ارائه مدلی برای بهبود امنیت در رایانش ابری جهت جلوگیری از حملات انکار سرویس توزیع شده با استفاده از ماشین یادگیری افراطی و هوش مصنوعی

رایانش ابری با ارائه خدمات به صورت آنلاین به کاربران/سازمان ها در کاهش هزینه های زیرساخت کمک می کند. در دسترس بودن این خدمات از اهمیت بالایی برخوردار است، در غیر این صورت، کاربران یا سازمان ها باید زیان مالی یا اعتبار زیادی را متحمل شوند. در همین راستا نیز مهاجمان می توانند از حملات انکار سرویس توزیعشده استفاده کنند تا این سرویس های ابری برای کاربران قانونی در دسترس نباشد. در این حمله، مهاجمان بار بسیار زیادی را بر روی خدمات ارائه شده توسط سرور قربانی در شبکه عمومی وارد می کنند چندین راه حل مبتنی بر یادگیری ماشین برای شناسایی حملات انکار سرویس توزیع شدهدر رایانش ابری پیشنهاد شده است که این پژوهش مدلی برای بهبود امنیت در رایانش ابری جهت جلوگیری از حملات انکار سرویس توزیع شدهبا استفاده از ماشین یادگیری افراطی و هوش مصنوعی ارائه می‌کند.. در این روش، یک مدل بهبود یافته sae-elm توسعه یافته است که می‌تواند استراتژی جهش، نرخ متقاطع و عملگر متقاطع را تطبیق دهد و قادر است به طور خودکار تعداد مناسب نورون های لایه پنهان را تعیین کند. برای ارزیابی روش پیشنهادی که برای تشخیص حمله در وب استفاده می‌شود از الگوریتم oselm استفاده شده است و با چند روش دیگر هم‌رده مبتنی بر معیارهای مختلف برای ارزیابی در نظر گرفته شد. برای شبکه پیشنهادی 15 نرون در لایه پنهان تعداد 2500 تکرار در آموزش و تابع هسته زیگمودی پیشنهاد شد و با استفاده از مجموعه داده nsl-kdd ارزیابی شد. روش پیشنهادی به دقت تشخیص 86.80، درصد با nsl-xkd دست یافت و آزمایش‌ها نشان داد که عملکرد سیستم تشخیص حمله پیشنهادی بهتر از سیستم مبتنی بر sae-elm اصلی و تکنیک‌های پیشرفته است. با این حال، زمان آموزش طولانی‌تری نسبت به سیستم مبتنی بر sae-elm نتیجه شد.

presenting a model for improving security in cloud computing to prevent distributed denial of service attacks using extreme machine learning and artificial intelligence

several machine learning-based solutions have been proposed for detecting distributed denial of service attacks in cloud computing. this study presents a model for improving security in cloud computing to prevent distributed denial of service attacks using extreme machine learning and artificial intelligence. in this method،an improved sae-elm model is developed that can adapt the mutation strategy،crossover rate،and crossover operator and is able to automatically determine the appropriate number of hidden layer neurons. to evaluate the proposed method used for attack detection on the web،the oselm algorithm was used and it was considered with several other peer methods based on different criteria for evaluation. for the proposed network،15 neurons in the hidden layer،2500 iterations in training and a zigmoid kernel function were proposed and evaluated using the nsl-kdd dataset. the proposed method achieved a detection accuracy of 86.80% with nsl-xkd،and experiments showed that the performance of the proposed attack detection system is better than the original sae-elm-based system and advanced techniques. however،it resulted in a longer training time than the sae-elm-based system.