مبارزه با حملات سایبری در شبکه های ابری با استفاده از یادگیری ماشین

امروزه رایانش ابری مکانیزم در حال ظهور برای محاسبات سطح بالاست. ابرها بر حسب میزان هزینه و تقاضای کاربران اطلاعات را دریافت و ارسال می کنند. در این مقاله برای برقراری امنیت در شبکه های ابری و جلوگیری از حمله ی انکار از سرویس(dos)  روشی را به کار می بریم  که با استفاده از الگوریتم یادگیری ماشین و با استفاده از تکنیک عامل متحرک تشخیص نفوذ را بسیار سریعتر انجام خواهد داد. در این رویکرد به کمک عامل های 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 سر خوشه ایجاد می کنیم که در واقع هدف مااز اینکار بهینه کردن دو پارامتر انرژ ی مصرفی و کاهش فاصله است. روش پیشنهادی پس از شبیه سازی با الگوریتم evdf مقایسه شده است در این شبیه سازی پس از 2000 امین بار اجرا، تمام گره های روش پیشنهادی هنوز هم انرژی دارند در صورتی که در روش evdf انرژی هر گره به زیر 0.1 رسیده است. در بخش های دیگر ارزیابی و مقایسه  مشاهده شد که روش  evdf در 5000 بسته ی ردو بدل شده می تواند تنها 30 درصد از حمله را تشخیص دهد. در حالیکه در روش پیشنهادی 35 درصد از حملات  تشخیص داده می شود. به همین دلیل است که روش پیشنهادی باعث بهبود پارامترهای فاصله و انرژی و نیز باعث افزایش طول عمر شبکه می شوند.