ارزیابی الگوریتم های یادگیری ماشین در تشخیص نفوذ در شبکه های ابری

با رشد روزافزون زیرساخت های رایانش ابری و انتقال داده های حساس به این محیط ها، نیاز به سیستم های امنیتی هوشمند برای مقابله با تهدیدات سایبری بیش از پیش احساس می شود. سیستم های تشخیص نفوذ (IDS) به عنوان یکی از ابزارهای کلیدی در معماری امنیتی ابری مطرح هستند، اما روش های سنتی آن ها در برابر حملات پیچیده و ناشناخته ناکارآمد ظاهر شده اند. در این پژوهش، با تمرکز بر الگوریتم های یادگیری ماشین و یادگیری عمیق، عملکرد مدل های مختلف در تشخیص نفوذ در محیط های ابری مورد ارزیابی تطبیقی قرار گرفته است. با تحلیل سه مقاله علمی معتبر، نقاط قوت معماری های مختلف از جمله XGBoost، CNN، و LSTM استخراج شده و چالش هایی نظیر عدم تعادل داده ها، هزینه محاسباتی بالا، و نیاز به مقیاس پذیری بررسی شده اند. در ادامه، یک مدل ترکیبی نوآورانه پیشنهاد شده است که با تلفیق الگوریتم های منتخب، بهره گیری از تکنیک SMOTE برای تعادل داده ها، و پیاده سازی در محیط های توزیع شده، قابلیت تشخیص بلادرنگ حملات را داراست. نتایج حاصل نشان می دهد که مدل پیشنهادی نه تنها دقت بالایی در شناسایی تهدیدات دارد، بلکه از نظر کارایی، مقیاس پذیری و حفظ حریم خصوصی نیز عملکرد مطلوبی ارائه می دهد. کلیدواژه: رایانش ابری / امنیت داده / سیستم های تشخیص نفوذ / یادگیری ماشین.