شناسایی ناهنجاری و نفوذ در شبکه های ابری با ترکیب یادگیری نظارت نشده و نظارت شده: مرور روش ها، چارچوب ها و مسیرهای آینده

رایانش ابری با فراهم سازی زیرساخت های مقیاس پذیر چند مستاجری و سرویس های توزیع شده به ستون فقرات بسیاری از سامانه های سازمانی تبدیل شده است. پژوهش های اخیر به سمت معماری های هیبریدی حرکت کرده اند که یادگیری نظارت نشده را برای استخراج نمایش های فشرده و الگوهای نرمال ناهنجار و یادگیری نظارت شده را برای تفکیک دقیق تر کلاس های حمله ترکیب می کنند. این مقاله مروری با تمرکز بر پنج پژوهش اخیر و اثرگذار روندهای مشترک، نقاط قوت، محدودیت ها و مسیرهای آینده را تحلیل می کند. یافته ها نشان می دهد طراحی های هیبریدی با ترکیب صحیح نمایش سازی عمیق و تصمیم گیری نظارت شده می توانند ضمن بهبود کشف حملات ناشناخته، نرخ هشدار کاذب را نیز کنترل کرده و برای استقرار در شبکه های ابری نسل جدید مناسب تر باشند.

کلیدواژه ها:

تشخیص نفوذ ، ناهنجاری ، رایانش ابری ، یادگیری نظارت نشده ، یادگیری نظارت شده