یک رویکرد مبتنی بر مدل برای توسعه سیستم های خود تطبیق

اساسا نرم افزار خود تطبیق، نرم افزاری است که به صورت یک حلقه بازخوردی توسعه داده شده و قادر است خودش را در زمان اجرا برای پاسخگویی به تغییر نیازهای سیستم و محیط تغییر دهد. در این مقاله خود تطبیقی پیشنهادی ما یک رویکرد باز عمومی مبتنی بر یادگیری ماشین با تمرکز بر ویژگی خود حفاظتی است که به اختصار آن را OGMLB می نامیم. ما برای آزمودن OGMLB حوزه شبکه را انتخاب کردیم، در واقع هدف ما توسعه یک سیستم خود تطبیق تشخیص نفوذ در شبکه است، رویکرد ما عمومی است یعنی در دامنه های دیگر مانند پایگاه داده، رایانش ابری، محیط های توزیع شده و غیره هم کاربرد دارد. یکی از سیستم های تثبیت شده در این زمینه ML-IDS است که یک سیستم خود حفاظتی تشخیص حملات بوسیله وارسی و تحلیل ترافیک با استفاده از دانه بندی چند سطحی است که سیستم عامل را در برابر رفتارهای مخرب حفاظت می کند. ما برای تست OGMLB از شرایط محیطی و مجموعه داده های بکار گرفته شده در ML-IDS استفاده می کنیم و نتایج خود را با نتایج حاصل از آن مقایسه می کنیم.جزییات این مدل در این مقاله بررسی شده است.

کلیدواژه ها:

سیستم های خودتطبیق ، رویکرد مبتنی بر مدل ، توسعه نرم افزار ، شبکه های بیزین ، مدل سازی عدم قطعیت