Method Article

استخدام خوارزميات التعلم الآلي التكيفية للتحذير من مخاطر المعلومات والوعي بسيناريوهات أمن الشبكات في بيئات الحوسبة السحابية

DOI:

10.3791/69633

⸱

June 2nd, 2026

 , 
1Department of Information, Shanghai Proton and Heavy Ion Center, Shanghai Key Laboratory of Radiation Oncology, Shanghai Engineering Research Center of Proton and Heavy Ion Radiation Therapy

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح الورقة حلا جديدا قائما على تعلم الآلة (ML) لأمن الشبكات التكيفية في نظام سحابي يدمج التصنيف الهرمي متعدد العلامات ونظام تقييم الثقة الديناميكي لتعزيز دقة اكتشاف التهديدات وتقليل عدد الإيجابيات الكاذبة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقترح هذه الدراسة إطارا جديدا للوعي الوضعي بأمن الشبكات والتحذير من المخاطر في بيئات الحوسبة السحابية، مع دمج التعلم الآلي التكيفي (ML)، والتصنيف الهرمي متعدد العلامات (HMC)، وآلية تقييم الثقة الديناميكية المبنية على نموذج السحابة. تشكل تعقيد وتنوعها وطبيعة الهجمات الإلكترونية الناشئة في الوقت الحقيقي - مثل استغلالات اليوم الصفري، وحجب الخدمة الموزعة (DDoS)، والشبكات البوتية الآلية - تحديات كبيرة لطرق الكشف التقليدية القائمة على القواعد والاستقرار. لمعالجة هذه التحديات، طورنا بنية سحابية فعالة تعتمد على SDN باستخدام وحدة تحكم Ryu OpenFlow ومفاتيح OpenFlow. تمكن هذه البنية من جمع معلومات الروابط في الوقت الحقيقي، والجدولة الديناميكية، ونقل البيانات القابل للتوسع والموثوق. يمكن لإطار التصنيف الهرمي المقترح أن يقسم المشكلات متعددة الفئات إلى مهام ثنائية، مما يخفف من تأثير عدم توازن العينات ويعزز التعرف على الهجمات منخفضة التردد، بما في ذلك الهجوم المستخدم إلى الجذر (U2R). تقنيات التعلم الجماعي، بما في ذلك AdaBoost وBagging، تعزز دقة الكشف لأنواع الهجمات الدقيقة الدقيقة. تظهر التجارب التي أجريت على مجموعات بيانات DDoS، وبيانات حركة السحابة، والمحاكاة في Mininet وEstiNet أن النهج المشترك بين ML-HMC-الثقة يحسن بشكل كبير دقة الكشف، ويقلل من الإيجابيات الكاذبة، ويتيح الاستجابة في الوقت الحقيقي. تؤكد هذه النتائج أن دمج التعلم التكيفي، والتصنيف الهرمي، والتقييم الديناميكي للثقة يوفر حلا قويا وقابلا للتوسع لتأمين منصات سحابية واسعة النطاق.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

مع انتشار تطبيقات تكنولوجيا الحوسبة السحابية في مختلف الصناعات، يزداد حجم وكمية البيانات في أنظمة المعلومات بسرعة، وتصبح تهديدات الشبكة أكثر تعقيدا واختفاء وديناميكية 1,2. آليات الدفاع الأمني التقليدية المبنية على القواعد والنماذج الثابتة لم تعد قادرة على تلبية متطلبات الكشف في الوقت الحقيقي مع إنذار مبكر دقيق عند مواجهة استراتيجيات هجوم متغيرة، وثغرات يوم الصفر، وهجمات موزعة واسعة النطاق3. لذلك، فإن الاستفادة من خوارزميات التعلم الآلي التكيفية لدمج معالجة البيانات الموزعة وقدرات التحليل الذكي بالكامل داخل منصات الحوسبة السحابية لتحقيق تصور شامل لوضع أمن الشبكات والإنذار المبكر الفعال لمخاطر المعلومات يمثل تحديا حاسما في المشهد الحالي لأمن المعلومات4. هذا البحث لا يحمل فقط أهمية نظرية مهمة لتحسين نظام الحماية الأمنية الحالي، بل يقدم أيضا دعما قويا لضمان أمن البنية التحتية الوطنية للمعلومات الرئيسيةوالبيانات الأساسية للمؤسسات.

