امنیت محاسبات ابری و یادگیری عمیق: رویکرد ANN

تکنیک های یادگیری عمیق تاثیر قابل توجیه در بهبود امنیت در حوزه های مختلف با استفاده از مدل های شبکه عصبی مصنوعی نشان داده اند. هنگامی که این تکنیک ها در امنیت محاسبات ابری به کار می روند، راه حل های مقرون به صرفه ای ارائه می دهند که از طریق اتوماسیون شناسایی تهدیدها، کاهش نظارت دستی و بهبود کیفیت کارایی امنیتی ممکن می شوند. مدل های یادگیری عمیق با استفاده از شبکه های عصبی نقش اساسی در وظایفی مانند تشخیص نفوذ، تشخیص بدافزار، تشخیص ناهنجاری ها و تحلیل الگوریتم ها ایفا می کنند. ادغام یادگیری عمیق در امنیت ابری نیازمند ارزیابی دقیق سیستم های موجود، تعریف اهداف، انتخاب و آماده سازی مجموعه داده ها، تنظیم مدل و اصلاحات نهایی برای سازگاری است. علاوه بر این، پیاده سازی تکنیک های یادگیری عمیق در امنیت ابری مستلزم در نظر گرفتن عوامل مانند منابع محاسباتی، هزینه های جمع آوری و آماده سازی داده ها، توسعه مدل، تلاش های ادغام و نظارت و نگهداری مداوم است. این مقاله مدل از شبکه عصبی مصنوعی (ANN) با انتشار پیرسرونده را در امنیت ابری پیشنهاد می دهد و مراحل کلیدی برای ادغام چندترین مدل در استراتژی های امنیت ابری را بررسی می کند. با توجه به اینکه کارایی مدل ANN به عوامل مانند کیفیت داده های آموزشی، معماری شبکه و الگوریتم های تنظیم وزن بستگی دارد، این مطالعه از مجموعه داده های Kaggle.com برای اعتبارسنجی استفاده می کند و مراحل آموزش و ارزیابی مدل ANN را نشان می دهد.

کلیدواژه ها:

امنیت محاسبات ابری ، یادگیری عمیق ، شبکه عصبی مصنوعی ، تشخیص نفوذ ، تشخیص بدافزار ، تشخیص ناهنجاری ، ادغام مدل ها ، استراتژی های امنیت ابری ، کیفیت داده های آموزشی ، مجموعه داده ها ، Kaggle.com