مدل ترکیبی تشخیص ناهنجاری با استفاده از خوشه بندی وزنی معکوس و یادگیری ماشین در بستر محیط های ابری

امروزه به دلیل حملات و نفوذهای بسیار پیشرفته، شناسایی حملات در اینترنت اشیاء در بستر محیط های ابری بسیار دشوار شده است. از مشکلات دیگر سیستم های ابری می توان به پایین بودن دقت در تشخیص خطا، نرخ مثبت کاذب و زمان محاسبات طولانی اشاره کرد. در روش پیشنهادی یک مدل تشخیص نفوذ ترکیبی شامل یک الگوریتم خوشه بندی و یک طبقه بندی جنگل تصادفی مبتنی بر ماشین، برای محیط های ترکیبی مه و ابر ارایه می دهیم. همچنین برای کنترل ترافیک شبکه در لایه فیزیکی و همچنین تشخیص ناهنجاری در بین دستگاه های اینترنت اشیاء محاسبات در مه و لبه های ابر انجام خواهد شد به این صورت که  پس از پیش پردازش، ترافیک ورودی به مه و ابر بررسی و در صورت نیاز به یک ماژول تشخیص ناهنجاری هدایت می شوند. برای شناسایی نوع هر حمله از یک طبقه بندی یادگیری مبتنی بر جنگل تصادفی استفاده شده است. از داده های عمومی و داده های ابری برای تحقیق استفاده شده است. دقت کلی سیستم تشخیص نفوذ پیشنهادی 03/98 و متوسط نرخ مثبت کاذب 17 % و نرخ تشخیص ناهنجاری 30/96 بوده است که نسبت به روش های گذشته قابل ملاحظه است.