هناك تحديات متعددة في تحقيق الوعي بوضع أمن الشبكات والتحذير من مخاطر المعلومات في بيئة الحوسبة السحابية: أنواع البيانات المجمعة في منصة السحابة كثيرة والمصادر معقدة، مما يجعل مهام معالجة البيانات المسبقة واستخراج الميزات والدمج أكثر صعوبة؛ في ظل تزايد حركة المرور على الشبكة وسيناريوهات الهجوم المتغيرة بسرعة، يطلب من النظام الاستجابة في وقت قصير جدا، وأصبحت عمليات الكشف والتحذير في الوقت الحقيقي عنق زجاجة تقنية؛ كمية الحركة العادية تختلف كثيرا عن حركة الهجوم، والخوارزميات التقليدية تتميز بدقة منخفضة عند معالجة فئات عينات صغيرة (مثل U2R، هجمات الشبكة، إلخ)، وهناك خطر كبير لسوء التقدير؛ في بيئة الشبكة المعقدة، تتأثر علاقات الثقة بعوامل متعددة وتكون عشوائية وغير مؤكدة 6,7. طرق تقييم الثقة التقليدية المبنية على عتبات ثابتة يصعب عكاس الحالة الحقيقية ويتأثر بها بسهولة البيانات غير الطبيعية. لمعالجة هذه القيود متعددة الأبعاد، يقدم هذا البحث إطارا متكاملا يجمع بين التعلم الآلي التكيفي، والتصنيف الهرمي متعدد التسميات، وآلية تقييم الثقة الديناميكية القائمة على نموذج السحابة. يتجاوز هذا الدمج بين التقنيات المطبقة في بيئة سحابية مدفوعة بشبكة SDN التحسين التدريجي من خلال تمكين التعرف الدقيق على الهجمات منخفضة التردد، والتكيف في الثقة في الوقت الحقيقي، والوعي الوضعي القابل للتوسع، وهو ما لم تحققه الطرق الحالية في الوقت نفسه.

تولد بيئات الحوسبة السحابية حركة مرور شبكية ضخمة وديناميكية ومتجانسة، مما يجعل أنظمة كشف التسلل التقليدية (IDS) غير قادرة على تحديد أنواع الهجمات المتطورة والأقلية بدقة مثل U2R وR2L. تحسن حلول IDS القائمة على التعلم العميق (DL) دقة الكشف لكنها لا تزال تعاني من عبء حسابي مرتفع، واستجابة بطيئة في الوقت الحقيقي، وسوء التعامل مع علاقات الثقة غير المؤكدة أو المتطورة بين كيانات الشبكة. علاوة على ذلك، تعمل معظم النماذج الحالية كمصنفات مسطحة وتفتقر إلى آليات لاتخاذ قرارات دقيقة وهرمية أو تقييم ديناميكي للثقة. تخلق هذه القيود فجوة حرجة في تطوير نظام IDS يمكنه في الوقت نفسه تقديم اكتشاف في الوقت الحقيقي، وتعرف دقيق على فئة الأقليات، وتقييم مخاطر موثوق وواع للثقة في بيئات سحابية واسعة النطاق.

في الأبحاث الحالية حول الوعي بوضع أمن الشبكة وتحذير مخاطر المعلومات، تستخدم العديد من الدراسات طرقا مثل K-أقرب جار (KNN) وآلة الدعم المتجه (SVM) لتصنيف واكتشاف حركة مرور الشبكة. تتمتع هذه الخوارزميات بمزايا الكفاءة الحاسوبية العالية وسهولة التنفيذ، خاصة عند إجراء فحص أولي لكميات كبيرة من البيانات 8,9. ومع ذلك، تنعكس عيوبها الرئيسية في عدة جوانب: عند مواجهة معظم حركة المرور العادية وعدد قليل من عينات الهجوم في بيئة سحابية، غالبا ما تتجاهل هذه الطرق التقليدية معلومات من بعض الفئات، مما يؤدي إلى معدلات تعرف منخفضة على الهجمات الدقيقة (مثل U2R، هجمات الثغرات الشبكية، وغيرها)؛ عادة ما تكون النماذج الفردية حساسة للضوضاء والقيم الشاذة للبيانات، وتفتقر إلى القدرة على التكيف مع سيناريوهات الهجوم المتغيرة ديناميكيا، وعرضة للإفراط في التوافق أو عدم التعميم10,11.

في السنوات الأخيرة، تم تطبيق طرق التعلم العصبي مثل بيرسيبترون متعدد الطبقات (MLP)، CNN، الشبكة العصبية المتكررة (RNN)، شبكة الذاكرة طويلة المدى قصيرة المدى (LSTM)، ووحدة التكرار المبوبة (GRU) بشكل متزايد في مجال أمن الشبكات. بفضل قدرات التعلم القوي على الميزات ورسم الخرائط غير الخطية في الشبكات العصبية العميقة، حسنت هذه الطرق بشكل كبير دقة الكشف وعززت القدرة على التقاط سلوكيات الهجوم المعقدة مقارنة بالتعلم الآلي12 التقليدي. ومع ذلك، لديهم متطلبات عالية لموارد الحوسبة وبيانات التدريب. خاصة في سياق حركة البيانات الضخمة في بيئات الحوسبة السحابية، لا يزال هناك مجال لتحسين التكاليف التشغيلية للتدريب وسرعة الاستدلال في الوقت الحقيقي. عند تحديد الفئات ذات العينات القليلة، بسبب اختلال في البيانات، تكون نماذج DL ذات معدلات كشف منخفضة لبعض الهجمات الدقيقة (مثل U2R، شبكات البوت) بسبب انحياز الفئة13. لتعويض محدودية نموذج واحد في التعامل مع اختلال توازن البيانات وتحديد الهجمات متعددة الفئات، اقترحت بعض الدراسات حلولا قائمة على التعلم الجماعي، مثل التعبئة والتعزيز، التي توسع دقة التنبؤ العامة من خلال دمج قرارات عدة مصنفين14. في الوقت نفسه، تقوم بنية التصنيف المتعدد الفئات الهرمي (HMC) بتفكيك مشكلة التصنيف متعدد الفئات إلى عدة مشاكل فرعية للتصنيف الثنائي، مما يحقق اعترافا أكثر دقة للفئات التي تحتوي على عينات أقل. ومع ذلك، غالبا ما تواجه النماذج المتكاملة مشاكل مثل الاستخدام العالي لموارد الحوسبة وزيادة زمن الاستجابة أثناء النشر، خاصة في أنظمة المراقبة الفورية للحوسبة السحابية، حيث تزيد المتطلبات اللحظية الضغط على موارد النظام15.

