بهبود امنیت و کارایی انتقال داده در شبکه های ابری با استفاده از الگوریتم های یادگیری ماشین و پروتکل های HDLC، SDLC و ADCCP

با رشد سریع سامانه های دیجیتال، پایگاه های داده سازمانی بیش از گذشته در معرض تهدیدات امنیتی پیچیده ای مانند SQL Injection، دسترسی های غیرمجاز و تقلب مالی قرار گرفته اند.روش های سنتی تشخیص نفوذ که عمدتا بر الگوهای از پیش تعریف شده متکی هستند، در شناسایی حملات جدید و ناشناخته کارایی پایینی دارند.در این پژوهش، یک مدل ترکیبی تشخیص نفوذ مبتنی بر یادگیری ماشین ارائه شده است که با ترکیب الگوریتم های نظارت شده (SVM، درخت تصمیم) و بدون نظارت (DBSCAN)، توانایی شناسایی همزمان تهدیدات شناخته شده و ناشناخته را دارد.ساختار مدل شامل سه مرحله اصلی است: پیش پردازش داده ها، تحلیل تهدیدات، و تصمیم گیری خودکار.برای اعتبارسنجی مدل، از مجموعه داده های NSL-KDD و CIC-IDS استفاده شد. نتایج آزمایش ها نشان داد مدل پیشنهادی به دقت ۹۶.۴%، بازخوانی ۹۴.۸% و امتیاز F۱ برابر با ۹۵.۲% دست یافته است. این عملکرد در مقایسه با روش های مرسوم موجب کاهش ۲۳% در نرخ هشدارهای کاذب (FPR) شد.به منظور بهبود انتقال و حفاظت داده ها، مدل پیشنهادی با پروتکل های HDLC، SDLC و ADCCP و همچنین الگوریتم های بهینه سازی شامل فشرده سازی، مسیریابی، مدیریت ترافیک و رمزنگاری ادغام شد.یک مطالعه موردی بر روی داده های واقعی یک سامانه مالی نشان داد که این مدل در محیط های عملیاتی قابل اجرا بوده و نسبت به روش های سنتی، امنیت بالاتر و پایداری شبکه بهتری فراهم می کند.

کلیدواژه ها:

مدیریت داده ، پروتکل های ارتباطی ، امنیت شبکه ، IBM ، هوش مصنوعی