچنان محدود است(نائریگ و همکاران، 2011) . تمام این مکانیسم های نهفته به صورت AEF در چارچوب کنترل دسترسی ISO 10181-3(ISO, 1996)، مد نظر قرار گرفته، درحالیکه پژوهش ما تمرکزش را بر روی موئلفه های تصمیم کنترل دسترسی قرار می دهد. بنابراین، ABE و رمزگذاری نهفته، منطبق با طرح پیشنهادی ما است.
هویت AWS آمازون و مدیریت دسترسی (IAM) (آمازون، 2013) ، ترکیبی از سیستم مدیریت و یک مکانیسم کنترل دسترسی است. به دنبال نام نویسی نسبت به هر یک از محصولات AWS آمازون، برای هر مشتری، یک حساب استیجاری AWS تخصیص داده می شود. سپس، تمام عملیات بر روی محصولات AWS ، محدود به این حساب می گردد. سیستم IAM آمازون، مکانیسمی را برای ایجاد و مدیریت چندین کاربر متصل به حساب استیجاری AWS ، ایجاد می کند. با استفاده از روش های تایید جیسون- استایل که در سمت IAM ذخیره شده، یا در سمت محصولات AWS الحاق می گردد، سیستم IAM می تواند به کنترل فعالیت های کاربری بر روی منابع AWS بپردازد. به منظور تضمین شرایط امنیتی در مورد اعتمادسازی و یکپارچگی، به کاربران، اعتبار امنیتی اختصاصی برای دسترسی به منابع AWS تخصیص داده می شود. به هر حال، زبان روش پشتیبانی در سیستم IAM آمازون، با توجه به سیاست ساده ویژگی محور با خصوصیات RBAC محدود، گویا نیست. دسترسی فراتر از حساب، از طریق ایجاد سیاست سیستم IAM حساب امانت گذار به حساب امانت دار، تعریف می گردد. سپس امانت دار می تواند، مزایای مربوطه را به کاربرانش تخصیص دهد. این روش از همکاری های فراحساب چندسطحی، پشتیبانی نمی کند.
چارچوب مجوز OAuth (دی هارد و رکوردون (2012) ، این امکان را به شخص ثالث می دهد تا به منابع HTTP از طریق تایید صاحب داده، به واسطه نشانه گذاری ها، دسترسی پیدا کند. این چارچوب، پروتکل گردش کار را، برای مجوز توزیع که در حال حاضر در خدمات ابری مختلف بکار گرفته می شود همانند Google APIs و Twitter APIs (رابط برنامه کاربری گوگل و رابط برنامه کاربری توییتر)، فراهم می کند. به هر حال سیستم OAuth 2.0، از هیچ مکانیسم نهفته ای استفاده نکرده بلکه امنیتش بر مبنای HTTPS قرار داده، که این مورد در سناریوهایی که کلاینت از پروکسی ها استفاده می کند یا دارای ارتباط مستقیم با منابع نیست، دارای انعطاف پذیری نیست.
در مقایسه با پژوهش های مرتبط، طرح مورد نظر ما، به حل مشکلات کنترل دسترسی برای چندمستاجری بطور کامل تر می پردازد. ما به تدوین روش ABAC در مدل چندمستاجری از طریق تفکیک و ایجاد محدودیت، به منظور اجتناب تضاد روش پرداختیم. روش ما، همچنین به پشتیبانی از همکاری های انعطاف پذیر بین مستاجرها با سطوح چندگانه اعطای مجوز می پردازد. مدل تعمیم یافته مورد نظر ما برای محاسبات بین ابری، از روش تبادل نشانه هااستفاده کرده که برای MT-ABAC طراحی شده، که به هماهنگ سازی محدودیت ها و پیاده سازی مکانیسم های نهفته به منظور حل توزیع مجوز با در نظر گرفتن موضوعات محدود اعطای مجوز پرداخته که برای روش مورد نظر ما مناسب تر از چارچوب OAuth 2.0 کنونی است.

3. مقدمات
به منظور حل چالش های ذکر شده در کنترل دسترسی برای سیستم های مدیریت منابع ابری، مدل MT-ABAC مورد نظر ما، شامل ویژگی های زیر است.
• تنوع حمایتی موضوعات: نهادهای مختلف قادر به ترکیب سیاست ها برای مدیریت اهدافشان، همانند ارائه دهندگان خدمات ابری، مستاجر ثبت نامی و مستاجر مشترک است.
• کنترل دسترسی ریزدانه ای بر مبنای مدل ABAC
• همکاری های انعطاف پذیر بین مستاجری که این امکان را به مستاجر ها می دهد تا به اشتراک منابع ابری تعهد شده، در سطوح چندگانه بپردازند
• محدودیت های پویای اعمال شده به منظور مدیریت رئش برای چندین فرد ذیصلاح: ما به تعریف محدودیت های تفکیکی و اععطایی به منظور کنترل این امر می پردازیم که آیا روش های بروز شده سازگار با ویژگی های مدیریتی روش چندمستاجری است یا خیر. این تضمین، زمانی که هیچ تضادی در طی ارزیابی زمان اجرا روی نمی دهد، باعث بهبود عملکرد سیستم می گردد. پژوهش های قبلی انجام شده توسط کالرو و همکارانش،2010؛ برنال برناب و همکاران، 2012؛ تنگ و همکاران، 2013؛ جین و همکاران،2013؛ از این ویژگی را مد نظر قرار نداده است.
• سیاست گذاری بر اهداف پویا: در سیستم های ابری، منابع ابری مورد بحث، به عنوان اهداف دادن مجوز است. شناسه های ان در طی مراحل تامین، ایجاد شده، و در پایان مرحله ثبت نام به اتمام می رسدو ارائه دهندگان خدمات ابری به طور اتوماتیک نیازمند تعریف دستور مجوز برای اهداف، بر طبق به ویژگی سلف سرویس درخواستی، است.
• مدل مورد نظر ما، به منظور ادغام با مدل اطلاعاتی منابع تعریف شده که می تواند برای ایجاد سیاست ها، از الگوهای سیاست از پیش تعریف شده، در ترکیب با طرح های خدمات ابری استفاده کند.
در سناریوهای زیر، ابتدائا به تعریف مدل اطلاعاتی مورد استفاده برای مدیریت منابع ابری در سناریو مان در پروژه جیسرز (جیسرز، 2010) و مدل ABAC پایه می پردازیم. بر اساس مدل پایه ABAC، به تعریف مدل MT-ABAC در بخش 4 می پردازیم.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2 . 1 . 2 چشم انداز تهدید سایبری
2.1.2.1 طبقه بندی امکان پذیر. یکی از راه های شروع یک بحث در مورد امنیت شناسایی تهدیدات می باشد ]31[ که باعث چالش آن می شود. این بخش بصورت خلاصه چشم انداز تهدید سایبری معاصر را با استفاده از روش خطی که شامل تهدیداتی از قبیل (i) عوامل تهدید، (ii) ابزارهای تهدید و (iii) نوع تهدید می باشد را شرح می دهد ]32[. لازم به ذکر است که، در حالی که چنین طبقه بندی به منظور بحث زیر مفید است، (هدفی) الگویی جامع از ماهیت بسیار پیچیده و ویژگی های تهدیدات سایبری وجود ندارد.