استجابة لمشكلة تقييم علاقات الثقة الديناميكي في الشبكة، قدمت بعض الدراسات نظرية نموذج السحابة، التي تبني سحابة انتماء الثقة من خلال وصف ضبابية وعشوائية سمات الثقة لكل كيان، ثم تستخدم قطرات السحاب، الإنتروبيا، الإنتروبيا الفائقة، ومؤشرات أخرى للتقييم الكمي16. عند مواجهة بيانات الثقة الشبكية المحدثة في الوقت الحقيقي، قد يجد معدل التحديث والكفاءة الحسابية لطرق نماذج السحابة الحالية صعوبة في تلبية متطلبات التحذير الديناميكي عالي التردد؛ النموذج حساس للغاية لبيانات التقييم، وقد تؤثر البيانات غير الطبيعية أو معلومات الضوضاء بشكل كبير على تقييم الثقة الشامل، مما يؤثر على قرارات التحذير من المخاطر اللاحقة.

نظرا للعديد من أوجه القصور في الأبحاث الحالية في دقة الكشف، والأداء اللحظي، ومعالجة توازن البيانات، وتقييم الثقة، تقترح هذه الورقة نظام دفاع جديد يستخدم بشكل شامل خوارزميات التعلم الآلي التكيفي، واستراتيجيات التصنيف متعددة الفئات الهرمية، وتقييم الثقة في نماذج السحابة للتوعية بوضع أمن الشبكات وتحذير مخاطر المعلومات في بيئات الحوسبة السحابية.

تتناول الأبحاث الأمن السيبراني في الوقت الحقيقي لشبكات السفن الذكية من خلال الاستفادة من تقنية الحوسبة السحابية18. يقترح هذا النموذج إطار عمل عقد متعددة المستشعرات لفحص البيانات بحثا عن الهجمات الخبيثة ويستخدم عقد استراتيجية حماية ذاتية التنفيذ لاعتراض التهديدات. تظهر النتائج معدل كشف ودفاع عن تسرب الفيروسات يتراوح بين 85-95٪، ومعدل إيجابيات كاذبة يبلغ 2.56٪، متفوقا بشكل ملحوظ على غيرها من الخوارزميات. ومع ذلك، يتطلب هذا النهج موارد حسابية عالية وقيود على البنية التحتية السحابية في النشر العملي. يوفر أصلان وآخرون نظام ذكي قائم على السلوك لكشف البرمجيات الخبيثة في بيئة الحوسبة السحابية. أنتجت مجموعة بيانات للبرمجيات الخبيثة عبر الأجهزة الافتراضية واستخدمت ميزات مختارة مع عوامل كشف قائمة على التعلم والقواعد لتصنيف البرمجيات الخبيثة والعينات غير الضارة. أظهر التقييم على 10,000 عينة من البرنامج أداء عاليا مع تحسين معدل الكشف ومعدل FPR. ومع ذلك، واجهت الطريقة مشاكل في التوسع مع تغير مستمر لأنواع البرمجيات الخبيثة ونشر السحابة على نطاق واسع وفي الوقت الفعلي.

على الرغم من المساهمات الكبيرة التي قدمتها هذه الدراسات، تكشف مقارنة أكثر تفصيلا أن غالبية الحلول الحالية تفشل في تلبية افتراضات ومتطلبات الوعي بالموقف في الوقت الحقيقي أو نموذج الثقة الديناميكي في البيئات السحابية. تفترض تقنيات التعلم الآلي التقليدية حدود ميزات ثابتة في الفضاء وتفشل في عدم توازن الفئة وديناميكيات حركة المرور الديناميكية العالية 8,9,10. ترتبط نماذج DL بقدرات ممتازة على استخراج الميزات لكنها تستهلك قوة حسابية عالية، مما يجعل عملية الاستدلال بطيئة وغير عملية في المراقبة الفورية12,13. الأساليب المعتمدة على المجموعات وHMC أكثر دقة، لكنها تحتاج إلى زمن استجابة وموارد أكبر، ولا تنشر حاليا في السحب واسعة النطاق 14,15. في الوقت نفسه، تلتقط تقنيات تقييم الثقة في نماذج السحابة عدم اليقين جيدا لكنها تظل شديدة الحساسية تجاه البيانات المشوشة ولا يمكنها تحديث قيم الثقة بكفاءة تحت تدفقات الهجوم عالية التردد 16,17,18,19. حتى أطر IDS السحابية الحديثة تفتقر إلى دعم قوي ومتكامل لكل من الكشف في الوقت الحقيقي واتخاذ القرار الواعي بالثقة20,21. تسلط هذه القيود الضوء مجتمعة على ضرورة وجود إطار عمل فعال وموحد ومدعوم بالثقة. تتغلب هذه الأبحاث على هذه القيود من خلال دمج تقييم الثقة الديناميكي القائم على التعلم الآلي التكيفي، ونظام HMC، والنموذج السحابي ضمن بنية سحابية مدعومة بشبكة SDN، مما يتيح الكشف في الوقت الحقيقي، وتحسين الدقة حسب فئة الأقليات، وتقييم المخاطر الواعية لعدم اليقين.

