بهبود مدیریت امنیتی در سامانه های آموزشی مبتنی بر رایانش ابری با استفاده از یک مدل ترکیبی تشخیص نفوذ مبتنی بر الگوریتم شعله زن و طبقه بند XGBoost

با گسترش سریع استفاده از سامانه های آموزشی مبتنی بر رایانش ابری نگرانیها پیرامون امنیت اطلاعات کاربران به ویژه در محیط های آموزشی چند سکویی افزایش یافته است. این سامانه ها به دلیل ماهیت اشتراکی و دسترسی از راه دور در معرض حملات سایبری پیچیده ای نظیر نفوذ، جعل هویت و دستکاری داده ها قرار دارند. هدف این پژوهش ارائه یک مدل ترکیبی نوین برای تشخیص نفوذ در سامانه های آموزشی ابری است که به صورت خاص به بهبود مدیریت امنیتی در این زیرساختها کمک می کند. در این مدل از الگوریتم شعله زن (Moth Flame Optimization) برای انتخاب ویژگی های موثر و کاهش ابعاد داده استفاده شده و طبقه بند قدرتمند XGBoost جهت تشخیص دقیق الگوهای نفوذ به کار گرفته شده است. ارزیابی مدل پیشنهادی بر پایه مجموعه داده معیار NSL-KDD انجام شده و نتایج حاصل نشان میدهند که مدل ترکیبی ارائه شده نسبت به سایر روشهای مرسوم نظیر SVM و Random Forest، از نظر دقت نرخ تشخص Detection Rate) و نرخ مثبت کاذب False Positive Rate عملکرد برتری دارد این یافته ها نشان میدهد که مدل پیشنهادی می تواند به عنوان یک ابزار کارآمد در سیاست گذاری امنیتی مراکز آموزشی آنلاین و پلتفرم های یادگیری الکترونیکی مورد استفاده قرار گیرد و از طریق تشخیص به موقع تهدیدات به بهبود تاب آوری امنیتی و حفاظت از داده های حساس آموزشی کمک کند.

کلیدواژه ها:

تشخیص نفوذ رایانش ابری ، آموزشی ، الگوریتم شعله زن ، طبقه بند XGBoost ، مدیریت امنیتی سامانه های آموزشی