2.1.2.2 عوامل تهدید. طیف گسترده ای از عوامل خارجی و داخلی امنیت سایبری را تهدید می کنند. عوامل تهدید می توانند پیچیده یا ساده باشند. که عبارتند از دولت های ملی، مجرمان اینترنتی سودجو، سازمان های جنایی، هکر ها (کلاه سیاه، خاکستری یا سفید ]33[)، فعالین هکری، افراط گرایان و گروه های داخلی می باشند. این دسته بندی ها متقابلا منحصر به فرد یا انحصاری نیستند ]34[.
انگیزه های عوامل تهدید بطور قابل توجه ای متفاوت است. عواملی که به دلایل سیاسی می باشند (برای مثال، تخریب، آسیب رساندن، اختلال و یا به دست گرفتن کنترل اهداف، درگیر شدن در جاسوسی سایبری و یا اعتراض سیاسی) ]35[. آنها علاوه براین ممکن است، انگیزه های مالی (برای مثال، سرقت اطلاعات با ارزش شخصی و یا مالی، مانند شماره امنیت اجتماعی و شماره کارت اعتباری که می تواند برای سرقت هویت و غیره استفاده شود ]36[) و همچنین انگیزه های فرهنگی و اجتماعی (برای مثال، درگیر شدن در حملات با داشتن اهداف فلسفی یا اهداف تبلیغاتی، کنجکاوی و غیره) داشته باشند ]37[.

2.1.2.3 ابزارهای تهدید. عوامل تهدید معمولا استفاده از ابزارهای تهدید مشابه می باشد. ابزارهای امنیتی اصلی شامل نرم افزارهای مخرب ]38[ و انواع آن (باج افزارها ]39[، ویروس ها، کرم ها، اسب های تروجان و غیره) و بات نت ها می باشند ]40[.
نرم افزارهای مخرب در رده بندی کلی، بطور کلی اشاره به هر کد یا نرم افزاری دارند که بطور مخفیانه در یک دستگاه بدون اجازه نصب شده باشند. که این مورد شامل کدهای مخرب طراحی شده برای اهدافی مانند آسیب رساندن، اختلال، یا بطور کلی وارد کردن ضربه ای به برخی از انواع داده ها و سیستم و یا شبکه می باشد ]41[. باج افزارها، نوعی از نرم افزارهای مخرب می باشند که دسترسی به دستگاه های آلوده و یا سیستم را محدود می کنند ]42[. در صورت حمله باج افزار، باج افزار سیستم در حال کار با تمام داده ها یا فایل های خاص را از دسترسی خارج می کند]43[. سپس حمله کننده سایبری درخواست باج، یا بطور کلی بیت کوین، برای بازگرداندن سیستم به حالت اول خود می کند]44[. بات نت ها، معمولا شامل سرورهای کنترل و فرمان (C&C) و شبکه های کامپیوتری آلوده شده توسط نرم افزارهای مخرب می باشند که می توانند از راه دور کنترل شوند]45[.
با توجه به گزارش چشم اندازه تهدید سال 2015 ENISA، نرم افزارهای مخرب در سال 2015 تهدیدهای شماره یک به حساب آمدند ]46[. باج افزار، با توجه به گفته کارشناسان صنعت، یک تهدید اصلی می باشد و بسرعت در حال افزایش می باشد ]47[. بات نت ها به عنوان عنصر اصلی در ” مصرف سازی جرم سایبری” (مدل تجاری ” استخدام بات نتر”، که می تواند در حملات بر طبق گزارشات برای USD 38/ بطور ماهانه، بر عدم تناسب مهم بین هزینه های حمله و آسیب های بالقوه تاکید کنند ]48[) پرچم دار می باشند ]49[. به تازگی، بات نت هایی به مهمترین سلاح های برای مجرمان سایبری تبدیل شده اند ]50[. با توجه به تهدیدات، بطور خاص برای اینترنت اشیاء، هر دو برنامه های مخرب و بات نت ها به عنوان تهدیدات در حل ظهور در گزارشات ENISA مطرح شده اند]51[.

2.1.2.4 انواع تهدید. تهدید به امنیت سایبری شامل تهدیدات مربوط به اصلاح اطلاعات یا سوءاستفاده، تخریب اطلاعات، دسترسی غیرمجاز، نقض داده، سرقت اطلاعات و محروم سازی- سرویس (DoS) می باشد ]52[.
اگر چه تمام جنبه های سه گانه سازمان CIA (بخش 2. 1. 1 ) با حملات سایبری تهدید شده است، آزمایشگاه McAfee پیش بینی کرده است که تهدید به یکپارچگی سیستم ها و داده ها یکی از مسیرهای جدید حملات سایبری در سال 2016 را تشکیل می دهد ]53[. به این دلیل که، توسط آزمایشگاه McAfee توصیف شده است، ” قابلیت اعتماد و در دسترس بودن حملات، واضح و روشن است. آنها همه چیز را نقض و داده ها را افشاء کردند- که باعث شرمساری، ناراحتی و برخی ضررها شده است. یکپارچگی حملات مخفی، (و) انتخابی، (. . . ) می باشد. به جای آسیب و یا تخریب به داده های حساس زیاد، بر عناصر خاص در حال تغییر در معاملات (تراکنش ها)، ارتباطات، یا داده هایی برای بدست آوردن سود قابل توجه متمرکز شدند]54[.

2 . 2 اینترنت اشیاء
2.2.1 تعریف و مفهوم
اصطلاح اینترنت اشیاء (IoT) برای اولین بار توسط پیسگام تکنولوژی بریتانیا کوین اشتون در سال 1999 برای توصیف سیستمی که در آن اهداف فیزیکی را می توان از طریق سنسورهایی به اینترنت متصل، نمود ابداع شد]55[.
اگر چه هیچ استاندارد یا تعریف جهانی در موردIoT وجود ندارد، برخلاف امنیت سایبری که تعاریف مختلفی دارد (بخش 2 . 1. 1)، اما اتفاق نظری در مورد مفهوم آن وجود دارد ]56[. به این ترتیب، IoT به ” اصطلاح محبوبی برای توصیف سناریوی هایی که در آن اتصال به اینترنت و قابلیت محاسبه برای انوع مختلفی از اهداف، دستگاه ها، سنسورها و اقلام روزمره ” ]57[ شامل اتومبیل ها، یخچال ها و فریزرها، ترموستات ها، مانیتورهای سلامت و جاده ها تبدیل شده است. بدین ترتیب، اینترنت اشیاء ابعادی از ” هرچیز” را برای اطلاعات و فن آوری های ارتباطات (ICT) جمع آوری می کند، که در حال حاضر ویژگی ” هر زمانی” و ” هر مکانی” به جنبه های عملی ]58[ و به اهدافی مرسوم در ” هوشمند سازی” تبدیل شده است]59[.
تعاریف مختلفی از IoT در حال حاضر به وجود آمده است. تفاوت های مهم میان تعاریف ظاهر شده وابسته به دیدگاه مورد نظر برای بررسی IoT می باشد. با توجه به تعاریفی که اغلب در مورد IoT ذکر شده، IoT ” زیرساخت هایی جهانی را برای جامعه اطلاعاتی در نظر می گیرد و خدمات پیشرفته ای را توسط ارتباط (فیزیکی و مجازی) اشیاء براساس فن آوری های ارتباطی و اطلاعات سازگار در حال تحول و موجود ” اجرا می کند]60[ (تاکید اضافه شده). به این ترتیب، تعریف ITU عمدتا بر ویژگی اتصال IoT بدون هیچ گونه اشاره به اینترنتی متمرکز شده است ]61[.
از نظر اهمیتی، استدلال کوچکی با این واقعیت وجود دارد که تغییر در فن آوری IoT دارای پیامدهای گسترده و مخربی است. انواع مختلف برنامه های کاربردی در حال ظهور در زمینه IoT، بطور فزاینده ای از کارهای روزمره ما به وجود آمده اند]62[. به این ترتیب، صنایع گسترده IoT، حوزه هایی مانند بهداشت هوشمند (برای مثال، نظارت بر بیماران)، حمل و نقل هوشمند (برای مثال، اتومبیل های بدون راننده)، زندگی هوشمند (برای مثال، نظارت بر کودک)، ساختمان های هوشمند (برای مثال ترموستات هوشمند)، مواد غذایی هوشمند (برای مثال، کنترل/ مدیریت زنجره غذایی)، انرژی هوشمند (برای مثال شبکه هوشمند)، صنعت هوشمند (برای مثال، سسنور دما) و حتی شهرهای هوشمند (برای مثال نظارت بر ترافیک) را در بر می گیرد]63[.

