ترجمه مقاله سیستم تشخیص نفوذ در رایانش ابری توزیع شده - نشریه الزویر

قیمت خرید این محصول

۳۸۸,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

سیستم تشخیص نفوذ در رایانش ابری توزیع شده: روش های خوشه بندی و طبقه بندی ترکیبی

عنوان انگلیسی

Intrusion detection system in distributed cloud computing: Hybrid clustering and classification methods

صفحات مقاله فارسی

33

صفحات مقاله انگلیسی

12

سال انتشار

2023

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

0.833 در سال 2021

شاخص H_index مجله

2 در سال 2023

شاخص SJR مجله

0.195 در سال 2021

شناسه ISSN مجله

2665-9174

شاخص Q یا Quartile (چارک)

Q4 در سال 2021

کد محصول

13632

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه منابع داخل متن

به صورت عدد درج شده است ✓

وضعیت فرمولها و محاسبات در فایل ترجمه

تایپ شده است ✓

ضمیمه

ندارد ☓

بیس

است ✓

مدل مفهومی

دارد ✓

پرسشنامه

ندارد ☓

متغیر

دارد ✓

فرضیه

دارد ✓

رفرنس در ترجمه

در انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - رایانش ابری - مهندسی نرم افزار - مهندسی الگوریتم ها و محاسبات

مجله

Measurement: Sensors

کلمات کلیدی

محاسبات ابری توزیع شده - سیستم تشخیص نفوذ - NSI-KDD - خوشه بندی k-mean - مدل مخلوط گاوسی - جنگل تصادفی

کلمات کلیدی انگلیسی

Distributed cloud computing - Intrusion detection system - NSL-KDD - K-means clustering - Gaussian Mixture Model - Random Forest

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.measen.2022.100612

با خرید این کالا; ترجمه فارسی مقاله، مقاله انگلیسی، پاورپوینت و ترجمه خلاصه قابل دانلود خواهد بود. بلافاصله پس از خرید، دکمه دانلود ظاهر شده و محصول به ایمیل شما نیز ارسال خواهد گردید.

۰.۰ (هنوز امتیازی ثبت نشده است)

فهرست مطالب

چکیده
1- مقدمه
2- پیش زمینه
3- کار مرتبط
4- روش شناسی
5- نتایج و تحلیل ها
6- نتیجه گیری
اعلام منافع رقابتی
قابلیت دسترسی داده
مراجع

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)

فایل پاورپوینت این مقاله

در کنار ترجمه مقاله، فایل پاورپوینت این مقاله نیز ایجاد شده و در این محصول قرار داده شده است که پس از خریداری به همراه ترجمه قابل دانلود خواهد بود. تعداد اسلایدهای این پاورپوینت 21 می باشد و آماده ارائه در دانشگاه یا سایر سمینارها است.

فایل خلاصه ترجمه

در صورتی که نیاز به خلاصه ای از متن ترجمه این مقاله دارید، می توانید از فایل خلاصه ترجمه استفاده نمایید که به این محصول اضافه شده است. خلاصه ترجمه این مقاله در 9 صفحه در فایل word انجام شده و داخل بسته قرار گرفته است.

