لیلا کواری زاده - گروه مهندسی کامپیوتر ،دانشکده فنی و مهندسی ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ،ایران
علیرضا هدایتی - استادیار، گروه مهندسی کامپیوتر ،دانشکده فنی و مهندسی ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ،ایران
محسن جهانشاهی - دانشیار ، گروه مهندسی کامپیوتر ،دانشکده فنی و مهندسی ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ،ایران

رایانش ابری یک چارپوب و زیر ساخت قابل انعطاف و مقرون به صرفه را برای ارایه خدمات فناوری اطلاعات از طریق اینترنت فراهم کند .کاربران می توانند با کمترین هزینه و در کمترین زمان خدمات مورد نیاز خود را از طریق اینترنت درخواست کنند وپس از استفاده آنها را آزاد کنند.یکی از مسایلی که در رایانش ابری با آن مواجه است امنیت می باشد که با بهبود در این زمینه میتوان بهبودهای چشمگیری در کل سیستم بدست آورد . یکی از راهکارهای موثر برای بالا بردن امنیت ،تشخیص نفوذ در محیط های ابری است .برای تشخیص نفوذ می توان از الگوریتم های مختلفی بهره برد که الگوریتم های فرا اکتشافی در زمینه حل مسایل پیچیده ای همچون مسایل NP-Hard به کاربرده می شود و شبکه عصبی می تواند مسایل خاصی مانند تشخیص الگو و طبقه بندی داده ها را از طریق فرآیند یادگیری حل کند.این پایان نامه قصد دارد که رویکردی نوین به مسئله ی تشخیص نفوذ در رایانش ابری ارایه دهد. برای تشخیص نفوذ در رایانش ابری از الگوریتم سنجاقک برای پیدا کردن ویژگی های بهینه و استفاده از الگوریتمK نزدیکترین همسایه به عنوان تابع شایستگی سنجاقک استفاده می شود ، هم چنین از الگوریتم ژنتیک برای آمورش و بهینه کردن وزنهای شبکه عصبی استفاده شده است به طوری که پارامترهای صحت ،دقت ،فراخوانی در مقایسه با الگوریتم پایه افزایش یابد و پارامتر نرخ هشدار غلط کاهش یابد.با استفاده از الگوریتم سنجاقک 27 ویژگی و استفاده از الگوریتم گرگ خاکستری درمقاله پایه 24 ویژگی بدست آمده است ، شبیه سازی انجام شده نشان می دهد که پارامترهای صحت و دقت و فراخوانی و نرخ هشدار غلط در الگوریتم ارایه شده بهتر از الگوریتم شبیه سازی مقاله پایه بوده است.

محاسبات ابری، تشخیص نفوذ، شبکه عصبی، صحت، دقت، فراخوانی