توضیحات

• اصل مقاله انگلیسی را می توانید به طور رایگان دانلود کنید.
• متن کامل ترجمه پس از خرید قابل دانلود است، همچنین فایل ترجمه پس از اتمام خرید به صورت خودکار از سمت سرور به ایمیل شما نیز ارسال می شود، از آنجایی که ایمیل از سمت سرور و با نام سایت ارسال می شود، به همین دلیل ممکن است به عنوان ایمیل تبلیغاتی در نظر گرفته شده و در قسمت Spam (هرزنامه) ایمیل شما قرار گیرد، پس لطفا قسمت Spam (هرزنامه) ایمیل خود را نیز چک کنید.
• توجه: چنانچه پس از خرید طی دو ساعت ترجمه به ایمیل شما ارسال نشد، با ایمیل پشتیبانی تماس بگیرید تا ما در اسرع وقت به موضوع رسیدگی کنیم.

———————————————————————

مشخصات مقاله انگلیسی:

ترجمه عنوان مقاله: سیستم تشخیص نفوذ توزیع شده برای محیط‌های ابری بر اساس روش‌های داده‌کاوی

عنوان انگلیسی مقاله: Distributed Intrusion Detection System for Cloud Environments based on Data Mining techniques

نام ژورنال: Procedia Computer Science

نام ناشر: Elsevier

سال انتشار: ۲۰۱۸

تعداد صفحات مقاله انگلیسی: ۷ صفحه

لینک مقاله انگلیسی

تعداد صفحات مقاله ترجمه شده: ۱۴ صفحه (در قالب فایل word و pdf)

زمان صرف شده برای ترجمه: ۸ ساعت مفید

ترجمه چکیده مقاله:

رایانش ابری نزدیک به دو دهه پس از ظهور آن، همچنان به عنوان جاذبه‌ی سودمندی میان سازمان‌ها و افراد عادی باقی مانده است. مسائل امنیتی زیادی از جمله تشخیص نفوذ، در حین انتقال به این الگوی محاسباتی رخ می‌دهند. ابزارهای نفوذ و حمله بسیار پیچیده‌تر شده‌اند و این کار را با شکستن سیستم‌های تشخیص نفوذ معمولی (IDS) به وسیله‌ی مقدار زیادی از داده‌های ترافیک شبکه و رفتارهای پویا انجام می‌دهند. سیستم‌های تشخیص نفوذ موجود برای ابر دقت تشخیص کم، نرخ بالای مثبت کاذب و زمان اجرای زیادی دارند.    

           ما در این مقاله یک سیستم تشخیص نفوذ توزیع شده مبتنی بر یادگیری ماشین را برای محیط‌های ابری ارائه می‌دهیم. طراحی سیستم پیشنهادی بدین صورت است که به گونه‌ای به ابر اضافه شود که در کنار اجزای لبه‌ای شبکه در فراهم‌کننده‌ی ابری قرار بگیرد. این امر اجازه می‌دهد تا جلوی ترافیک شبکه‌ی ورودی به مسیریاب‌های لبه‌ای شبکه در لایه‌ی فیزیکی گرفته شود. یک الگوریتم پنجره‌ی لغزان مبتنی بر زمان برای انجام عملیات پیش-پردازش بر روی ترافیک شبکه‌ی ثبت شده در هر مسیریاب ابری به کار گرفته شده است و پس از انجام عملیات پیش-پردازش، ترافیک شبکه به یک ماژول تشخیص ناهنجاری هدایت می‌شود که این ماژول از دسته‌بند نایو بیزین استفاده می‌کند. مجموعه‌ای از گره‌های سرور commodity بر اساس Hadoop و MapReduce برای هر ماژول تشخیص نفوذ موجود هستند تا در مواقع افزایش ازدحام شبکه مورد استفاده قرار بگیرند. در هر پنجره‌ی زمانی، داده‌های ناهنجار ترافیک شبکه بر روی هر مسیریاب با یک سرور ذخیره‌سازی مرکزی هماهنگ می‌شوند. سپس، یک دسته‌بند یادگیری ensemble بر اساس جنگل تصادفی مورد استفاده قرار می‌گیرد تا یک دسته‌بندی چند کلاسی نهایی را برای تشخیص نوع هر حمله انجام دهد.

           آزمایش‌های متعددی در بستر ابری گوگل با استفاده از مجموعه‌داده‌ی عمومی CIDDS-001 برای ارزیابی سیستم پیشنهادی انجام شده است. نتایج به دست آمده در مقایسه با یک دسته‌بند استاندارد جنگل تصادفی، رضایت‌بخش هستند. سیستم به متوسط دقتی برابر با ۹۷%، متوسط نرخ مثبت کاذب برابر با ۰٫۲۱% و متوسط زمان اجرای ۶٫۲۳ ثانیه دست یافته است.      

کلمات کلیدی: سیستم تشخیص نفوذ، محاسبات ابری، یادگیری ماشین، Hadoop، MapReduce.

برای مشاهده نمونه کار می توانید به این صفحه مراجعه کنید.

مقالات مرتبط دیگری در این زمینه را می توانید در صفحه “مقالات رایانش ابری” بیابید.