Centralized Solution to securely transfer Payment Information electronically to banks from Multiple Enterprise Resource Planning (ERP) Systems

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

تجزیه و تحلیل ادبیات قبلی، چالش های مشخصی را در فرایند پرداخت ایجاد کرده که در ذیل فهرست شده اند. زیرساخت متمرکز پیشنهادی برای انتقال امن اطلاعات پرداخت به بانک ها از عهده چالشهای مشاهده شده برمی آید.
3. چالش های رودر روی مدل موجود
الف. اقدام به کلاهبرداری در خلال تراکنش های پرداخت
بنگاه هایی که از چارچوب های ERP بهره می برند، داده های مربوطه را با بانک مبادله می کنند. این تبادل اطلاعات با بانک با استفاده از فایلی انجام می شود که شامل جزئیات پرداخت، مقدار، واحد پول و اعتبارات حساب بانکی می باشد. بیشتر مواقع این داده های منتقل شده مستعد اقدامات کلاهبرداری یا بواسطه تغییر شماره حساب یا تغییر مقدار انتقالی می باشد.

ب. پردازش دستی ناکارآمد
بخش قابل پرداخت حساب در یک سازمان، نقشی حیاتی در تبادل اطلاعات پرداخت تأمین کنندگان یا کارمندان با بانک، ایفا می کند. فرایند پرداخت و تأییدات بعدی می تواند با استفاده از برنامه های کاربردی ERP بطور خودکار انجام شود و اگر بطور دستی صورت گیرد زمان قابل ملاحظه ای طول می کشد. تحقیق گیت پوینت انجام شده توسط تیپالتی [9]، نشان می دهد که 72 پاسخ دهنده بیش از 5 ساعت در هفته وقت صرف تنظیم دریافت کنندگان، انجام و صدور پرداخت ها، حل مسائل مرتبط با پرداخت، و اجرای سایر هماهنگی های مرتبط با پرداخت ها می کنند. این نظرسنجی علاوه براین تخمین زده که 48% پاسخ دهندگان یا گزارش های پرداخت را دستی به بانک ارسال کرده اند یا از اطلاعات چارچوب های ERP بهره گرفته اند. بعد از این فرایند، ارتقاء و روزآمدکردن داده ها، یک کار دستی می شود که نه تنها خطر امکان تقلب را افزایش می دهد بلکه همچنین هماهنگی داده ها را دشوار می سازد. این شیوه های دستی مستعد خطا و سوءتعبیر هستند.
پ. تراکنش های غیراستاندارد از طریق درگاه های پرداخت
چهار تا از پنج بنگاه بخاطر عدم وجود فرایندهای پرداختی استاندارد دارند فعالیتهایشان را در معرض ارائه نادرست اطلاعات پرداخت قرار می دهند [10]. این سازمانها با سطح بالای پیچیدگی متحمل تکثیر هزینه های عملیاتی و تراکنشی هستند. بنابراین علاقه رو به رشدی برای کنترل ها وجود دارد و این مستلزم یک زیرساخت متمرکز با پایه امن برای مبادله داده های پرداخت با بانک می باشد.

ت. روابط و تراکنش های بانکداری چندگانه
پرداخت های بانک به بانک و قابلیت اتصال به بانک با مسائلی مواجه هستند درخصوص چارچوب های واگرای شبکه های ERP چندگانه که تراکنش ها را از بانک های مختلف به هم مرتبط می کنند. این شبکه پرداخت در محیط های بانکداری چندگانه، قویتر و پیچیده تر است. گزارش ارائه شده توسط سانگارد توضیح می دهد که این پیچیدگی باعث شده تراکنش های کسب وکار 25 % سازمانها با بیش از 10 بانک مدیریت پول نقد سروکار داشته باشد، 23% سازمانها بیش از هزاران حساب بانکی را مدیریت کنند [11]. درحالی که 89% سازمانها، فعالیتهای کسب و کارشان را در سرتاسر کشورهای مختلف گسترش داده اند، این خدمات بانکداری بین المللی برای بیش از 55% فعالیتهایی که درآمدی بالغ بر 1 میلیون دلار به بار می آورند به تراکنش های بانکداری الکترونیکی متصل شده اند. از کل تراکنش هایی که بطور بین المللی صورت می گیرد، 29% خدمات بانکداری با گزارش هک شدن داده ها، خدمات جعلی و سوء تعبیر داده ها مواجه بودند [11]. فرصتها برای امنیت و تفسیر دقیق داده ها توسط سازمانها تشخیص داده نمی شود تا تهدیدات امنیتی کاهش یابد.

4. حالت های مختلف پرداخت
اصلی ترین روشهای پرداخت، چک های الکترونیک، خانه های تصفیه خودکار (ACH) و انتقال صندوق های الکترونیکی (EFT) هستند [12]. مطالعه انجام شده توسط سانگارد روی پرداخت های بانک به بانک براساس تجزیه و تحلیل 400 متخصص خزانه داری و امورمالی، نشان می دهد که 15% از پاسخ دهندگان بیشتر از چک های کاغذی استفاده می کنند تا روشهای پرداخت رایج مثل کارت های اعتباری/ بدهی ، ACH و EFT. این سازمانها هنوز از چک هایی استفاده می کنند که با خطرات وخیم کلاهبرداری و تقلب مواجه هستند [11]. شکل 1، سهم استفاده غالب از روشهای پرداخت را نشان می دهد.

