الگوریتم طبقه بندی k-نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری WORD

فهرست مطالب

 عنوان صفحه

چکیده:1

فصل اول: مقدمه2

1-1 مقدمه2

1-2 تعریف مساله و بیان سوال­های اصلی تحقیق3

1-3 سابقه وضرورت انجام تحقیق4

1-4 هدف­ها8

1-5 جنبه نوآوری تحقیق:9

1-6 مراحل انجام تحقیق9

1-7 ساختار پایان­نامه9

فصل دوم: مباحث عمومی پردازش ابری، امنیت و شبیه­سازی10

2-1 مقدمه10

2-2 تاریخچه­ی مختصری از رایانش ابری11

2-3 وضعیت کنونی رایانش ابری12

2-4 خصوصیات رایانش ابری13

2-4-1 ویژگی کلیدی رایانش ابری17

2-4-2 مزایای اصلی رایانش ابری18

2-4-3 کارهای امکان­پذیر در رایانش ابری.18

2-5 معماری رایانش ابری19

2-6 امنیت و چالشهای رایانش ابری21

2-7 امنیت در رایانش ابری22

2-8 نقاط ضعف رایانش ابری22

2-8-1 نیاز به اتصال دائمی اینترنت22

2-8-2 کار نکردن با اینترنت کم سرعت23

2-8-3 حفظ حریم خصوصی23

2-9 معایب امنیتی در محیط­های ابری23

2-9-1 موقعیت داده24

2-9-2 تفکیک داده­ها24

2-10 تامین امنیت داده­ها24

2-10-1 کنترل و دسترسی25

2-10-2 رمزگذاری25

2-11 مقدمه­ای بر شبیه­سازی26

2-12 برخی نرم­افزارهای شبیه­سازی شبکه­های محاسباتی28

2-13 آشنایی با ابزار کلودسیم29

2-13-1معماری کلودسیم30

2-14 مدل­های تخصیص ماشینهای مجازی31

2-15 کلاس­های موجود در کلودسیم32

2-16 جمع­بندی35

فصل سوم: مروری بر کارهای گذشته والگوریتم­های رمزنگاری37

3-1 مقدمه37

3-2 معرفی روش38

3-3 سوابق کاری گذشته39

3-4 اهداف روش41

3-5 طبقه­بندی داده­ها42

3-5-1 یادگیری ماشین42

3-6 تعریف داده حساس و غیرحساس46

3-7 طبقه­بند-Kنزدیک­ترین همسایه48

3-8 رمزنگاری با روشRSA49

3-9 رمز و رمزنگاری49

3-9-1 الگوریتم­های رمزنگاری50

3-10 آراس­ای52

3-10-1 مراحل الگوریتم RSA51

3-11 استاندارد رمزنگاری پیشرفته54

3-11-1 شرح رمزنگاری55

3-12جمع­بندی56

فصل چهارم: معرفی روش پیشنهادی57

4-1 مقدمه57

4-2 معرفی روش جدید -Kنزدیک­ترین همسایه فازی برای طبقه­بندی داده در محاسبات ابری58

