CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

ارایه روشی مبتنی بر ترکیب الگوریتم های بهینه سازی کلونی مورچه و زنبور عسل به منظور تشخیص موثر نفوذ در ابر

عنوان مقاله: ارایه روشی مبتنی بر ترکیب الگوریتم های بهینه سازی کلونی مورچه و زنبور عسل به منظور تشخیص موثر نفوذ در ابر
شناسه ملی مقاله: SCIENGCONF01_005
منتشر شده در کنفرانس ملی علوم پایه و مهندسی با محوریت اقتصاد مقاومتی و صنعت دانش بنیان در سال 1395
مشخصات نویسندگان مقاله:

زهرا پورصفر - گروه کامپیوتر واحد یادگار امام خمینی (ره) شهر ری دانشگاه آزاد اسلامی تهران ایران
مهرداد مایین - گروه کامپیوتر واحد یادگار امام خمینی (ره) شهر ری دانشگاه آزاد اسلامی تهران ایران

خلاصه مقاله:
رایانش ابری یک تکنولوژی جدید به منظور ارایه سرویس به کاربران در بستر اینترنت می باشد و شرکت های ارایه دهنده خدمات در این زمینه در تلاش هستند با ارایه راه حل ها و خدمات جذاب تجاری میل به استفاده از این تکنولوژی را با شعار کاهش هزینه های کاربران (چه در راه اندازی و چه در نگهداری) و دسترسی آسان در هر مکان به طور کامل به اطلاعات بالا ببرند. استفاده روزافزون از رایانش ابری در کنار سودمندی فراوان، چالش هایی را نیز پیش رو دارد که به عنوان مهم ترین دغدغه آن ها می توان تامین امنیت در برابر نفوذ داخلی و خارجی اشاره کرد. کار روی این مساله اهمیت وجود سیستم های تشخیص نفوذ را در کنار فایروال ها پررنگ تر می نماید. استفاده از رایانش ابری در ابعاد فعلی نیاز به توسعه سیستم های تشخیص نفوذ خودکار را بیش از پیش پراهمیت می سازد. دسته بندها که قلب اصلی تشخیص دهنده نفوذ خودکار را تشکیل می دهند و برای تشخیص داده های متعلق به نفوذ و تفکیک آن ها از بسته های سالم مورداستفاده قرار می گیرند، با پارامترهای مختلفی که یکی از مهم ترین آن ها ویژگی های مورداستفاده توسط دسته بندها می باشد مورد ارزیابی قرار می گیرند و در نهایت دقت دسته بند را تعیین می نمایند. با توجه به موارد ذکر شده ما پژوهشی را به منظور دستیابی به روشی موثر برای انتخاب ویژگی های داده به منظور بالا بردن دقت دسته بند در تشخیص موارد نفوذ ترتیب داده ایم.

کلمات کلیدی:
رایانش ابری، تشخیص نفوذ، دسته بندی، کلونی مورچگان، کلونی زنبورعسل

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/627125/