الف. چک
یک تجزیه و تحلیل از نظرسنجی انجام شده توسط انجمن متخصصان امورمالی ، چک را برجسته ترین روش پرداخت می شناسد که درمعرض کلاهبرداری و مسبب اتلاف بیشترین مقدار دلار در سال 2014 بوده است. مناسبات بانکیبرای مبارزه با این زیان ها، اصلاح و تحول به راه حل های دیجیتال را با سرعتی کندتر، آغاز کرده است [13]. حداقل کردن استفاده و اعتماد به چک، سوءتعبیر و کلاهبرداری را در فرایندهای دستی کاهش می دهد [14].
پرداخت مثبت یک ابزار تشخیص خودکار است که توسط بانک های پیشرو برای شناسایی فعالیتهای جعلی از طریق تأیید اعتبار شماره حساب، جزئیات مالی، شماره های چک از روی فهرستی از شماره های چک مجاز صادر شده توسط بانک لحاظ شده است.

ب. ACH
کارACH، کنترل سازگاری جریان پرداخت و کاهش ارائه نادرست اطلاعات چک با استفاده از رکوردهای ACH برای پردازش پرداخت به کارمندان، بازگانان، و سایر ذینفعان مربوطه می باشد. ACH، حجم وسیعی از تراکنشات اعتباری و بدهی را مدیریت می کند [15].

ج. EFT
یک فایل پرداخت الکترونیک منفرد از طریق تلفیق سیستم های ERP متفاوت و فرمت های مختلف EDI با پرداخت های چندگانه، داد و ستد می کند.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

معمول ترین خدمات رایانش ابری سه مدل ارايه و تحویل (SaaS،PaaP،IaaS)، چهار مدل استقرار(خصوصی ، عمومی، انجمنی و ترکیبی) و چندین حوزه ی کاربردی (محاسبات، ذخیره سازی، دارایی، وب و ..) دارند.
طبق پیش‌بینی IDC در سال ۲۰۰۹،تخمین زده شده که خدمات رایانش ابری ، سالانه به رشد ۲۷٪ می رسدکه همراه با سرمایه‌گذاری ۴۲ بیلیون دلاری قبل از سال ۲۰۱۲ در مقایسه با خدمات قدیمی IT رشد با نرخ سالانه پنج درصد را به همراه دارد. (ماتر ، کوراسامی و لطیف ۲۰۰۹)، رشد سریع رایانش ابری به دلیل رشد نوآورانه در نرم‌افزار مثل مرورگرها، پروسه ها، امکانات ذخیره سازی، فناوری تصویر سازی، فناوری اینترنت با پهنای باند بالا، سرورها ، رابط های واسط کاربری(API) و دیگر موارد بود( وینکلر۲۰۱۱). درحال حاضر ، خدمات محاسبات ابری از طریقPC ها، تلفن‌های هوشمند، تبلت ها، بوسیله دستگاههایی در یخچال ها ، ماشین‌ها و حتی ساعت‌های مچی هوشمند در یک چشم به هم زدن در اختیار ما است.
بعضی از مشخصات اصلی که باعث استفاده از رایانش ابری می شودمربوط به سرمایه‌گذاری های کم اولیه و کمبود هزینه اجرایی، قابلیت اطمینان و نگهداری ، تکرار الگو، قابلیت ارتجاع منابع، عدم وابستگی مکانی، امکان به اشتراک گذاری منابع در مقیاس وسیع، اتوماسیون بهتر، دسترسی مبتنی بر تقاضا، کارایی پردازشی، و شفافیت فناوری (ماتر و همکاران ۲۰۰۹، وینکلر ۲۰۱۱، مودی،پاتل،بورسانیای، پاتل و راجاراجان ۲۰۱۳)می باشد .برای تحقق بهتر اتوماسیون، قابلیت اطمینان و کارایی،‌ یک ابر براساس الگوهای تکراری طراحی می شود. وقتی که یک سرویس محاسباتی با انتزاعی کردن تکنولوژی از طریق رابط کاربری ایجاد می‌شود این تکنولوژی را شفاف می سازد.شفافیت هزینه ی عرضه کننده ابر را کاهش می‌دهد که آن را بوسیله بهره برداری و رقابت پذیری سودمند می‌کند. دستیابی بر اساس تقاضا و سلف سرویس،‌عرضه کننده را قادر می‌سازد که سرویس ابر را با اثر بخشی هزینه و بصورت سریع به مشتری تحویل دهد. همه ی این ویژگی‌ها برای درست بودن نیاز دارند به انتزاع بیشتر که پیچیدگی بیشتری راهم به همراه می آورد. این مبادله ی همه ی خصوصیت‌های خوب در رایانش ابری محسوب می شود. از آنجایی که پیچیدگی، زمینه ی حمله را وسیع‌تر می‌کند ، باعث به خطر افتادن امنیت در ابر می‌شود.
بنابراین رشد رایانش ابری با موانعی روبروست که شامل امنیت،‌حفظ حریم شخصی، اتصالات و دسترسی آسان، قابلیت اطمینان، قابلیت همکاری، عدم استقلال از CSP ها، ارزش اقتصادی، قلمرو فناوری اطلاعات و تغییرات در سازمان فناوری اطلاعات می‌باشد. ابر نمی‌تواند کارا ، قابل اطمینان و با هزینه مؤثر باشد،‌ بدون یک شبکه که ممکن است برای کاربر پر هزینه باشد. سودمندترین مشخصه رایانش ابری برای اثر بخشی هزینه و سرعت، اتصالات و امنیت است. بحث امینت در ابر و بصورت مشخص، امنیت داده‌ها را در قسمت بعد پیگیری خواهیم کرد.
رایانش ابری درواقع به انتقال ، دستکاری و محاسبه و ذخیره سازی دیتا از طریق شبکه برای یک زیرساخت محاسباتی مدیریتی و محافظت شده خارج از سایت بوسیله یک شخص ثالث ، اشاره می‌کند.
پیکربندی رایانش ابری به صورتی است که بتواند برنامه‌های کاربردی را بصورت همزمان برای چندین کاربر و یا چندین مستاجر خود ،‌اجرا کند. تحت چنین شرایط محاسباتی،‌ CSP باید بتواند امینت اطلاعات کاربر را، از طریق مواردی چون فایروال ، شبکه خصوصی تصویری (VPN) و شناسایی کاربر،‌کلید های عمومی و خصوصی ، کدگذاری و سایر اصول امنیتی تأمین کند. با توجه به مفهوم مخزن منابع مشترک با سایر ابرها ، داده ی کاربر می‌تواند در اختیار هم شخص و هم شخص ثالث قرار و هم ابری که در حال حاضر در حال استفاده است ، قرار گیرد (جولیش و هال ۲۰۱۲). بنابراین امنیت یک جز حیاتی در زمینه رایانش ابری برای اطمینان از داده ی موجود است و دسترسی مخصوص تنها برای کاربران معتبر می‌باشد ( اوربی،برادوا، وسامبومورتی۲۰۰۶) .
برخی از امتیازهای استفاده از رایانش ابری که در ادامه می‌آید و البته همه ی مزایای آن محسوب نمی‌شود، شامل کاهش هزینه‌های سرمایه گذاری اولیه(کریگر،۲۰۰۹) ،‌مدیریت های موجَز و مختصر(پرول،رپسلاگر،ایرکو زارنکیو،۲۰۱۲) ،‌بهینه سازی استفاده از منابع (قابلیت ارتجاع)(آرمبروست و همکاران ،۲۰۱۲; کوسومانو،۲۰۱۲) و بهره وری انرژی(کاتز،۲۰۰۹) است.
آیر و هندرسون (۲۰۱۰) برخی از پتانسیل های رایانش ابری را بصورت خلاصه بیان کرده اند. محیط کاری تصویری، رابط کاربری تحت کنترل،‌دسترسی در هر شرایط، عدم وابستگی به مکان،‌قابلیت ارتجاع با سرعت بالا، استقلال در منابع ، قابلیت ردیابی و پیگیری،. هوبرگ، والژیسم و کرکما( ۲۰۱۲) سایر جنبه‌های رایانش ابری را مشخص نمودند:: افزایش مقیاس پذیری ،‌افزایش چابکی، کاهش روش پیچیدگی زیرساختهای فناوری اطلاعات، کاهش هزینه و بهیود تراز دلخواه برای کسب و کار و فناوری اطلاعات.