1-4-2 نظریه مجموعه­های فازی58

4-3 تفاوت در نتایج حاصله از الگوریتم­های طبقه­بندی58

4-4 چهارچوب مورد استفاده59

4-5 روش پیشنهادی59

4-5-1 داده آموزشی و داده تست61

4-5-2 ذخیره در ابر62

4-5-3 روش کار الگوریتمKNN62

4-5-4 روش کار الگوریتمF-KNN64

6-4 جمع­بندی66

فصل پنجم:آزمایش­ها و ارزیابی نتایج67

5-1 مقدمه67

5-2 جایگاه داده آزمایش ومحیط پیاده سازی واجرا68

5-3 مقایسه نتایج بدست آمده از الگوریتم -K نزدیک­ترین همسایه عادی و فازی 72

5-4 خصوصیات لایه نرم افزار به عنوان سرویس76

5-5 خصوصیات لایه پلتفرم به عنوان سرویس برای مدیریت مجازی77

5-6 خصوصیات لایه زیرساخت به عنوان سرویس در شبیه­سازی ابر78

5-7 نرخ شناسایی79

5-8 نتایج شبیه­سازی80

5-9 زمان شبیه­سازی مراحل کار81

5-10 جمع­بندی83

فصل ششم:نتیجه­گیری و پیشنهادها84

6-1 مقدمه84

6-2 نتایج حاصل از تحقیق84

6-3 پیشنهادها85

مراجع:86

واژه­نامه انگلیسی89

چکیدهانگلیسی................................................................................................................................93

 فهرست جدول

 

عنوان صفحه

جدول2-1 مقایسه محاسبات ابری و محاسبات توری......... 13

جدول 2-2کلاس­های پهنای­باند........................... 30

جدول 2-3 کلاس­های تکه­ابر............................. 31

جدول5-1 کلاس های برنامه............................. 69

جدول 5-1 تعداد آیتم های تکه ابر الگوریتم KNN و F-KNN73

جدول 5-2 خصوصیات لایه نرم افزار به عنوان سرویس الگوریتم KNN 76

جدول 5-3 خصوصیات لایه نرم افزار به عنوان سرویس الگوریتم F-KNN76

جدول 5-4 خصوصیات لایه پلتفرم به عنوان سرویس الگوریتمKNN 77

جدول 5-5 خصوصیات لایه پلتفرم به عنوان سرویس الگوریتم F-KNN 77

جدول 5-6خصوصیات لایه زیرساخت به عنوان سرویس الگوریتم KNN 78

جدول 5-7 خصوصیات لایه زیرساخت به عنوان سرویس الگوریتم F-KNN 78

جدول 5-8 اطلاعات طبقه بندی داده در الگوریتم KNN.... 79

جدول 5-9 اطلاعات طبقه بندی داده در الگوریتم F-KNN.... 79

جدول 5-10 نتایج زمانی شبیه سازی طبقه­بندی داده­ها با الگوریتم KNN................................................... 80

جدول 5-11 نتایج زمانی شبیه سازی طبقه­بندی داده­ها با الگوریتم F-KNN................................................... 80

جدول 5-12 زمان شبیه سازی مراحل کار الگوریتم KNN... 81

جدول 5-13 زمان شبیه سازی مراحل کار الگوریتم F-KNN... 81

 

فهرست اشکال

 

عنوان صفحه

شکل 2-1 سرویس­های رایانش ابری..................... 14

شکل 2-2 پشتیبانی از بستر ناهمگن ................. 16

شکل 2-3 معماری محاسبات ابری...................... 19

شکل 3-1 فلوچارت یادگیری ماشین.................... 43

شکل 3-2 رمزنگاری به شیوه پیچیدن تکه کاغذی دور استوانه 46

شکل3-3 تقسیم بندی الگوریتم­ها رمزنگاری............ 47

شکل3-4 رمزنگاری با کلید متقارن................... 47

شکل3-5 رمزنگاری با کلید نا متقارن................ 47

شکل3-6 ابداع کنندگان رمزنگاری RSA............... 49

شکل3-7 پروتکل تبادل رمز دیفی ـ هلمن.............. 50

شکل 4-1 فلوچارت کلی روش.......................... 60

شکل4-2 نمودار توصیفی الگوریتم­های فازی............ 64

شکل 4-3 شبه­کد الگوریتم F-KNN ................................................................................................65

شکل 5-1 فلوچارت الگوریتم های طبقه بندی........... 72

شکل 5-2 محیط شبیه­سازی با الگوریتم KNN و F-KNN.... 74

 

