امنیت رایانش ابری و یادگیری عمیق با بهره گیری از رویکرد ANN

تکنیک های یادگیری عمیق با استفاده از مدل های شبکه های عصبی پیچشی تاثیر قابل توجهی در افزایش امنیت در حوزه های مختلف نشان داده اند. هنگامی که یادگیری عمیق برای امنیت رایانش ابری اعمال می شود، راه حل های مقرون به صرفه ای را با خودکارسازی تشخیص تهدید، کاهش نظارت دستی و بهبود اثربخشی کلی امنیت ارائه می دهد. مدل های یادگیری عمیق با استفاده از شبکه های عصبی نقش مهمی در وظایفی مانند تشخیص نفوذ، تشخیص بدافزار، تشخیص ناهنجاری و تجزیه و تحلیل گزارش ایفا میکنند. ادغام یادگیری عمیق در امنیت ابری مستلزم ارزیابی دقیق سیستم های موجود، تعریف اهداف، انتخاب و آماده سازی مجموعه داده، تنظیم مدل و تغییرات نهایی برای سازگاری است. علاوه بر این، پیاده سازی تکنیک های یادگیری عمیق در امنیت ابری مستلزم در نظر گرفتن عواملی مانند منابع محاسباتی، هزینه های جمع آوری و آماده سازی داده ها، توسعه مدل، تلاش های یکپارچه سازی و نظارت و نگهداری مداوم است. این مقاله یک مدل شبکه عصبی پیچشی (ANN) انتشار پیشخور را در امنیت ابری پیشنهاد می کند و مراحل کلیدی ادغام این مدلها را در استراتژی های امنیت ابری بررسی می کند. با توجه به اینکه اثربخشی مدل شبکه عصبی پیچشی به عواملی مانند کیفیت داده های آموزشی، معماری شبکه و الگوریتم-های تنظیم وزن بستگی دارد، این مطالعه از مجموعه دادهای از Kaggle.com برای اعتبارسنجی استفاده کرده ایم و مراحل مربوط به آموزش و ارزیابی مدل شبکه عصبی پیچشی را نشان دادیم

امنیت رایانش ابری و یادگیری عمیق با بهره گیری از رویکرد ANN Keywords:

امنیت ابری , یادگیری عمیق , شبکه ANN , شبکه عصبی , شبکه عصبی پیچشی