تنعكس ابتكارات هذه الورقة بشكل رئيسي في الجوانب التالية: تم بناء بنية شبكة موزعة فعالة تعتمد على وحدة تحكم Ryu OpenFlow ومفتاح OpenFlow لتمكين جمع المعلومات في الوقت الحقيقي والجدولة الديناميكية لمعلومات الرابط، مما يحسن بشكل كبير كفاءة نقل البيانات ومعالجتها.

نظرا للصعوبات الناتجة عن اختلال توازن البيانات وتحديد الهجمات بعينة قليلة، تم تصميم إطار عمل HMC من الأعلى إلى الأسفل، وتم إدخال طرق تعلم متكاملة مثل AdaBoost وBagging لتحسين دقة الكشف لفئات الهجمات الدقيقة بشكل كبير.

تستخدم نظرية نموذج السحابة لبناء سحابة انتماء ثقة. من خلال المولد العكسي وحساب التشابه، يتم تحقيق التقييم الديناميكي لحالة الثقة لكل كيان في الشبكة، مما يوفر أساسا كميا للتحذير من المخاطر ويكبح فعليا المضاربة الائتمانية الناتجة عن المعاملات غير الطبيعية بأسعار منخفضة أو مرتفعة.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ملاحظة: يصف هذا البروتوكول كيفية بناء نظام وعي أمني الشبكة السحابي وتنفيذ التصنيف الهرمي مع تقييم الثقة الديناميكي. اتبع الخطوات التالية لتصميم طوبولوجيا شبكة السحابة، وجمع وتعليق تدفقات البيانات، ونشر وحدات التصنيف متعدد الفئات الهرمية وتقييم الثقة. يوضح الشكل 1 إطار العمل المقترح لسحابة SDN الذي يدمج تعلم الآلة، والتصنيف الهرمي، وتقييم الثقة لاكتشاف الهجمات في الوقت الحقيقي.

1. تصميم طوبولوجيا شبكة السحابة

ملاحظة: تأكد من الوصول الإداري إلى OpenStack وRyu وMininet قبل المتابعة.

  1. نشر النظام على منصة سحابية مبنية من OpenStack. استخدم تقنية الافتراضية لإنشاء عدة مضيفين افتراضيين وتكوين بيئة شبكة معرفة برمجية (SDN) لإدارة الموارد الموحدة والجدولة المعزولة.
  2. نشر وتكوين Ryu وOpen vSwitch (OVS) للعمل مع التحكم في SDN وإدارة حركة المرور.
  3. قم بإنشاء طوبولوجيا ثلاثية الطبقات حيث تكون وحدة تحكم Ryu هي النواة ومحولات OVS هي عقد التوجيه، وتتكون من طبقة تحكم، وطبقة إعادة توجيه الشبكة، وطبقة خدمة البيانات.
    1. تكوين طبقة التحكم: تنفيذ وحدة تحكم SDN مركزية باستخدام Ryu. تمكين مراقبة حالة الشبكة في الوقت الحقيقي باستخدام واجهة برمجة تطبيقات REST في Ryu وربطها بوحدة كشف الأمان للاستجابة بسرعة لحركة المرور غير الطبيعية.
    2. تكوين طبقة إعادة توجيه الشبكة: قم بإعداد عدد من عقد التبديل الافتراضية في OVS مع مضيفين افتراضيين وبوابات خارجية. قم بتعيين سياسات جدول التدفق على OVS لتمكين تغييرات المسار الديناميكي، وفصل حركة المرور، وإعادة توجيه التدفق عند اكتشاف حركة الهجوم.
    3. تكوين طبقة خدمة البيانات: قم بتكوين عدة مضيفين افتراضيين على منصة OpenStack. أنشئ آلات افتراضية تعمل كخوادم ويب وقواعد بيانات وملفات لتوليد حركة بيانات واقعية ودعم تدفقات الهجمات المحقونة.
  4. أضف عدة قيم قفزات ومسارات مختلفة. محاكاة عرض النطاق الترددي للشبكة وظروف الكمون غير المتجانسة باستخدام أمر Mininet.
  5. قم بتثبيت Mininet لنشر ومحاكاة الطوبولوجيا. عزل المستأجرين، وتقسيم الشبكات الفرعية، وقوائم التحكم في الوصول (ACLs) باستخدام واجهة تحكم Mininet.
  6. تحقق من الإعداد لضمان أن الطوبولوجيا تسهل التقاط حركة المرور في الوقت الحقيقي ولديها تكامل مباشر مع وحدة الكشف.
  7. سجل بنية النظام المكتمل (الشكل 2) والطوبولوجيا (الشكل 3) مع جميع الترابطات بين الطبقات وتدفق المعلومات.

