دانلود ترجمه مقاله سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی

1200px-Elsevier.svg
سال انتشار :
2018
تعداد صفحات مقاله انگلیسی :
7
نشریه :
الزویر
تعداد رفرنس ها :
نوع مقاله :
مقاله ISI
کلمات کلیدی :
Tags: , Intrusion Detection Systems Cloud Computing Machine Leaning Hadoop MapReduce
عنوان فارسی :

سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی

عنوان انگلیسی :

Distributed Intrusion Detection System for Cloud Environments based on Data Mining techniques

وضعیت ترجمه :
انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید
لینک مقاله :
https://www.sciencedirect.com/science/article/pii/S1877050918301066

سال انتشار : 2018

تعداد صفحات مقاله انگلیسی : 7

نشریه : الزویر

تعداد رفرنس ها :

نوع مقاله : مقاله ISI

ترجمه : انجام شده و با خرید بسته می توانید فایل ترجمه را دانلود کنید

کلمات کلیدی : Intrusion Detection Systems Cloud Computing Machine Leaning Hadoop MapReduce

عنوان فارسی : سیستم تشخیص نفوذ توزیع شده برای محیط های ابری بر اساس تکنیک های داده کاوی

عنوان انگلیسی : Distributed Intrusion Detection System for Cloud Environments based on Data Mining techniques

لینک مقاله : https://www.sciencedirect.com/science/article/pii/S1877050918301066


180,000 تومان



چکیده انگلیسی
Nearly two decades after its emergence, the Cloud Computing remains gaining traction among organizations and individual users. Many security issues arise with the transition to this computing paradigm including intrusions detection. Intrusion and attack tools have become more sophisticated defeating traditional Intrusion Detection Systems (IDS) by large amount of network traffic data and dynamic behaviors. The existing Cloud IDSs suffer form low detection accuracy, high false positive rate and high running time. In this paper we present a distributed Machine Learning based intrusion detection system for Cloud environments. The proposed system is designed to be inserted in the Cloud side by side with the edge network components of the Cloud provider. This allows to intercept incoming network traffic to the edge network routers of the physical layer. A time-based sliding window algorithm is used to preprocess the captured network traffic on each Cloud router and pass it to an anomaly detection module using Naive Bayes classifier. A set of commodity server nodes based on Hadoop and MapReduce are available for each anomaly detection module to use when the network congestion increases. For each time window, the anomaly network traffic data on each router side are synchronized to a central storage server. Next, an ensemble learning classifiers based on the Random Forest is used to perform a final multi-class classification step in order to detect the type of each attack. Various experiment are performed in the Google Cloud Platform in order to assess the proposed system using the CIDDS-001 public dataset. The obtained results are satisfactory when compared to a standard Random Forest classifier. The system achieved an average accuracy of 97%, an average false positive rate of 0.21% and an average running time of 6.23s.

چکیده فارسی
تقریبا دو دهه بعد از ظهور انها؛ محاسبات ابری همچنان در میان سازمان ها و کاربران فردی در حال افزایش است. بسیاری از مسائل امنیتی همراه انتقال برای این الگوی محاسباتی شامل تشخیص نفوذ به وجود می اید. ابزارهای حمله و نفوذ با شکستن سیستم های تشخیص نفوذ سنتی (IDS) با مقدار زیادی از اطلاعات ترافیک شبکه و رفتارهای پویا پیچیده تر شده است. IDSs ابری موجود از کمبود دقت تشخیص؛ نرخ مثبت کاذب بالا و زمان اجرای بالا رنج می برد. در این مقاله ما یک یادگیری توزیع ماشینی بر مبنی سیستم تشخیص نفوذ برای محیط های ابری را ارائه می دهیم. سیستم پیشنهاد شده برای مندرجات در سمت ابری به وسیله اندازه همراه اجزای شبکه لبه از ابرهای ارائه شده است. اینها به ترافیک رهگیری شبکه های ورودی به لبه شبکه routers از از لایه فیزیکی اجازه می دهد. یک الگوریتم پنجره کشویی (sliding window) مبتنی بر زمان برای پیش پردازش شبکه گرفتار ترافیک در هر router ابری استفاده می شود و سپس در نمونه تشخیص ناهنجاری دسته بندی Naive Bayes استفاده می شود. یک مجموعه از گره های سرور کالا بر مبنی یک Hadoop و MapReduce برای هر نمونه تشخیص ناهنجاری از زمانی که تراکم شبکه افزایش می یابد؛ در دسترس است. برای هر پنجره زمانی؛ داده ترافیک ناهنجاری شبکه در هر طرف router برای یک سرور ذخیره سازی مرکزی هماهنگ شده است. بعد؛ یک طبقه بندی یادگیری گروهی بر مبنی یک Forest تصادفی برای اجرای یک مرحله دسته بندی چند کلاسه نهایی به منظور تشخیص انواعی از هر حمله استفاده می شود.


محتوی بسته : - فایل ورد (WORD) ترجمه فارسی مقاله به صورت قابل ویرایش و پرینت. - فاقد هرگونه تبلیغات و موارد اضافی.

180,000 تومان