تشخيص نفوذ در محيط هاي ابري با استفاده از شبكه هاي يادگيري عميق بهبوديافته

با گسترش عصر اطلاعات، اينترنت به تدريج در حال تغيير روش زندگي، تحصيل و كار مردم است. تضمين امنيت سرويس ها و كاربردهاي اينترنت اشياء ، فاكتور بسيار مهمي در ايجاد اعتماد دركاربران و بكارگيري اين بستر مي باشد. در واقع با افزايش تعداد تجهيزات متصل به اينترنت در كاربردهاي مبتني بر اينترنت اشياء، احتمال آسيب پذيري هاي امنيتي نيز بيشتر مي شوند. در كنار نقاط ضعف امنيتيكه وجود دارد، تعداد زياد تجهيزات IoTو ماهيت آنها مي تواند احتمال حمله را افزايش دهد. سيستم هاي تشخيص نفوذ در حال حاضر جزء اصلي ترين و كاملترين قسمت هاي يك سيستم پايش يا مانيتورينگ-شبكه مي باشند. انگيزه اصلي تشخيص نفوذ بهبود دقت طبقه بندي كننده در شناسايي موثر رفتار نفوذگر است. روش هاييادگيري ماشين به طور گسترده اي براي شناسايي انواع مختلف حملات مورد استفاده قرارگرفته است، و آنها مي توانند به مديران شبكه كمك كنند اقدامات مناسب را براي جلوگيري از نفوذ انجام دهند. با اين حال، روشهاي سنتييادگيري ماشين عموماً يادگيري سطحي(كم عمق) هستند كه غالباً بر مهندسي ويژگي و انتخاب تأكيد دارند و آنها نمي توانند به طور موثري مشكل طبقه بندي نفوذ داده هاي بزرگ را در محيط واقعي شبكه حل كنند.روشهاييادگيري عميق پتانسيل استخراج بهتر از داده‌هاي حجيم را دارد و نتايج بسيار بهتري بدست مي‌آورد. در اين پژوهش با استفاده از روش يادگيري عميق، ما يك سيستم تشخيص نفوذ ارائه داده ايم. در شبكه عصبي پيچشي جهت استخراج ويژگي از لايه هاي Separable بهره گرفته شده است. مهم ترين مزيت لايه هاي Separable كاهش محاسبات مي-باشد. با كاهش محاسبات تعداد پارامترهاي قابل تنظيم نيز كاهش مي يابد از همين رو شبكه بهتر مي تواند عمليات يافتن الگو را انجام دهد. همچنين از تركيب طبقه بندها بجاي لايه ي تماما متصل در شبكه عصبي پيچشي بهره گرفته شده است. ازمجموعه داده ي استاندارد Kdd بهره گرفته شده است. جهت ارزيابي روش پيشنهادي از معيارهاي دقت، صحت، فراخوان و معيارF بهره گرفته شده است كه نتايج نشان داد روش پيشنهادي به ترتيب به دقت، صحت، فراخوان و معيارF به ميزان 98، 98 ،98، 98 درصد دست يافته است.