ارائه روشی جهت افزایش دقت سیستم تشخیص نفوذ در برابر حملات در محاسبات ابری با رویکرد هوش مصنوعی، یادگیری ماشین و بهبود انتخاب ویژگی

امنیت رایانش ابری از اهمیت ویژه ای برخوردار است، به ویژه با توجه به گسترش استفاده از رایانش ابری در بیشتر سازمان های دولتی و خصوصی. سیستم تشخیص نفوذ پیشنهادی بر طراحی مدلی تمرکز داشته است که می تواند دقت تشخیص نفوذ را با استفاده از پیشرفت هایی در بخش انتخاب ویژگی ها افزایش دهد. روش پیشنهادی با ترکیب انتخاب ویژگی فیلتر و انتخاب خودکار ویژگی ها و بهینه سازی وزن ها با استفاده از الگوریتم COA در مدل تجمعی، نتایج بهتری نسبت به مدل های پیشرفته موجود به دست آورده است. رویکرد پیشنهادی قادر است انواع مختلف حملات را با نرخ تشخیص بالاتر و نرخ هشدار کاذب کمتری شناسایی کند. در این مقاله، عملکرد سه روش مختلف در مقایسه با یکدیگر با استفاده از معیارهای دقت کلی (ACC)، دقت (P)، فراخوانی (R)، و معیار F مورد بررسی قرار گرفت. روش مبتنی بر فیلتر با دقت کلی متوسط ۹۶٫۵۴٪ تا ۹۸٫۹۱٪ و دقت بالا در شناسایی نمونه های مثبت، عملکرد قابل قبولی داشت، اما مقدار فراخوانی آن به نسبت دیگر روش ها پایین تر بود. این روش تعادلی متوسط بین دقت و فراخوانی را از خود نشان داد. در مقابل، روش رمزگذار خودکار پشته ای با دقت کلی بین ۹۷٫۶۹٪ تا ۹۹٫۰۶٪ و دقت بالا در شناسایی نمونه های مثبت، بهبود قابل توجهی در معیار فراخوانی نشان داد و توانست درصد بیشتری از نمونه های مثبت را شناسایی کند. این روش تعادل بهتری بین دقت و فراخوانی داشت و از نظر معیار F نیز عملکرد بهتری داشت. روش ترکیب ویژگی ها در مقایسه با سایر روش ها بهترین عملکرد را از خود نشان داد. این روش با دقت کلی بین ۹۸٫۹۸٪ تا ۹۹٫۹۸٪ و دقت بسیار بالا در شناسایی نمونه های مثبت، تقریبا تمام نمونه های مثبت را شناسایی کرد و از نظر معیار F نیز برتری قابل توجهی نسبت به سایر روش ها داشت.

کلیدواژه ها:

امنیت ، رایانش ابری ، تشخیص نفوذ ، یادگیری ماشین و انتخاب ویژگی