Utilisation d’algorithmes d’apprentissage automatique adaptatif pour l’alerte aux risques liés à l’information et la sensibilisation aux scénarios de sécurité réseau dans les environnements de cloud computing

Jiahao Luo; Jingjing Xie

doi:10.3791/69633

Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Utilisation d’algorithmes d’apprentissage automatique adaptatif pour l’alerte aux risques liés à l’information et la sensibilisation aux scénarios de sécurité réseau dans les environnements de cloud computing

55 vues

⸱

DOI :

10.3791/69633

⸱

2 juin 2026

Jiahao Luo¹ , Jingjing Xie¹

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

Dans cet article

Résumé

L’article propose une solution novatrice basée sur l’apprentissage automatique (ML) pour la sécurité des réseaux adaptatifs dans un système cloud qui intègre une classification hiérarchique multi-étiquettes et un système dynamique d’évaluation de la confiance afin d’améliorer la précision de la détection des menaces et de réduire le nombre de faux positifs.

Résumé

Cette étude propose un cadre novateur pour la conscience situationnelle et l’alerte des risques en sécurité réseau dans les environnements de cloud computing, intégrant l’apprentissage automatique adaptatif (ML), la classification hiérarchique multi-étiquettes (HMC) et un mécanisme dynamique d’évaluation de la confiance basé sur le modèle cloud. La complexité, la diversité et la nature en temps réel des cyberattaques émergentes — telles que les exploits zero-day, le déni de service distribué (DDoS) et les botnets — posent des défis majeurs aux méthodes traditionnelles de détection statique et basées sur des règles. Pour relever ces défis, nous avons développé une architecture cloud efficace basée sur SDN utilisant le contrôleur Ryu OpenFlow et les commutateurs OpenFlow. Cette architecture permet la collecte en temps réel des informations sur les liaisons, la planification dynamique et la transmission de données évolutive et fiable. Le cadre de classification hiérarchique suggéré peut diviser les problèmes multiclasses en tâches binaires, atténuant l’effet du déséquilibre d’échantillon et améliorant la reconnaissance des attaques à basse fréquence, y compris User to Root (U2R). Les techniques d’apprentissage en ensemble, incluant AdaBoost et Bagging, améliorent encore la précision de détection pour les types d’attaques très précis. Des expériences menées sur des ensembles de données DDoS, des données de trafic cloud et des simulations dans Mininet et EstiNet démontrent que l’approche combinée ML-HMC-trust améliore significativement la précision de la détection, réduit les faux positifs et permet une réponse en temps réel. Ces résultats confirment que l’intégration de l’apprentissage adaptatif, de la classification hiérarchique et de l’évaluation dynamique de la confiance offre une solution robuste et évolutive pour sécuriser des plateformes cloud à grande échelle.

Introduction

Avec l’application généralisée de la technologie de cloud computing dans divers secteurs, l’échelle et la quantité de données dans les systèmes d’information augmentent rapidement, et les menaces réseau deviennent plus complexes, cachées et^dynamiques ^1,2. Les mécanismes de défense de sécurité traditionnels, basés sur des règles et des modèles statiques, ne sont plus capables de répondre aux exigences de détection en temps réel avec une alerte précoce précise face à des stratégies d’attaque changeantes, des vulnérabilités zero-day et des attaques distribuées à grande