نمونه چکیده ترجمه متن فارسی

چکیده
محاسبات ابری، امروزه به سبب سرویس های ذخیره سازی و دستیابی داده، بسیار مشهور شده است. امنیت و حریم خصوصی، از جمله مسائل و نگرانی های اولیه، در زمانی هستند که تهدیدهای شبکه افزایش یافته باشد. محاسبات ابری، سازمان ها و تشکیلات اقتصادی را به صورت مقیاس پذیر، انعطاف پذیر و زیر ساخت های مقرون به صرفه برای ذخیرة داده ها در وب، ارائه می دهد. یک ناهنجاری مبتنی بر پیاده سازی IDS، از ادغام داده ها در یک مجموعه داده محافظت می نماید و این کار با شناسایی و قرنطینه کردن موارد ثبت شده، در زمانی قابل انجام است که به طور غیر قابل انتظاری، تغییر در چیزی ظاهر شده باشد. یادگیری ماشین، مبتنی بر روش های خوشه بندی و طبقه بندی است که برای ناهنجاری ایجاد شده به سبب طبقه بندی حمله IDS و مقیاس پذیری در محیط های شبکه های پیشرفته، به کار رفته است. یادگیری ماشین، یک رویکردی سریع، کارآمد و وفقی برای توسعة مدل های تشخیص گسترش نفوذ به شمار می رود که می تواند در مقابل تهدیدهای اضطراری، حملات ( اتک های ) شناخته شده و ناشناخته ( شامل حملات صفر روزه)، قد علم کند. این مقاله، یک مدل طبقه بندی و خوشه بندی کارآمد هیبریدی ( ترکیبی ) برای پیاده سازی ناهنجاری مبتنی بر IDS و برای حالات مخرب طبقه بندی، ارائه می دهد. که این طبقه بندی می تواند به این صورت باشد: معمولی ( بدون نفوذ)، DOS، پراب، U2R و R2L، با استفاده از توابع مبتنی بر آستانه و نتایج با دو مقدار آستانة متفاوت 0/5 , 0/01 تست شده است. آزمایشات روی دو پایگاه داده تست، انجام گرفته است و تحت نام های NSL-KDD,KDD cup99 می شود. نرخ تشخیص، نرخ هشدار کاذب و دقت برای پژوهش عملیاتی در مورد روش شناسی پیشنهاد شده، به کار رفته است.پس از اعمال رویکرد پیشنهادی، K-mean با جنگل تصادفی در دو مقدار آستانه متفاوت، نشان داده شده است و دقت طبقه بندی و نرخ تشخیص بهتر دارد و نرخ هشدار کاذب دارد که به ترتیب 85/99 % و 78/99 % و 09/0 % روی مجموعه داده NSL-KDD و روی مجموعه داده KDD Cup 99 به ترتیب 27/98 % ، 12/98 % و 08/2 % می باشد.
2- پیش زمینه
سیستم های تشخیص نفوذ به تشخیص حملات از خارج از سیستم (IDS) می پردازد. IDS برای تشخیص محدودة گسترده‎ای از بردارهای حمله، بحرانی به نظر می رسد. سیستم های تشخیص نفوذ (IDS) در ابتدا نگرانی هایی در مورد تشخیص نفوذ دارند که به عنوان یک مسالة تشخیص نفوذ، قابل دیدن است. DOS، پراب، U2R, R2L و نرمال تنها چند مورد حمله است که می تواند برای IDS به کار رود. مکانیسم های تشخیص IDS در دو نوع طبقه بندی می شود. مبتنی بر امضا، مبتنی بر رفتار [6]. به هرحال چند اشکال برای تکنیک های مبتنی بر امضا وجود دارند. بنابراین می توان به پیش تعریف حملاتی از جمله حملات شناخته شده می پردازیم و نرخ مثبت کاذب پایینی در آن وجود دارد. زیرا، الگوهای دردسترسی وجود ندارد و نمی توان به طور موثر حملات ناشناخته را شناسایی نمود. تعمیر ون گهداری پیوسته برای به روز رسانی حملات، یک فرآیند زمان بر است و نمی توان به تشخیص یا شناسایی اتک های ضفر روز پرداخت. IDS مبتنی بر ناهنجاری می تواند حملات شناخته شده و ناشناخته را تشخیص دهد و هم چنین به شناسایی حملات صفر روز کمک می کند [2] ولی به زمان برای تنظیم نیاز داریم و یک نرخ مثبت کاذب در آنها وجود دارد.IDS مبتنی بر ناهنجاری، حملات شناخته شده و ناشناخته را می تواند تشخیص دهد و به همین ترتیب به تشخیص حملات صفر روز، کمک می کند [7] ولی نیازمند زمان تنظیم هستیم و نرخ مثبت کاذب بالا در آن وجود دارد. راه حل های هوشمند سازی، به عنوان تعدادی از حملات جدید و رشد پیچیدگی های جدید، شناخته می شود. برای شناسایی موضوعات فوق الذکر، ما یادگیری ماشین مبتنی بر خوشه بندی و تکنیک های طبقه بندی را با استفاده از مفاهیم تکنیک طبقه بندی IDS در مدل و از مجموعه داده های کلی برچسب گذاری شده، استفاده می کنیم. به طور مشابه، خوشه بندی IDS در موقعیت سنجی داده بدون برچسب و در خوشه ها، ارزیابی شده و ینازی به داده های برچسب گذاری برای آموزش ندارد