2. استراتيجية جمع تدفق البيانات والتعليق

تحذير: تأكد من الامتثال للوائح خصوصية البيانات (مثل GDPR، سياسات الأمن السيبراني المحلية). تم إخفاء هوية معرفات المستخدمين وعناوين IP مسبقا.

  1. قم بتثبيت وكلاء جمع بيانات صغيرة على كل مضيف افتراضي وعقدة شبكة. قم بإعداد كل وكيل لفحص حركة مرور الشبكة، وسجلات النظام، ومعلومات سلوك المستخدم باستمرار.
  2. تثبيت Kafka (الإصدار 3.5) كقائمة انتظار بيانات وبث Apache Spark (الإصدار 3.4) لمعالجة بيانات التدفق في الوقت الحقيقي. قم بضبط معدل نقل Kafka ليكون 10,000 حدث/ثانية أو أكثر، وفاصل الدفعات الصغيرة Spark ليكون 500 مللي ثانية أو أقل.
  3. معالجة البيانات المجمعة بشكل متسلسل كما يلي:
    1. نظف البيانات لإزالة السجلات المكررة، والسجلات غير المكتملة، والضوضاء. قم بتصفية الحزم غير الصالحة عن طريق التحقق من رؤوس البروتوكولات.
    2. تطبيع السمات العددية إلى نطاق معياري [0,1] باستخدام التطبيع الأدنى والأقصى لتحديد مقياس الميزات بشكل متسق.
    3. استخراج الخصائص المهمة، بما في ذلك عناوين IP المصدر/الوجهة، المنافذ، نوع البروتوكول، عدد الحزم، عدد البايتات، تأخير التوجيه، ومقاييس تغير حركة المرور.
  4. تغذية مجموعة البيانات المعالجة في وحدة الكشف المدعومة بالذكاء الاصطناعي للتدريب والتحقق.
  5. إنشاء نظام تعليق مزدوج لتصنيف البيانات بدقة:
    1. أنشئ مكتبة قوالب هجوم. حدد أنماط الهجوم الشائعة (مثل مسح المنافذ، فيضان SYN، DoS، U2R) مع مطابقة الأنماط القائمة على القواعد.
    2. تحقق يدويا من العينات الغامضة للحفاظ على اتساق المسميات.
  6. استخدم مجموعات بيانات مرجعية معروفة مثل CIC-IDS2017 وNSL-KDD للتحقق المتبادل. محاذاة التسميات للحفاظ على ≥90٪ من الاتساق بين التعليقات.
  7. أداء هندسة الميزات لبناء متجهات إدخال منظمة. ترميز التسلسلات الهرمية للهجوم بناء على تعريفات الفئات متعددة المستويات.
  8. قسم مجموعات البيانات إلى 80٪ تدريب و20٪ اختبار.

3. التصنيف الهرمي وتقييم الثقة المعمارية المتكاملة

  1. بناء بنية إدراك ذكية تدمج التصنيف الهرمي متعدد الفئات (HMC) وآلية تقييم الثقة الديناميكية (الشكل 4).
  2. تنفيذ وحدة HMC باتباع استراتيجية "من الخشن إلى الدقيق":
    1. استخدم ميزات الاتصال الخفيفة (مثل التردد، توزيع المنافذ، نوع البروتوكول) لتصنيف الحركة إلى فئات "عادية" و"غير طبيعية".
    2. بالنسبة لحركة المرور "غير الطبيعية"، قم بتصنيف المستوى الثاني إلى فئات هجوم مثل DDoS وU2R وR2L وProbe باستخدام ميزات إحصائية متوسطة المستوى مثل فترة الحزم وحجم الحمولة.
    3. حدد الأنواع الفرعية الدقيقة (مثل TCP SYN Flood، حقن SQL، هجوم القوة الغاشمة) من خلال تحليل توقيعات الهجوم وسمات الهدف.
  3. تحسين وحدة التصنيف.
    1. تطبيق طرق تعلم AdaBoost ومجموعات Bagging، مع بناء 5-8 مصنفات ضعيفة في كل مستوى هرمي (مثل شجرة القرار، الانحدار اللوجستي).
    2. اجمع مخرجات المصنفين باستخدام تصويت الأغلبية المرجحة بناء على درجات الدقة.
  4. تنفيذ وحدة تقييم الثقة الديناميكية باستخدام نظرية نموذج السحابة:
    1. حافظ على مراقبة مستمرة لمؤشرات سلوك المضيف، مثل الاستقرار السابق، وتكرار الاتصال، والتفاوت في أهداف الوصول.
    2. تضمين مصداقية مخرجات النموذج في حساب الثقة. تقدير درجة الثقة الفعلية (0 إلى 1) بمساعدة معلمات التوقع (Ex)، الإنتروبيا (En)، وفائق الإنتروبيا (He).
  5. قم بتكوين آلية تغذية راجعة الربط بين HMC ووحدات الثقة.
    1. جدولة الأنظمة تلقائيا بناء على قيم الثقة: عزل المضيفين الذين لديهم ثقة ≤ 0.3 وتقليل صلاحيات المضيفين الذين لديهم ثقة من 0.3-0.6.
    2. أعد تدريب المصنف ببيانات المضيف مع الثقة ≥ 0.8 لزيادة الكشف والمرونة ضد الهجمات المجهولة.
  6. اختبر قدرة الاستجابة الصفرية. قم بحقن حركة مرور خبيثة غير معنونة وتأكد من أن التنبيه والعزل يتم تفعيله خلال 10 دقائق.

