ارائه یک روش هوشمند جهت تشخیص نفوذ در محیط رایانش ابری با بهینه سازی شبکه عصبی توسط الگوریتم ژنتیک

با توجه به گسترش فزاینده استفاده از محیط های محاسباتی ابری در سالیان اخیر، چالش های متعددی نیز فرا روی کاربران این محیط ها قرار گرفته است. یکی از مهمترین چالش های کنونی جهت استفاده عملیاتی از محیط رایانش ابری، مسئله امنیت در این نوع محاسبات است و یکی از مسائل چالش برانگیز در امنیت رایانش ابری نیز مسئله تشخیص نفوذ در این محیط است که اگر به درستی به انجام نرسد و دقت کافی در این سیستم ها وجود نداشته باشد می تواند موجب خطرات فراوانی مانند: افشای اطلاعات و سوء استفاده های دیگر گردد. بنابراین تشخیص نفوذ و دقت سیستم های کمکی تعبیه شده جهت این موضوع بسیار حیاتی و مهم است. تاکنون روش های زیادی برای بهینه کردن این چالش توسط محققینی که در این حوزه فعالیت می کنند پیشنهاد شده است؛ اکثر روش های پیشنهاد شده دارای دقت تشخیص نفوذ نسبتا پایینی می باشند که یکی از دلایل آن، عدم تقارن بین ویژگی های اطلاعاتی نامربوط و اضافی مجموعه داده ها است. در این مقاله، یک روش جدید برای تشخیص نفوذ در بستر ابر با استفاده از دسته-بندی شبکه عصبی بهبود یافته مبتنی بر الگوریتم ژنتیک جهت بهبود و افزایش دقت تشخیص، ارائه شده است. برای این منظور، ابتدا برای کاهش ابعاد مجموعه داده از الگوریتم تحلیل مولفه اصلی (PCA) استفاده شده و سپس، با استفاده از دسته بندی شبکه عصبی مصنوعی ترافیک نرمال و تهاجمی از هم تشخیص داده می شوند. در ادامه پارامتر های شبکه عصبی مصنوعی با استفاد از الگوریتم ژنتیک مورد بهینه سازی قرار می گیرند. در پایان، کارایی روش پیشنهادی بر روی مجموعه داده NSL-KDD به عنوان یک مجموعه داده استاندارد و جامع برای ارزیابی سیستم های تشخیص نفوذ در محیط متلب مورد آزمایش و ارزیابی قرار می گیرد و با نتایج سه روش مطرح دیگر مقایسه می شود. نتایج مقایسه نشان می دهد که روش پیشنهادی با دقت تشخیص ۹۹.۴۱% در مقایسه با روش های دیگر دارای قابلیت بهتری بوده و می تواند حملات را با دقت بالاتری تشخیص دهد.

کلیدواژه ها:

تشخیص نفوذ ، رایانش ایری ، حملات ، شبکه عصبی مصنوعی ، الگوریتم ژنتیک