چارچوب کشف/تشخیص تداخلات شبکه هیبریدی و تعاونی در رایانش ابری مبتنی بر شبکه عصبی بازگشتی اسنورت و بهینه شده

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

چارچوب کشف/تشخیص تداخلات شبکه هیبریدی و تعاونی در رایانش ابری مبتنی بر شبکه عصبی بازگشتی اسنورت و بهینه شده

عنوان لاتین

A Cooperative and Hybrid Network Intrusion Detection Framework in Cloud Computing Based on Snort and optimized Back

محاسبات ابری چارچوبی راحت و سهل الوصول برای پشتیبانی از کاربران نهایی , بوسیله خدماتی قدرتمند و برنامه ها و کاربردهایی از طریق اینترنت فراهم می سازد. برای فراهم اوردن خدمات امن و قابل اطمینان در رایانش ابری , محیط مسئله ای پراهمیت است. فراهم سازی امنیت ، بدلیل اسیب پذیری در برابر تداخلات شبکه ای که بروی محرمانگی ، موجودی در دسترس و یکپارچگی منابع ابری و خدمات ارایه شده تاثیر می گذارد ، نیازمند چیزی بیش از احراز هوییت کاربر با رمز عبورها یا گواهی های دیجیتالی و محرمانگی در انتقال داده می باشد. برای تشخیص حملات DOS و دیگر فعالیت های مخرب سطح شبکه در فضای ابری ، تنها استفاده از دیواره اتشین Firewall سنتی راه حلی کارامد محسوب نمی گردد. در این پژوهش ، ما اقدام به ارایه سیستم کشف تداخلات شبکه هیبریدی و مشارکتی CH-NIDS برای کشف حملات شبکه در محیط ابری ، بوسیله نظارت بر ترافیک شبکه در حین نگهداری از عملکرد و کیفیت خدمت ، پرداخته ایم. در چارچوب NIDS ، ما از Snort بعنوان تشخیص گر مبتنی بر امضا (نشانه) برای یافتن حملات شناخته شده استفاده می کنیم ، در حالیکه برای یافتن ناهنجاری شبکه ، از شبکه عصبی بازگشتی BPN استفاده می کنیم. با اجرای ابتدایی Snort پیش از تشریح کننده BPN ، BPN تنها مجبور به یافتن حملات ناشناخته می باشد. بنابراین ، زمان یافتن کاهش می باید. برای حل مشکل همگرایی کند BPN ، بهینه سازی پارامترهای آن با استفاده از الگوریتم بهینه سازی بمنظور اطمینان یافتن از نرخ تشخیص بالا ، دقت بالا ، مثبت غلط کم ، منفی غلط کم با هزینه های محساباتی مقرون به صرفه پیشنهاد شده است. بعلاوه اینکه ، در این چارچوب ، IDS بصورت مشارکتی در مقابله با حملات DOS و DDOS ، با استفاده از هشدارهای ذخیره شده در لاگ مرکزی ، عمل کرده اند. بدین روش ، حملات ناشناخته که توسط هر گونه IDS یافته شده به سادگی قابل کشف و تشخیص توسط دیگر IDS ها می باشند. این موضوع همچنین به کاهش هزینه محاسباتی برای یافتن تداخلات در دیگر IDS ها و بهبود نرخ کلی تشخیص در محیط ابری کمک می کند.

Cloud computing proffides a ffamework for supporting end users easily attaching powerfill serffices and applications through htternet. To give secure and reliable sendees in cloud computing enffironment is an important issue. Prodding security requires more than user authentication with passwords or digital certificates and confidentiality in data ttansmission, because it is vulnerable and prone to network inttusions that affect confidentiality, availability and integrity of Cloud resources and offered serffices. To detect DoS attack and other nehork level malicious actiffities in Cloud, use of only ttaditional firewall is not an efficient solution. In this paper, we propose a cooperative and hybrid network inttusion detection system (CH-MDS) to detect network attacks in the Cloud environment by monitoring ne.ork ttaffic, while maintaining performance and sendee quality, hr our Nros fi-amework, we use Snort as a signatirre based detection to detect known attacks, while for detecting nehork anomaly, we use Back-Propagation Neural network (BPN). By applying snort prior to the BPN classifier, BPN has to detect only untatown attacks. So, detection time is reduced. To solve the problem of slow convergence of BPN and being easy to fall into local optimum, we propose to optimize the parameters of it by using an optimization algorithm in order to ensure high detection rate, high accuracy, low false positives and low false negatives with affordable computational cost. In addition, in this fi-amework, the IDSs operate in cooperative way to oppose the DoS and DDoS attacks by sharing alerts stored in centtal log. In this way, unknown attacks that were detected by any ros can easily be detected by others IDSs. This also helps to reduce computational cost for detecting intrusions at others ros, and improve detection rate in overall the Cloud enffironment