افسانه بساطی - دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد دزفول
محسن چگین - دانشگاه آزاد اسلامی واحد دزفول ، گروه فنی و مهندسی ،دزفول ، ایران.
حمید براتی - دانشگاه آزاد اسلامی واحد دزفول ، گروه فنی و مهندسی ،دزفول ، ایران.

امروزه رایانش ابری مکانیزم در حال ظهور برای محاسبات سطح بالاست. ابرها بر حسب میزان هزینه و تقاضای کاربران اطلاعات را دریافت و ارسال میکنند. در این مقاله برای برقراری امنیت در شبکههای ابری و جلوگیری از حملهی انکار از سرویس (^K ( روشی را به کار می بریم که با استفاده از الگوریتم یادگیری ماشین و با استفاده از تکنیک عامل متحرک تشخیص نفوذ را بسیار سریع تر انجام خواهد داد. در این رویکرد به کمک عامل ها ی متحرک، اطلاعات مربوط به تشخیص نفوذ در کل شبکه پخش نشده بلکه در همسایگی عاملها منتشر خواهد شد. در این روش، توپولوژی شبکه را به صورت خوشه بندی و با انتخاب س ر خوشه ایجاد می کنیم که در واقع هدف ما از اینکار بهینه کردن دو پارامتر انرژ ی مصرفی و کاهش فاصله است. روش پیشنهادی پس از شبیه سازی با الگوریتم & s مقایسه شده است در این شبیه سازی پس از 2000 امین بار اجرا ،تمام گره ها ی روش پیشنهادی هنوز هم انرژی دارند در صورتیکه در روش & s انرژی هر گره به زیر 1/0 رسیده است. در بخش های دیگر ارزیابی و مقایسه مشاهده شد که روش & s در 5000 بسته ی ردو بدل شده می تواند تنها30 درصد از حمله را تشخیص دهد.در حالیکه در روش پیشنهادی 35 درصد از حملات تشخیص داده میشود. به همین دلیل است که روش پیشنهادی باعث بهبود پارامترهای فاصله و انرژی و نیز باعث افزایش طول عمر شبکه می شوند.

یادگیری ماشین،امنیت،حملات سایبری،عامل متحرک،بسته های دریافتی،تشخیص نفوذ،خوشه بندی