تشخیص ناهنجاری در بارهای کاری رایانش ابری بر اساس استفاده از منابع
چکیده:
با توجه به استفاده از سرویسهای رایانش ابری در طی سالهای اخیر برای انجام کارهایی نظیر ذخیره و پردازش داده توسط کاربران متعدد، مبحث امنیت در سرورهای رایانش ابری بسیار ضروری شده است. طبق قوانین استفاده از سرویسهای ابری، تمام موارد نظیر خرید، نگهداری، بروزرسانی منابع و همچنین پشتیبانگیری از دادهها و نهایتاً برقراری امنیت داده باید توسط ارائه دهنده خدمات رایانش ابری فراهم گردد. در این راستا، ارائهدهندگان سرویسهای ابری به دنبال روشهایی برای شناسایی و تشخیص زودهنگام حملات و سپس انجام مناسبترین اقدام در جهت حفظ منافع خود و کاربران استفادهکننده هستند. روشهای موجود برای تشخیص حملات، بستگی بسیار زیادی به نوع حملات دارد. یعنی حملات شناخته شده را میتوان با استفاده از روشهای مبتنی بر هوش مصنوعی تشخیص داده و از اجرای آنها جلوگیری کرد. اما با کوچکترین تغییر در ویژگی حملات، امکان شناسایی کمتر شده و این مسئله به عنوان چالشی همچنان مطرح است. مسئله دیگر موجود در روشهای پیشین، متکی بودن تمام روشها بر تعداد ویژگیهای استفاده شده در مرحله یادگیری است که در مرحله تست و استفاده نیز باید همان تعداد ویژگی وجود داشته باشد. این پایاننامه با مدلسازی حملات به عنوان یک ناهنجاری و تمام حالات عادی سیستم به عنوان هنجار، روش جدیدی به نام Pattern-AD را برای تشخیص حملات یا تشخیص ناهنجاری پیشنهاد میدهد. روش پیشنهادی مبتنی بر استخراج الگوهای پرتکرار با استفاده از الگوریتم دادهکاوی Apriori است و مهمترین ویژگی آن عدم اتکا به طول الگوهای استخراج شده میباشد. روش پیشنهادی با معتبرترین روشهای تشخیص ناهنجاری مقایسه شده و در تمام موارد، میزان دقت بالا و خطای کمتری را کسب کرده است.