فایل ورد کامل سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۱ صفحه

تقریبا دو دهه بعد از ظهور انها؛ محاسبات ابری همچنان در میان سازمان ها و کاربران فردی در حال افزایش است. بسیاری از مسائل امنیتی همراه انتقال برای این الگوی محاسباتی شامل تشخیص نفوذ به وجود می اید. ابزارهای حمله و نفوذ با شکستن سیستم های تشخیص نفوذ سنتی (IDS) با مقدار زیادی از اطلاعات ترافیک شبکه و رفتارهای پویا پیچیده تر شده است. IDSs ابری موجود از کمبود دقت تشخیص؛ نرخ مثبت کاذب بالا و زمان اجرای بالا رنج می برد. در این مقاله ما یک یادگیری توزیع ماشینی بر مبنی سیستم تشخیص نفوذ برای محیط های ابری را ارائه می دهیم. سیستم پیشنهاد شده برای مندرجات در سمت ابری به وسیله اندازه همراه اجزای شبکه لبه از ابرهای ارائه شده است. اینها به ترافیک رهگیری شبکه های ورودی به لبه شبکه routers از از لایه فیزیکی اجازه می دهد. یک الگوریتم پنجره کشویی (sliding window) مبتنی بر زمان برای پیش پردازش شبکه گرفتار ترافیک در هر router ابری استفاده می شود و سپس در نمونه تشخیص ناهنجاری دسته بندی Naive Bayes استفاده می شود. یک مجموعه از گره های سرور کالا بر مبنی یک Hadoop و MapReduce برای هر نمونه تشخیص ناهنجاری از زمانی که تراکم شبکه افزایش می یابد؛ در دسترس است. برای هر پنجره زمانی؛ داده ترافیک ناهنجاری شبکه در هر طرف router برای یک سرور ذخیره سازی مرکزی هماهنگ شده است. بعد؛ یک طبقه بندی یادگیری گروهی بر مبنی یک Forest تصادفی برای اجرای یک مرحله دسته بندی چند کلاسه نهایی به منظور تشخیص انواعی از هر حمله استفاده می شود.

لغات کلیدی: سیستم های تشخیص نفوذ | محاسبات ابری | یادگیری ماشین | هادوپ | MapReduce

عنوان انگلیسی:

Distributed Intrusion Detection System for Cloud Environments based on Data Mining techniques

~~en~~ writers :

Mohamed Idhammad, Karim Afdel, Mustapha Belouch

Nearly two decades after its emergence, the Cloud Computing remains gaining traction among organizations and individual users.
Many security issues arise with the transition to this computing paradigm including intrusions detection. Intrusion and attack tools
have become more sophisticated defeating traditional Intrusion Detection Systems (IDS) by large amount of network traffic data
and dynamic behaviors. The existing Cloud IDSs suffer form low detection accuracy, high false positive rate and high running time.
In this paper we present a distributed Machine Learning based intrusion detection system for Cloud environments. The proposed
system is designed to be inserted in the Cloud side by side with the edge network components of the Cloud provider. This allows
to intercept incoming network traffic to the edge network routers of the physical layer. A time-based sliding window algorithm is
used to preprocess the captured network traffic on each Cloud router and pass it to an anomaly detection module using Naive Bayes
classifier. A set of commodity server nodes based on Hadoop and MapReduce are available for each anomaly detection module
to use when the network congestion increases. For each time window, the anomaly network traffic data on each router side are
synchronized to a central storage server. Next, an ensemble learning classifiers based on the Random Forest is used to perform a
final multi-class classification step in order to detect the type of each attack.

Various experiment are performed in the Google Cloud Platform in order to assess the proposed system using the CIDDS-001
public dataset. The obtained results are satisfactory when compared to a standard Random Forest classifier. The system achieved
an average accuracy of 97%, an average false positive rate of 0.21% and an average running time of 6.23s.

Keywords: Intrusion Detection Systems | Cloud Computing | Machine Leaning | Hadoop | MapReduce

$$en!!