4. حساب وتنفيذ نموذج سحابة الثقة (الشكل 5)

  1. توليد سحابة الثقة القياسي:
    1. قسم قيم الثقة إلى n مستويات مميزة (مثل "منخفض"، "متوسط"، "عالي"، "منخفض جدا"، و"مرتفع جدا").
    2. احسب التوقع (Exk) للمستوى k بناء على متوسط تقييمات الصندوق للكيانات في ذلك المستوى باستخدام المعادلة 1:
      figure-protocol-1
      حيث تمثل Tik قيم الثقة الفردية للكيانات المصنفة تحت مستوى الثقة Lk.
    3. احسب الإنتروبيا (Enk) لقياس ضبابية قيم الثقة ضمن المستوى Lk باستخدام المعادلة 2:
      figure-protocol-2
      حيث α هو ثابت يتحكم في مستوى الضبابية.
    4. احسب الإنتروبيا الفائقة (Hek) باستخدام المعادلة 3 لقياس عدم استقرار الإنتروبيا مع مرور الوقت:
      figure-protocol-3
      حيث β معامل يضبط مستوى عدم اليقين.
    5. أخرج مجموعة سحب الثقة القياسية C1,C 2,...,Cn التي تتوافق مع n مستويات الثقة.
  2. توليد سحابة سمات الثقة عكسي:
    1. تطبيع الثقة في المدخلات تنسب Ai إلى النطاق [0,1] باستخدام المعادلة 4:
      figure-protocol-4
      تطبيق التحليل الإحصائي لتقدير معلمات نموذج السحابة المقابلة (مثلا، En، He) لكل سمة مطبعة Ai'.
      قم بتوليد سحابة السمة Ci لكل خاصة.
  3. تقييم شامل للثقة:
    1. حساب الخصائص الرقمية لسحابة الثقة المركبة (Excom,En com,He com) باستخدام التوليف المرجح (المعادلات 5-7):
      figure-protocol-5
      figure-protocol-6
      figure-protocol-7
      حيث figure-protocol-8
    2. احسب التشابه بين سحابة الثقة الحالية Ci وسحابة Ck القياسية باستخدام المعادلة 8:
      figure-protocol-9
      حدد مستوى الثقة النهائي L* بإيجاد أقصى تشابه باستخدام المعادلة 9:
      figure-protocol-10
  4. تحديث الثقة الديناميكي
    1. تحديث قيمة الثقة لتعكس التطور عبر الزمن باستخدام نموذج تحلل الزمن في المعادلة 10:
      figure-protocol-11
      حيث λ∈[0,1] يتحكم في وزن الثقة الحديثة مقابل التاريخية.
    2. طبق آلية عقوبة الثقة إذا حدثت انحرافات محددة. احسب الانحراف (ΔA) وعامل العقوبة (Pعقوبة) باستخدام المعادلتين 11 و12:
      figure-protocol-12
      figure-protocol-13
    3. احسب قيمة الثقة المحدثة باستخدام المعادلة 13:
      figure-protocol-14

