پروژه امنیت محتوا در سیستمه های محاسبات ابری

پروژه امنیت در رایانش ابری که با متلب پیاده سازی شده در واقع امنیت در محاسبات ابری را با استفاده از تکنیکهای داده کاوی پیاده سازی میکند. این پروژه یک دیتاست آموزشی را دریافت کرده و عملیات داده کاوی را بروی دیتاست با استفاده از تکنیک طبقه بندی KNN انجام میدهد. سپس یک دیتاست test را دریافت کرده و داده های پرت محلی را کشف میکند.

یکی از چالش­های محاسبات ابری، بحث امنیت و حفظ حریم خصوصی در آن ها است. طرفداران حفظ حریم خصوصی‌ها مدل ابر را مورد انتقاد قرار می‌دهند، زیرا ارائه دهندگان سرویسهای ابر می‌توانند کنترل و نظارت کامل قانونی ویا غیر قانونی بر روی داده‌ها و ارتباطات بین کاربران سرویس و میزبان ابر داشته

azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com
09367292276
09367292276
[e-mail]
azsoftir.com

باشند. رویدادهایی همچون برنامه مخفی آژانس امنیت ملی ایالات متحده آمریکا به همراه شرکتهای AT&T و ورایزون که بیش از ده میلیون مکالمه تلفنی شهروندان امریکایی را ضبط نمودند، باعث بوجود آمدن بی‌اعتمادی میان طرفداران حفظ حریم خصوصی شده‌است. امنیت نسبی رایانش ابری موضوعی بحث انگیز است که ممکن است پذیرش رایانش ابری را به تأخیر بیندازد. گروهی بر این باورند که امنیت داده‌ها وقتی که در داخل سازمان اداره شوند بالاتر است، در حالی که گروهی دیگر عقیده دارند که ارائه دهندگان سرویس انگیزه‌ای قوی برای حفظ اعتماد دارند و از این رو سطح امنیت بالاتری را بکار می‌گیرند. در این تحقیق، نحوه کاربرد روش ضریب داده پرت محلی برای حفظ امنیت محاسبات ابری بررسی شده است.

در دهه های اخیر، توانایی های فنی بشر برای تولید و جمع آوری داده‌ها به سرعت افزایش یافته است. عواملی نظیر استفاده گسترده از توانایی های کامپیوتر در علوم مختلف، پیشرفت تجهیزات آزمایشگاهی، پیشرفت در وسایل جمع آوری داده ها، از اسکن کردن متون و تصاویر تا سیستم های سنجش از راه دور ماهواره ای، در این تغییرات نقش مهمی داشته اند. این رشد انفجاری در داده‌های ذخیره شده، باعث پیدایش تکنولوژی های جدید و ابزارهای خودکار شده است تا این حجم زیاد داده را به اطلاعات و دانش تبدیل کند. داده کاوی به عنوان یک راه حل برای این مسائل مطرح می باشد. داده کاوی با بهره گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند، اطلاق می‌شود. این ابزارها ممکن است مدل های آماری، الگوریتم‌های ریاضی و روش‌های یاد گیرنده  باشند. داده کاوی منحصر به گردآوری و مدیریت داده‌ها نبوده و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می‌شود. تا کنون تعاریف متعددی از داده کاوی ارائه شده است که در زیر به برخی از آنها اشاره شده است:

• داده‌کاوی پل ارتباطی میان علم آمار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فراگیری ماشین و بازنمایی بصری داده است.
• داده‌کاوی فرآیندی پیچیده جهت شناسایی الگوها و مدل‌های صحیح، جدید و به صورت بالقوه مفید، در حجم وسیعی از داده است، به طریقی که این الگوها و مدل‌ها برای انسان‌ها قابل دazsoftir.com
  09367292276
  09367292276
  [e-mail]
  azsoftir.com
  09367292276
  09367292276
  [e-mail]
  azsoftir.comرک باشند.

• داده‌کاوی به صورت یک محصول قابل خریداری نمی‌باشد، بلکه یک فرآیندی است که بایستی به صورت یک پروژه پیاده‌سازی شود.

داده کاوی دارای مراحلی است که در زیر به آنها به صورت مختصر اشاره شده است:

کشف دانش دارای مراحل تکراری زیر است:

1. پاکسازی داده ها  (از بین بردن نویز و ناسازگاری داده ها).
2. یکپارچه سازی داده ها  (چندین منبع داده ترکیب می شوند).
3. انتخاب داده ها  (داده های مرتبط با آنالیز از پایگاه داده بازیابی می شوند).
4. تبدیل کردن داده­ها  (تبدیل داده ها به فرمی که مناسب برای داده کاوی باشند مثل خلاصه سازی  و همسان سازی)
5. داده کاوی (فرایند اصلی که روال های هوشمند برای استخراج الگوها از داده ها به کار گرفته می شوند.)
6. ارزیابی الگو  (برای مشخص کردن الگوهای صحیح و مورد نظر بوسیله معیارهای اندازه گیری)

ارائه دانش  (یعنی نمایش بصری، تکنیکهای بازنمایی دانش برای ارائه دانش کشف شده به کاربر استفاده می شود)

در قسمت زیر حروجی ها نشان داده شده است:

ورودی های تابع عبارتند از:

• dataset: این متغیر یک ساختار (structure) است که خود شامل دو متغیر trainx (داده های آموزشی) و testx (داده های آزمون) است.
• params: یک ساختار برای داده های آموزشی است که خود شامل متغیرهای زیر است:
• params.minptslb: کران پایین برای minpts (تعداد همسایه ها)
• params.minptsub: کران بالا برای minpts (تعداد همسایه ها)
• params.ptsStep: گام افزایشی برای مقدار پارامتر k (تعداد همسایه ها). مقدار پیش فرض 1 است.
• params.theta: مقدار پارامتر آستانه برای ضریب LOF. کلاس 2 (داده پرت) و کلاس 1 (داده نرمال) است.

خروجی های تابع عبارتند از:

• خروجی  resultsخود یک ساختار است که شامل متغیرهای زیر است:
• results.yprob: ضریب LOF محاسبه شده برای هر داده
• results.y: کلاس داده تخمین زده شده برای هر نمونه. . کلاس 2 (داده پرت) و کلاس 1 (داده نرمال) است.
• results.lof: یک ماتریس که شامل ضرایب LOF محاسبه شده برای هر مقدار پارامتر k (تعداد همسایه ها) است. هر ستون مشخص کننده ضرایب LOF برای یک مقدار k است.

امکانات اصلی پروژه :

1. این پروژه دارای یک داکیومنت 109 صفحه ای می باشد
2. تولید نمودار های مربوطه
3. کلیه کدها دارای کامنت هستند
4. azsoftir.com
   09367292276
   09367292276
   [e-mail]
   azsoftir.com
   09367292276
   09367292276
   [e-mail]