3. امنیت برای رایانش ابری
امنیت ابر در حالت عمومی شامل امنیت فیزیکی ، بازیابی و بازسازی در اثر خرابکاری و امنیت زیرساخت ها در سطح میزبان/نظارت‌گر ماشین مجازی(هایپروایزر) و شبکه (شانگ،۲۰۱۵) ،‌امنیت بستر چه در سطح روت و چه سطح سیستم عامل مهمان،‌مشابه امنیت نرم‌افزار که شامل امنیت کاربر،‌داده و امنیت اطلاعات و امنیت اپلیکیشن است ، می‌باشد. فایروال ،‌نظارت امنیتی ،‌متعادل کننده بار،‌BGP در هایپروایزر امنیت را در سطح شبکه زیرساخت ها فراهم می کند . بعلاوه لایه‌های امنیتی برای زیرساخت ها ، NoSQL، API، صف‌های پیغام و ذخیره سازی جهت امن کردن ابر در سطح بستر هستند. هویت و مدیریت دسترسی ،‌حسابرسی شبکه و سیستم مربوط به برقراری امنیت و نظارت کاربر است. کدگذاری یکی از لایه‌های اصلی امنیتی در معماری امنیتی SaaS است (شانگ،کو، راماشاندران۲۰۱۶).
چندین موضوع و مسئله در مورد امینت ابر بررسی و پیگیری شد. ( آلزاین و همکاران،۲۰۱۳ دانیل و ویلسون ۲۰۰۳دیایوکوس،کاتساروس،پالیس ،واکالی، و مهرا ۲۰۰۹، مودی و همکاران ۲۰۱۳، سویاشینی و کاویتا ۲۰۱۱). بر اساس ویژگی‌ برون سپاری رایانش ابری ،‌مباحث امنیتی مربوط به معماری از دیگر نگرانی‌های موجود در بحث امنیت است.چنین مواردی شامل حمله خارجی از فردی نامعتبر است که به داده‌های مهم مشتری از طریق عرضه کننده و کاربر و همچنین درحالت کلی رایانش ابری دسترسی دارد(سود۲۰۱۲). قرار گرفتن در موقعیت حمایت حکومتی و مقررات سختگیرانه مانند سیستم‌های سازماندهی شده ی امنیت در ابر اعتماد سازمانها را افزایش داده و صاحبان کسب وکار را به سمت رایانش ابری سوق خواهد داد.
مودی و همکاران(۲۰۱۳) مباحث امنیتی ابر را درقالب حملات ، تهدیدات و آسیب‌پذیری طبقه بندی کردند. حمله از متن رایانش ابری به عنوان عملی جهت تخریب منابع آن محسوب می‌شود . تهدید اشاره به رویدادی دارد که بصورت بالقوه با منابع ابر،‌سازش دارد یا می‌تواند سهواً یا عمداً به ابر آسیب امنیتی برساند. بعنوان مثال ایجاد اخلال در ذخیره سازی ابر نماید. آسیب‌پذیری در امنیت ابر به ابهامات موجود در سیستم امنیتی ابر اشاره داد که می‌تواند به یک نفوذگر این امکان را بدهد که به سیستم از طریق یک سری متدهای پیچیده دسترسی پیدا کند. کلید موارد کاملاً مشخص در ابر همانطور که سوباشینی و کاویتا (۲۰۱۱) گفته اند، امنیت شبکه، شناسایی افراد و مجوزدهی، مدیریت هویت و فرایند ثبت نام ، امنیت اپلیکیشن های تحت وب،‌آسیب پذیری مجازی سازی، در دسترس بودن، پشتیبانی، امنیت داده،‌محلی بودن داده‌ها ، اجزای داده، جدایی دادها،‌دسترسی داده، محرمانگی داده،‌نفوذ داده ها. طبق گفته محققین، بیشترین المانهای امنیتی ابر وابسته به امنیت داده هستند. فناوری ابر سه گونه از سرویسها را عرضه میکند: نرم‌افزار به عنوان سرویس(SaaS)، بستر به عنوان سرویس(PaaS)، و زیرساخت به عنوان سرویس(Iaas).
یک SaaS این گونه است که از اپلیکیشن های تحت وب در حال اجرا روی یک مرورگر وب استفاده می‌کند . تعمیرهای امنیتی در اپلیکیشن های وب می‌تواند موجب آسیب‌پذیری نرم‌افزارها و اپلیکیشن های عرضه شده توسط SaaS شود. آسیب‌پذیری های وابسته به برنامه‌های وب با شکاف های امنیتی نمی‌تواند از طریق فایروال شبکه IDS،IPS بصورت کامل پیگیری شوند. این بدلیل آن است که برنامه‌های وب تحت حملات خطرهای جدیدی قرار میگیرند که مقابله و پیشگیری در سطح برنامه و شبکه نمی تواند از امنیت آن‌ها پشتیبانی کند .( سوباشینی و کاویتا ۲۰۱۱)نسخه های گزارش شده از نفوذهای داده‌ای در سال ۲۰۰۸ نشان می دهد که 50% نفوذهای امنیتی از طریق هک کردن برنامه‌های وب، که ۳۹ درصدشان از برنامه‌های کاربردی یا لایه خدماتی است، ۲۲ درصد از سیستم عامل یا بستر است، ۱۸% بخاطر استفاده از موارد آسیب‌پذیر شناخته شده، ۵% بدلیل استفاده از موارد آسیب‌پذیر شناخته نشده و ۵% دیگر بخاطر استفاده از اعمال مخفیانه است.(وید ، هیلندر و ولنتاین ۲۰۰۸). یک CSP باید ۲۴/۷ در دسترس باشد. برای عرضه ی خدمات و شرکت داشتن در طول مدت زمان این می تواند با تغییر مداوم معماری در سطوح مختلف (اپلیکیشن، بستر یا زیرساخت) به منظور افزایش مقیاس پذیری و در دسترس بودن ، ایجاد می‌شود .با وجود اینکه حملات سرویس ها و خرابی سخت‌افزار یا نرم‌افزار در ابر همواره انکار می‌شود .موارد امنیتی اشاره شده توسط سوباشینی و کاویتا (۲۰۱۱) پشتیبانی می شوند . CSP ها باید سرویسهای پشتیبانی را برای همه ی دیتاهای حساس فراهم کنند تا بازیابی سریع را در زمان تخریب ممکن سازند . برای جلوگیری از دستیابی غیر مجاز به داده‌های پشتیبانی شده، داده‌ها باید کدگذاری شوند. داده‌های پشتیبانی شده می‌توانند یک مشکل امنیتی بالقوه را اگر به درستی مدیریت نشوند ، مخصوصاً موقع حذف شدن و انصراف یک کاربر از ادامه مشترک بودن خدمات ابر ، ایجاد کنند.
شبکه ، امنیت داده‌ها و اطلاعات در رایانش ابری بخش‌های ضروری IT هستند. در ابر امنیت به عنوان یک سرویس، شناخته می‌شود . (لینتیکوم2009، استینینگرو ندبال2014)این موارد بر اساس مشخصه هایی شامل احراز هویت، شناسایی، مجوزدهی،حریم شخصی ، یکپارچگی و ماندگاری دسته بندی می‌شوند (وینکلر،۲۰۱۱;آرم بروست و همکاران ۲۰۱۰) . این به محافظت از داده‌ها ، برنامه‌ها، بستر، سرویس و زیرساخت مربوط است که در حالت عمومی با یک سری اصول ، فناوری و نظارت هایی می پردازد.حالت داده در ابر می‌تواند بصورت داده ی ذخیره شده(در حال استاحت) ،‌داده ی در جریان(در حال استفاده)، داده در حرکت(در حال انتقال) باشد. امنیت داده باید بیشتر چالش های امنیتی رایانش ابری را پیگیری نماید.(آکرنیم ۲۰۱۳) در همه ی حالات داده اگرچه رایانش ابری از نظر تکنولوژی و اقتصادی سودمند است، امنیت باز هم به عنوان یک چالش اصلی در استفاده از آن هم برای عرضه کننده سرویس و هم برای مشتریان باقی می ماند ( به عنوان مثال مل و گریس۲۰۱۰). با این وجود، بدون استفاده از توسعه دهندگی سیستماتیک، سرویس های ابری با شکست روبرو هستند. دست آورد ما ، پیشنهاد و مدلسازی فرآیند کسب و کار به عنوان بخشی از مهندسی نیازهای وابسته به سرویس برای مطالعه هر فرآیندی در ابر قبل از اجرای واقعی است. در این مقاله ما این نتیجه را با بررسی دقیق امنیت داده‌ها ی ابر نشان داده‌ایم.

