مقابله در حملات شبکه ای با استفاده از سیستم های تشخیص نفوذ

در عرصه رایانش ابری توجه به تکامل پیشرفت وجهت توزیع منابع روشهای بسیاری وجوددارداما استفاده از رایانش ابری، آغازگر ، شاخهای از هوش 1 حملات جدیدی بوده است. بهطوریکه احتمال انجام آن را افزایش یا تسهیل نموده است. یادگیری ماشین مصنوعی است که در حقیقت برخی از فن6اوریهایی را که در آنها کامپیوتر، شرایط یادگیری خودکار را دارد، گسترشمیدهد.عاملهای متحرک، برنامه کامپیوتری قابلشناسایی و خود توصیف است که میتواند در شبکه جابجا شده و از طرف کاربر یا موجودیت دیگر عمل نماید. اگر کدهای متحرک بهصورت خودمختار و پیوسته قادر به جابجایی باشند، عامل متحرک محسوب خواهند شد [برای برقراری امنیت در شبکههای ابری و جلوگیری از حملهی انکار از سرویس(DOS (روشی را به کار میبریم که با استفاده از الگوریتم یادگیری ماشین و با استفاده از تکنیک عامل متحرک تشخیص نفوذ را بسیار سریعتر انجام خواهد داد.در این روش، ازتکنیک خوشه بندی که گره ای یاکامپیوتری رابه عنوان سرخوشه ایجامی کنیم که باعث کاهش فاصله و کمترین بار پردازشی در شبکهی ابری و بیشترین تشخیص و بیشترین حمله و انرژی مصرفی شده است. از بین همهی پارامترها انرژی مصرفی بیشتر در نظر گرفتهشده است. روش پیشنهادی پس از شبیهسازی با الگوریتم EVDF مقایسه شده است در این شبیهسازی پس از 2000 بار اجرا، تمام گرههای روش پیشنهادی هنوز هم انرژی دارند در صورتی که در روش EVDF انرژی هر گره به زیر 1/0 رسیده است. در بخشهای دیگر ارزیابی و مقایسه مشاهده شد که روش EVDF در 5000 بستهی ردوبدل شده میتواند تنها30 درصد از حمله را تشخیص دهد. درحالیکه در روش پیشنهادی 35 درصد از حملات تشخیص داده میشود. به همین دلیل است که روش پیشنهادی باعث بهبود انرژیبیشترشبکه و نیز باعث افزایش طول عمر شبکه میشوند.

کلیدواژه ها:

یادگیری ماشین ، امنیت ، حملات سایبری ، عامل متحرک ، بستههای دریافتی ، تشخیص نفوذ ، خوشهبندی