5. التحقق التجريبي لأداء اكتشاف الهجمات

  1. قم بتكوين بيئة التجربة وتحضير مجموعة البيانات.
    1. استخدم محطة عمل ويندوز 11 مزودة بأدوات Visual C++ لتجميع الخوارزميات واختبارها.
    2. احصل على مجموعة بيانات KDDCUP_10٪ من مصادر موثقة ومعالجتها مسبقا وفقا لإرشادات حماية البيانات المؤسسية.
    3. تعيين معلمات الخوارزمية: الفترة الزمنية T = 10 ثوان، جولات العينة h = 20، وعينات البيانات n = 1000.
    4. قسم البيانات إلى مجموعات تدريب (80٪) ومجموعات اختبار (20٪) باستخدام أخذ عينات طبقية.
  2. التحقق من أداء التصنيف الثنائي.
    1. قم بإجراء تحقق متبادل بخمس مرات للتحقق من الموثوقية.
    2. تدريب واختبار ثمانية مصنفات: شجرة القرار (DT)، بايز ساذج (NB)، الغابة العشوائية (RF)، أقرب جار K (KNN)، التعزيز التكيفي (AdaBoost)، آلة الدعم المتجه (SVM)، التعبئة (التكبس)، وتعزيز التدرج.
    3. شغل 100 فترة لكل موديل وسجل الدقة والدقة والاستدعاء ودرجة الفورمولا 1.
  3. تحقق من أداء التصنيف متعدد الفئات.
    1. قم بتصنيفات القطار لاكتشاف DDoS، U2R، R2L، المسبار، وحركة المرور العادية.
    2. تنفيذ خمس بنى DL (MLP، CNN، GRU، RNN، وLSTM) باستخدام المعلمات المحددة في الجدول 1.
    3. قارن الأداء باستخدام منحنيات الاسترجاع الدقيق ومصفوفات الالتباس لكل فئة.
  4. تحقق من خوارزمية HMC.
    1. نفذ HMC مع AdaBoost وBagging كاستراتيجيات جماعية.
    2. تحليل المشكلات متعددة الفئات إلى تصنيفات فرعية ثنائية من خلال المنطق الهرمي.
    3. قارن النتائج مع نماذج الأساس لأنواع الهجوم من الأقليات (U2R، R2L).
  5. نفذ محاكاة الهجوم.
    1. نشر نموذج اكتشاف الثقة المدرب على منصة اختبار السحابة.
    2. إنشاء هجمات UDP Flood وSYN Flood باستخدام مضيفين افتراضيين متعدد لاستهداف الخوادم المخصصة.
    3. حافظ على حركة الهجوم حول 30٪ من معدل نقل الشبكة.
    4. تابع إحصائيات الشبكة (معدل الإرسال، طول الجلسة، تكرار الوصول إلى المنافذ، الاتصالات غير الطبيعية).
    5. قس خطأ الكشف، والإيجابيات الكاذبة، ومتوسط زمن استجابة النظام.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

التحقق التجريبي وتحليل الأداء

التحقق السحابي

لاختبار كفاءة وإمكانية تنفيذ الخوارزمية المقترحة، أجريت اختبارات محاكاة في بيئة مختبرية شبكية محكمة. تم التحقق على نظام ويندوز، وتم ترميز الخوارزمية الأساسية في أدوات برمجة VC (Visual C++).

في حالة البيانات التجريبية، اخترنا مجموعة البيانات المتاحة للجمهور بنسبة KDDCUP_10٪ (http://kdd.ics.uci.edu/databases/kddc...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعتمد النشر الفعال لهذا البروتوكول على خطوات حاسمة ضمن البنية السحابية. التكوين الصحيح لوحدة تحكم Ryu OpenFlow، والإعداد الصحيح لقواعد Open vSwitch، وتكوين طوبولوجيا متعددة الطبقات القوي ضرورية لضمان التقاط حركة المرور بالكامل. اختيار ريو كوحدة تحكم وOpen vSwitch كمنصة تبديل يعزز بشكل كبير القيمة العملية للنظام؛ خصائصها الخفيفة الوزن والقابلة للبرمجة بالكامل تجعلها مثالية لمراقبة الشبكة في الوقت الحقيقي، والتحكم الديناميكي في التدفق، وإدارة الأمان القابلة للتوسع عبر البنى التحتية السحابي...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعبر المؤلفون عن امتنانهم لقسم المعلومات في مركز شنغهاي للبروتون والأيونات الثقيلة لتوفير الموارد الحاسوبية الأساسية وبيئة البحث المطلوبة لهذه الدراسة. كما نعبر عن تقديرنا لزملائنا على رؤاهم التقنية القيمة خلال مراحل تصميم النظام والاختبار.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AdaBoost (مكتبة التعلم الجماعي)Scikit-learn، بايثونhttps://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.htmlالبرمجيات
مصنف التعبئةScikit-learn، بايثونhttps://scikit-learn.org/stable/modules/generated/sklearn.ensemble.BaggingClassifier.htmlالبرمجيات
كود تقييم الثقة في نموذج السحابةتنفيذ مخصصلا يوجدالخوارزمية/البرمجيات
الشبكة العصبية الالتفافية (CNN)تينسورفلو / بايتورشhttps://www.tensorflow.org/tutorials/images/cnnالبرمجيات
أطر التعلم العميق (MLP، RNN، LSTM، GRU)تينسورفلو / بايتورشالبرمجيات
محاكي شبكة إستينتتقنيات إستينتhttps://sites.google.com/view/estinet-network-simulatorالبرمجيات
كافكا (منصة تدفق البيانات)مؤسسة أباتشيhttps://kafka.apache.org/البرمجيات
مجموعة بيانات KDD CUP 10٪مستودع تعلم الآلة في UCIhttp://kdd.ics.uci.edu/databases/kddcup99/kddcup99.htmlمجموعة البيانات
محاكي مينينتمشروع مينينتمينينت 2.3.1محاكاة الشبكة لطوبولوجيا SDN، وعرض النطاق الترددي، ومحاكاة الهجوم المختلط.
فتح vSwitch (OVS)افتح vSwitch OrgOVS 3.2.2المفتاح الافتراضي ينفذ التحكم في جدول التدفق وإعادة توجيه حركة الهجوم.
منصة OpenStack السحابيةمؤسسة البنية التحتية المفتوحةhttps://www.openstack.org/برامج السحابة
بايثون 3.xمؤسسة بايثون للبرمجياتhttps://www.python.org/downloads/لغة البرمجة
وحدة تحكم SDN ريوNTT R& Dريو 4.34وحدة تحكم SDN لالتقاط حركة مرور الشبكة في الوقت الحقيقي وزيادة الوعي بالموقف.
إطار عمل سبارك ستريمينغمؤسسة أباتشيhttps://spark.apache.org/docs/latest/streaming-programming-guide.htmlالبرمجيات
مترجم Visual C++ (VC++)مايكروسوفتhttps://visualstudio.microsoft.com/البرمجيات
محطة العمل ويندوز 11مايكروسوفتويندوز 11 برو 23H2يستخدم نظام التشغيل لتجميع النماذج والتدريب والاختبار.