DOCODE 3.0 (شناساگر کپی اسناد): سیستمی برای تشخیص سرقت ادبی با استفاده از فرایند تلفیق اطلاعات از منابع داده های اسنادی مختلف

DOCODE 3.0 (DOcument COpy DEtector): A system for plagiarism detection by applying an information fusion process from multiple documental data sources

Abstract

Plagiarism refers to the act of presenting external words, thoughts, or ideas as one’s own, without providing references to the sources from which they were taken. The exponential growth of different digital document sources available on the Web has facilitated the spread of this practice, making the accurate detection of it a crucial task for educational institutions. In this article, we present DOCODE 3.0, a Web system for educational institutions that performs automatic analysis of large quantities of digital documents in relation to their degree of originality. Since plagiarism is a complex problem, frequently tackled at different levels, our system applies algorithms in order to perform an information fusion process from multi data source to all these levels. These algorithms have been successfully tested in the scientific community in solving tasks like the identification of plagiarized passages and the retrieval of source candidates from the Web, among other multi data sources as digital libraries, and have proven to be very effective. We integrate these algorithms into a multi-tier, robust and scalable JEE architecture, allowing many different types of clients with different requirements to consume our services. For users, DOCODE produces a number of visualizations and reports from the different outputs to let teachers and professors gain insights on the originality of the documents they review, allowing them to discover, understand and handle possible plagiarism cases and making it easier and much faster to analyze a vast number of documents. Our experience here is so far focused on the Chilean situation and the Spanish language, offering solutions to Chilean educational institutions in any of their preferred Virtual Learning Environments. However, DOCODE can easily be adapted to increase language coverage.

1. Introduction

Today’s scenario shows a significant change in the way of accessing information, emphasizing the use of the Web as one of the main sources of knowledge [48,49]. However, access to the Web has been cited as one of the main reasons for the perceived decline in academic integrity, particularly in relation to plagiarism [44]. Plagiarism basically consists of taking others’ work and labeling it as one’s own. Likewise, text plagiarism is defined as the action of copying someone else’s writings without the proper citation. When applied to the educational environment, we also find that the term student plagiarism is often used to refer to the incidences of plagiarism committed by students who attend educational institutions [20], which mainly represent cases of text plagiarism. In this context, because there is a vast amount of easy-to-access information, the plagiarism phenomenon has been becoming more popular and easier to resort to. International studies demonstrate the magnitude of this behavior, with a high percentage of students who reported to be using the Web as a major source of plagiarism [29]. In [38], Posner recently estimated that one-third of all high school and college students have committed some kind of plagiarism. The situation in Chile is not different. A 2010 survey carried out by the Department of Industrial Engineering of the University of Chile, showed that about 55% of middle school students and 42% of higher education students declared having copied information without citing the source [31]. Given the large volume of documents and information sources that exist today, originality examination and plagiarism detection are becoming increasingly more complex tasks. While Web search engines can be used to detect Internet plagiarism, the detection process is, by any standards, both tedious and labor-intensive [20]. In today’s scenario, a manual examination appears as an extremely time-consuming process and a virtually impossible task; teachers often do not have the necessary time for exhaustive reviews. Also, some students will continue to plagiarize regardless of how hard tutors try to stop them [22]. In the Chilean case, the absence of a suitable plagiarism detection system in Spanish contributes to making the situation we have described above even more alarming. Plagiarism is an important issue for educational purposes at every level, because it could affect a student’s learning process [27]. Teachers and academics abhor plagiarism because it is inconsistent with pedagogical aims. As a result there has been a desire on the part of teachers to attack the problem by developing different measures to detect the originality of the work submitted by the students [44]. Looking at the extent of the problem, [16] concludes that it is quite obvious that academia requires tools to automate and enhance plagiarism detection. These tools, often called plagiarism detection engines, are software that compare documents with possible sources in order to identify similarity and so discover submissions that might be plagiarized [12], making it easier for teachers to analyze a vast number of documents. A review of the literature about plagiarism in educational institutions shows that many authors have proposed that it is a set of distinct inappropriate behaviors rather than only a single problem. In an effort to tackle this complexity, some of these authors have actually proposed different levels or types of plagiarism, generating subproblems that might be easier to analyze. From our perspective, when referring to educational purposes, plagiarism detection engines are supposed to offer professors a set of tools to gain insights about the documents that are reviewed, rather than simply checking plagiarism cases, thus tackling the problem of plagiarism from all the perspectives existing in literature. Therefore, our work presents a system that performs automated textual plagiarism detection for educational institutions using a multi-level perspective. Our system, called DOCODE 3.0 (DOcument COpy DEtector 3.0),1 cooperates with teachers and professors offering them a complete interface with visual tools to discover, understand and handle different plagiarism levels and cases. DOCODE is a full-featured system based on a solid, scalable architecture and implementing a set of algorithms for plagiarism detection that have successfully proven to be effective, in some cases, even outperforming state-of-the-art approaches in literature. These results were validated in multiple previous publications and in international plagiarism detection competitions. Although our experience is so far limited to the Chilean situation and the Spanish language, most of our algorithms are not language dependent, so DOCODE can easily be adapted to increase language coverage. The rest of this paper is structured as follows. Below in Section 2, we review related work regarding the plagiarism topic and also present some of the most important state-of-the-art plagiarism detection algorithms and frameworks. Then, in Section 3, we explain how DOCODE works and what kind of services it provides. Also, the main algorithms underlying the system are presented. Section 4 shows how DOCODE is structured, explaining its architecture. Later, Section 5 introduces our user interfaces. Finally, Section 6 presents conclusions and proposed future work.

