تحلیل موازنه هزینه-دقت در تشخیص نفوذ مبتنی بر شبکه عصبی پیچشی برای محیط های محاسبات ابری

یک تحلیل جامع از موازنه هزینه–دقت در سامانه های تشخیص نفوذ مبتنی بر شبکه عصبی برای محیط های رایانش ابری ارائه شد. برخلاف بسیاری از پژوهش های پیشین که تمرکز اصلی آن ها بر بیشینه سازی دقت تشخیص بوده است، این مطالعه بر اهمیت دستیابی به تعادل میان دقت و کارایی محاسباتی به منظور ارائه راهکارهای عملی و مقیاس پذیر تاکید داشت. چارچوب پیشنهادی مبتنی بر ANN سبک با استفاده از مجموعه داده Edge-IIoTset مورد ارزیابی قرار گرفت و نتایج نشان داد که این مدل قادر است با هزینه محاسباتی پایین، عملکرد تشخیص قابل قبولی ارائه دهد. کاهش زمان آموزش، تاخیر کم در استنتاج و پیچیدگی پایین مدل از جمله ویژگی هایی هستند که چارچوب پیشنهادی را برای کاربردهای امنیتی زمان واقعی در محیط های ابری مناسب می سازند. با وجود نتایج امیدوارکننده، این پژوهش دارای محدودیت هایی نیز هست. آزمایش ها تنها بر روی یک مجموعه داده انجام شده و معماری بررسی شده به یک پیکربندی مشخص از شبکه عصبی مصنوعی محدود است. در تحقیقات آینده می توان این چارچوب را با استفاده از مجموعه داده های متنوع تر و معماری های تطبیقی یا ترکیبی گسترش داد. همچنین، پیاده سازی مکانیزم های یادگیری آنلاین و ارزیابی عملکرد سامانه در محیط های ابری واقعی می تواند به بهبود قابلیت های عملی و پایداری سامانه تشخیص نفوذ کمک کند. نتایج این پژوهش نشان می دهد که طراحی آگاهانه شبکه های عصبی بهینه می تواند به دستیابی به تعادل موثر میان دقت تشخیص و هزینه محاسباتی منجر شود و راهکاری عملی و مقیاس پذیر برای افزایش امنیت در محیط های رایانش ابری ارائه دهد.

کلیدواژه ها:

تشخیص نفوذ ، شبکه عصبی پیچشی ، رایانش ابری ، تشخیص حمله