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Xie, J. Application study on the reinforcement learning strategies in the network awareness risk perception and prevention. Int J Comput Intell Syst. 17 (1), 112(2024).
  2. Research on enhancing cloud computing network security using artificial intelligence algorithms. Wang, Y., Yang, X. 2025 International Conference on Sensor-Cloud and Edge Computing System (SCECS), Zhuhai, China, , 237-244 (2025).
  3. Research on computer network security situation awareness warning mechanism based on artificial intelligence. Chaowen, C. 2024 IEEE 4th International Conference on Electronic Technology, Communication and Information (ICETCI), Changchun, China, , 748-753 (2024).
  4. Zhao, X. Network security situational awareness and early warning architecture based on big data. Int J Syst Assur Eng Manag. , (2024).
  5. Akinbolaji, T. J. Advanced integration of artificial intelligence and machine learning for real-time threat detection in cloud computing environments. Iconic Res Eng J. 6 (10), 980-991 (2024).
  6. Emehin, O., Emeteveke, I., Adeyeye, O., Akanbi, I. Securing artificial intelligence in data analytics: strategies for mitigating risks in cloud computing environments. Int Res J Mod Eng Technol Sci. 6, 1978-1998 (2024).
  7. Shang, Y. Prevention and detection of DDoS attack in virtual cloud computing environment using naive Bayes algorithm of machine learning. Meas Sens. 31, 100991(2024).
  8. Altowaijri, S. M., El Touati, Y. Securing cloud computing services with an intelligent preventive approach. Eng Technol Appl Sci Res. 14 (3), 13998-14005 (2024).
  9. Mamidi, S. The role of AI and machine learning in enhancing cloud security. J Artif Intell Gen Sci. 3 (1), 403-417 (2024).
  10. Zhang, C., Shan, G., Roh, B. H. Fair federated learning for multi-task 6G NWDAF network anomaly detection. IEEE Trans Intell Transp Syst. 26 (10), 17359-17370 (2025).
  11. Shyam Mohan, J. S., Thirunavukkarasu, M., Kumaran, N., Thamaraiselvi, D. learning with blockchain based cyber security threat intelligence and situational awareness system for intrusion alert prediction. Sustain Comput Inform Syst. 42, 100955(2024).
  12. Akinade, A. O., Adepoju, P. A., Ige, A. B., Afolabi, A. I. Cloud security challenges and solutions: a review of current best practices. Int J Multidiscip Res Growth Eval. 6 (1), 26-35 (2025).
  13. Hasimi, L., Zavantis, D., Shakshuki, E., Yasar, A. Cloud computing security and deep learning: an ANN approach. Procedia Comput Sci. 231, 40-47 (2024).
  14. Barlybayev, A., Sharipbay, A., Shakhmetova, G., Zhumadillayeva, A. Development of a flexible information security risk model using machine learning methods and ontologies. Appl Sci. 14 (21), 9858(2024).
  15. Wang, Y. Research on intelligent cybersecurity protection system in cloud computing environment. Innov Sci Technol. 3 (4), 71-78 (2024).
  16. Ali, T., Al-Khalidi, M., Al-Zaidi, R. Information security risk assessment methods in cloud computing: comprehensive review. J Comput Inf Syst. 66 (1), 123-150 (2026).
  17. Tahir, A. B. Advanced virtualized cyber security strategies for cloud and fog computing: a machine learning and encryption approach. Int J Comput Data Sci. 1 (1), 37-55 (2025).
  18. Guo, J., Guo, H. Real-time risk detection method and protection strategy for intelligent ship network security based on cloud computing. Symmetry. 15 (5), 988(2023).
  19. Aslan, Ö, Ozkan-Okay, M., Gupta, D. Intelligent behavior-based malware detection system on cloud computing environment. IEEE Access. 9, 83252-83271 (2021).
  20. Mamidi, S. Enhancing cloud computing security through artificial intelligence-based architecture. J Artif Intell Gen Sci. 5 (1), 63-72 (2024).
  21. Omolola, H., et al. Enhancing cybersecurity through cloud computing solutions in the united states. Intell Inf Manag. 16 (4), 176-193 (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Adaptive Machine LearningNetwork SecurityCloud ComputingRisk WarningHierarchical ClassificationTrust EvaluationDDoS DetectionEnsemble LearningSDN ArchitectureReal Time Response

Related Articles