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1815

با توجه به اهمیت توسعه نرم افزاری امنیت محور ، رشته های مهندسی امنیتی نرم افزار و توسعه نرم افزار امن در سال های اخیر (Ramachandran، 2012) پدید آمده است. مهندسی امنیت نرم افزار با ابزارها و تکنیک های غنی مدل سازی در شرایط امنیتی نرم افزار مانند سوء استفاده و موارد سوء استفاده، مدل سازی تهدید، طراحی برای امنیت، تحلیل آسیب پذیری، برنامه نویسی امن، تست، و معیارها سرو کار دارد. علاوه بر این، مسائل اخیر با استراتژی های امنیت ابر، تکنیک ها توسط Chang and Ramachandran (2015، 2016) تشریح می شوند.
Allen et al. (2008) اظهار داشتند که یکی از اهداف اصلی مهندسی نرم افزار امنیتی, پرداختن به بهترین شیوه های مسئله امنیت نرم افزار، فرآیند، فنون و ابزارها در هر فاز و فعالیت های هر چرخه عمر توسعه نرم افزار استاندارد (SDLC) است. هدف اصلی از ساخت نرم افزار های امن اینست که عاری از نقص شود و با موارد زیر بهتر ساخته شود:
• ادامه عملیات نرمال در هر مورد حملات و تحمل هر گونه شکست
• محدود کردن خسارات در حال ظهور به عنوان یک نتیجه از هر گونه حمله تحریک شده
• ساخت اعتماد و تاب آوری در (BTRI)
• حفاظت از داده ها و دارایی

به عبارت دیگر، نرم افزار امن به طور معمول باید در صورت هر گونه حمله به کار خود ادامه دهد. علاوه بر این، این مورد شامل فرآیند استخراج شرایط امنیتی از الزامات کلی سیستم (شامل سخت افزار، نرم افزار، کسب و کار، بازاریابی، و شرایط زیست محیطی) و در نتیجه شرایط امنیتی اصلاح شده و استخراج شده و امنیت نرم افزار از شرایط نرم افزار و کسب و کار می شود. سپس شرایط امنیتی نرم افزاری تصفیه شده را می توان تعبیه نمود و در سراسر مراحل چرخه حیات توسعه نرم افزار (SDLC) از جمله شرایط، طراحی، توسعه، و تست پیش بینی کرد. این مورد به خوبی در نوشته های مرتبط با ناامنی توضیح داده نشده است. این یک تعریف روشن از استخراج شرایط امنیتی نرم افزار را فراهم می کند.
نمونه هایی از حملات سایبری اخیر شامل حملات به انبار Carphone که منجر به از دست دادن اطلاعات شخصی تا 2.4 میلیون مشتریان انبار Carphone می شود در حملات شبکه دیده می شود. اخبار مشابه در اخبارهای اخیر مانند Talktalk، و غیره به طور بسیار مکرر دیده شده است. بنابراین، نتیجه گیری می توان کرد که آنچه که ما کشف کرده ایم, تنها تعداد انگشت شماری از حملات سایبری و آسیب پذیری نرم افزار است.

3. مهندسی و مدیریت شرایط امنیتی نرم افزار به عنوان یک سرویس ابری در حال ظهور (SSREMaaES)
در عصر ابر رایانه، در حال ظهور به معنای تکنیک ها و روش های نوآورانه مورد استفاده برای حوزه های سنتی (اقتصاد، بهداشت و درمان، آموزش و پرورش، مهندسی نرم افزار، امنیت و غیره) و حوزه های جدید (برنامه های تلفن همراه، شبکه های اجتماعی، تجسم آب و هوا، بزرگ پردازش داده ها و غیره) است. تحقیقات قبلی ما در این زمینه شامل چند برنامه ابر نوآورانه به عنوان یک سرویس (Chang, Ramachandran, Wills, Walters, Kantere, ، Kantere، و Li، 2015) می شود. با این حال، تا کنون، تحقیقات زیادی در حوزه شیوه های مهندسی نرم افزار و مهندسی نرم افزار امنیتی به عنوان یک سرویس ارائه نشده است. بنابراین، هدف این مقاله, پیشنهاد مهندسی و مدیریت شرایط امنیتی نرم افزار ها به عنوان یک سرویس در حال ظهور (SSREMaaES) است. الزامات, نقطه شروع مسئول هر سیستم، مسائل حقوقی و قراردادی، حکومتداری است و یک چشم انداز کامل کاربردی از سیستم در حال توسعه را ارائه می دهد. مهندسی شرایط در جایگاه خود یک رشته است که فرایند، ابزارها، تکنیک ها، مدل سازی، برآورد هزینه، برنامه ریزی پروژه، و موافقت نامه های قراردادی را فراهم می کند. میزان زیادی از روش های مهندسی شرایط، تکنیک ها، و رهنمودهای بهترین عمل و ابزارها وجود دارد (Jacobson، 1992؛ Kotonya و Sommerville، 1992؛ Lamsweerde، 2009؛ Sommerville و Sawyer، 1998). با این حال، با توجه به ماهیت افزایش تقاضا برای کاربردهای امنیت-محور، تکنیک های فعلی در مورد داشتن شرایط موثر مربوط به امنیت, ناکافی می باشند. Firesmith (2007، 2003) گزارش می دهد که الزامات ضعیف, دلایل اصلی برای هزینه و اجراهای بیش از حد زمانبندی، قابلیت ضعیف و سیستم های تحویل داده شده هستند که هرگز استفاده نمی شوند. الزامات به دو بخش عمده طبقه بندی می شوند از جمله شرایط عملکردی که با قابلیت سیستم و نیازهای غیر کارکردی سرو کار دارند که مرتبط با محدودیت ها، کیفیت، داده ها، استانداردها، مقررات، رابط، کارایی، قابلیت اطمینان، و سایر الزامات پیاده سازی است. مطالعات (Jacobson 1992؛ Kotonya و Sommerville، 1992؛ Lamsweerde، 2009؛ Sommerville و Sawyer، 1998) نشان داده اند که هزینه نقایص مهندسی شرایط, 10-200 برابر اصلاح سیستم پس از پیاده سازی است. بنابراین، دریافت الزامات درست، دقیق و بدون ابهام, برترین شیوه کار است

