امنیت محاسبات ابری و یادگیری عمیق: رویکرد ANN
- سال انتشار: 1403
- محل انتشار: بیست و پنجمین کنفرانس بین المللی فناوری اطلاعات، کامپیوتر و مخابرات
- کد COI اختصاصی: ITCT25_059
- زبان مقاله: فارسی
- تعداد مشاهده: 103
نویسندگان
دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه رحمان رامرس
دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه رحمان رامرس
دانشجوی کارشناسی مهندسی کامپیوتر، دانشگاه رحمان رامرس
چکیده
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.comمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.