شکل. 4. فرایند مدل سازی تهدید Microsoft.
ضبط شرایط امنیتی کسب و کار, یک تلاش همکارانه است که شامل سهامداران مانند بسیاری از تحلیلگران کسب و کار، مهندس الزامات نرم افزار ، معمار نرم افزار ، و مدیران آزمون می شود. شرایط امنیتی باید مجموعه ای روشن از نیازهای خاص امنیت و رفتار مورد انتظار یک سیستم را فراهم کنند. هدف اصلی, حفاظت از دارایی های سیستم (داده ها و فایل) و دسترسی غیر مجاز به سیستم از حملات عمدی تا سیستم های نرم افزاری کاربردی و سایر اشکال حملات امنیتی مبتنی بر اینترنت مانند هرزنامه، محرومیت از خدمات، سرقت هویت، ویروس ها، و بسیاری از دیگر اشکال حملات عمدی است که هر روز پدیدار می شوند. امنیت, همچنان یک مشکل نرم افزار است, همانطور که تعدادی از تهدیدات و آسیب پذیری ها برایCERT-SEI و CERT-UK (تیم واکنش اضطراری رایانه ای) از 2493٪ افزایش بین سال های 1997 (311 مورد گزارش شده)، 2006 (8064 مورد گزارش شده)، و در 30 آوریل 2015 (3192 مورد گزارش شده) گزارش شده اند.
در RE سنتی، شرایط امنیتی به عنوان بخشی از خواص غیر تابع و یک جنبه از جمله راهکارهای پیاده سازی مانند حفاظت از رمز عبور، ورود و خروج، فایروال ها، تشخیص ویروس، محرومیت از خدمات حملات، و غیره در نظر گرفته می شوند. بنابراین نیازهای امنیتی باید به عنوان مجموعه ای بسیار خاص از شرایط مورد نیاز برای هر شرایط عملکردی که شناسایی می شود در نظر گرفته شوند و باید در طول چرخه زندگی اعمال شوند, به طوری که می توانیم به امنیت (BSI) داخلی دست یابیم. علاوه بر این، روش های RE فعلی عمدتاً به عنوان چیزی در نظر گرفته می شوند که سیستم باید انجام دهد، نه آنچه که سیستم نباید انجام دهد. این موضوع کلیدی است که در هنگام انتخاب روش های RE برای امنیت نرم افزار در نظر گرفته خواهد شد. علاوه بر این، در روش های امنیتی RE نرم افزار، سهامداران بیشتری نسبت به روش های سنتی RE مانند مهندسان اجتماعی، متخصص امنیت، فرایند کسب و کار کارشناسان مدل سازی، متخصصان محاسبات خدمات و کاربران وجود دارند. اغلب مهاجمان به دنبال نقص در سیستم هستند، و نه ویژگی ها و کارکردهای سیستم.
در این بخش به روش های مختلف برای استخراج شرایط مورد نیاز در نرم افزار امنیتی نگاه خواهیم کرد. بهترین شیوه های معمول عبارتند از:
1. استخراج صریح شرایط مورد نیاز برای نرم افزار امنیتی
2. اولویت بندی شرایط امنیتی
3. ارزیابی ریسک برای شرایط امنیتی
4. طراحی و پیاده سازی شرایط امنیتی
قبل از شروع جزئیات روشهای مختلف برای استخراج شرایط امنیتی، ما سه مفهوم مهم پایه را امتحان و درک خواهیم کرد: موارد استفاده، موارد سوء استفاده، و موارد استفاده نامناسب. مورد استفاده, شکل موثر از ارائه الزامات کاربر (کاربری که با سیستم تعامل پیدا می کند به عنوان عامل شناخته شده است) از نظر بصری (؛ Kotonya و Sommerville 1998؛ Jacobson 1992 Lamsweerde، 2009) بوده است. این فرم بصری نشان دهنده یک داستان شرایط (الزامات) کاربر است که به عنوان سناریو نیز شناخته می شود. بنابراین، یک مورد استفاده = سناریو (داستان کاربر) + عاملان (کسانی که با سیستم تعامل پیدا می کنند). ترکیبی از یک سناریو و عاملان به عنوان یک مورد استفاده شناخته شده است. با این حال، مورد استفاده برای نشان دادن جنبه غیرکارکردی سیستم ها مورد بهره برداری قرار نگرفته است. از اینرو، دلیلی برای ظهور روش های جدید مانند موارد سوء استفاده و استفاده نامناسب وجود دارد. مورد سوء استفاده می تواند به ما کمک کند تا شرایط امنیتی بصری را از نقطه نظر مهاجم نشان دهیم (یک مثال می توان تلاس برای ورود به سیستم با استفاده از رمز عبور های مختلف باشد) در حالی که مورد تخلف باید شرایط امنیتی را از جنبه های تخریب بسیار قوی تر از سیستم نشان دهد ( یک مثال می تواند تلاش برای از بین بردن با تغییر کلید ثبت نام، پیکربندی و دیگر فایل های DLL باشد). تعدادی از تکنیک های برای پرداختن به RE از دیدگاه یک مهاجم پدید آمده اند:
• الگوهای حمله مشابه با الگوهای طراحی هستند که برای مطالعه حملات از حالت مخرب، Allen و همکاران (2008) و ایجاد امنیت در (BSI) طراحی می شوند.
• موارد سوء استفاده و تخلف, مجموعه ای از موارد استفاده از دیدگاه یک مهاجم هستند، McGraw (2006)
• درختان حمله یک مکانیزم رسمی را برای تجزیه و تحلیل و توصیف شیوه های مختلف را ارائه می دهند که در آن حملات می توانند از دیدگاه یک مهاجم رخ دهد. به سادگی نشان دهنده حملات علیه یک سیستم در یک ساختار درختی، با هدف گره ریشه و روش های مختلف دستیابی به این هدف به صورت گره های برگ، Schneier (1999، 2000) و Ellison و Moore (2003) است
• Microsoft SDL (SDL، 2016 و TAM، 2016) در مورد مدل سازی تهدید را پشتیبانی می کند که مجموعه ای از جنبه های امنیتی را با تعریف مجموعه ای از حملات امنیتی ممکن توصیف می کند. این بخشی جدایی ناپذیر از روش SDL Microsoft، Howard و LEBLANC (2002) است.
• امنیت ساختمان در (BSI) (2013)، فرآیند، اصول طراحی، و تکنیک های ارائه شده توسط Mcgraw (2006) و دیگران است که در حال حاضر رسماً توسط وزارت امنیت خانه-زمین پشتیبانی می شود. برخی از اصول طراحی عبارتند از:
الف) صحت توسط ساخت (CbyC)
ب) تامین امنیت ضعیف ترین لینک
ج) دفاع عمیق
د) کوتاهی در تامین امنیت
ه) حداقل امتیاز
ج) جداسازی امتیاز
g) اقتصاد مکانیزم
h) حداقل مکانیزم مشترک
i) بی میلی به اعتماد
j) عدم این فرض که اسرار شما, امن هستند
K) میانجیگری کامل
L) پذیرش روانی
m) ترویج حریم خصوصی