فهرست علائم اختصاری

واحد پردازشگر مرکزی	CPU (Central processing untiy)
اتحادیه امنیت پردازش ابری	CSA (Cloud Security Alliance)
حفاظت به عنوان یک سرویس	DPaasS (Data Protection as a Service)
آژانس امنیت شبکه و اطلاعات اروپا	ENISA (European Union Agency for Network and Information Security)
الگوریتم k نزدیکترین همسایه فازی	FKNN (Fuzzy Nearest Neighbor Algorithm)
زیرساخت به عنوان سرویس	IaaS (Infrastructure as a Service)
انجمن نظارت و کنترل سیستم های اطلاعاتی	ISACA (Information System Audit and Control Association)
الگوریتم k نزدیکترین همسایه	KNN (K-Nearest Neighbor Algorithm)
یادگیری ماشین	ML (Machine Learning)
سکو به عنوان سرویس	PaaS (Platform as a Service)
نرم افزار به عنوان سرویس	SaaS (Software as a Service)
سرویس و زیرساخت	SLAS (Service Level Agreement)
ماشین مجازی	VM (Virtual Machine)

چکیده:

پردازش ابری و محیط ابر و پایگاه داده­های ابری محل ذخیره­سازی اطلاعات روی وب می­باشد و برای بالا بردن امنیت در آن ها باید بهترین راه حل را استفاده کرد. مساله ما در اینجا طبقه­بندی داده­های محرمانه و فوق­محرمانه و سپس رمزگذاری آن ها برای ذخیره در ابر می­باشد برای این کار سرعت و دقت بسیار مهم می­باشد. در این پژوهش یک الگوریتم طبقه­بندی داده فازی، در محیط ابری استفاده شده است که در نهایت با زبان جاوا و در شبیه­ساز کلودسیم شبیه­سازی شد و توانست طبقه­بندی موثری برای داده­ها در محیط ابر ایجاد کند.

الگوریتم طبقه­بند ارایه شده، الگوریتم k-نزدیک­ترین همسایه فازی است. با توجه به خصوصیات خوبی که الگوریتم k-نزدیک­ترین همسایه فازی دارد توانست با سرعت و دقت بیشتر داده­های محرمانه، فوق محرمانه و عمومی را طبقه­بندی کند و برای رمزگذاری مناسب برای ذخیره سازی در ابر آماده کند و کارایی طبقه­بندی داده برای ذخیره­سازی در ابر را بهبود بخشد.

روش کار بدین صورت می باشد که داده­های یک پایگاه داده 15000 رکوردی ابتدا توسط الگوریتم k-نزدیک­ترین همسایه عادی طبقه­بندی می­شود و داده­ها به مرحله رمزگذاری فرستاده می­شوند و در نهایت در ابر ذخیره می­شوند و در مقابل آن همان پایگاه داده توسط الگوریتم k-نزدیک­ترین همسایه فازی طبقه­بندی می­شود و به سه کلاس فوق محرمانه، محرمانه و عمومی به مرحله بعدی که رمزگذاری و ذخیره در ابر می­باشد فرستاده می­شود. در پیاده­سازی این روش از زبان جاوا و شبیه­ساز کلودسیم استفاده شده است و نتایج حاصل به خوبی بیانگر کارایی بهتر الگوریتم k-نزدیک­ترین همسایه فازی می­باشد که موجب تولید نتایج بهتر نسبت به الگوریتم k-نزدیک­ترین همسایه عادی می­شود .

 واژه­های کلیدی:

پردازش ابری، امنیت، طبقه­بندی k-نزدیک­ترین همسایه، طبقه­بندی k-نزدیک­ترین همسایه فازی

فصل اول

 1-1 مقدمه

رایانش ابری به عنوان یکی از مشهورترین و داغ­ترین موضوعات در زمینه فناوری اطلاعات پدیدار گردید. امروزه کاربران اینترنت به وسیله ابزارهای الکترونیکی بسیار سبکی به سرویس­های آن دسترسی دارند، در چنین حالتی کاربران نیازهای خود را که ممکن است نیازمند پردازش سنگینی باشد برحسب تقاضا درخواست می­کنند و بدون توجه به حمل سرویس و چگونگی ارائه آن، به مشاهده نتایج بازگردانده شده می­پردازند. رایانش ابری برپایه TCP/IP و برپایه اینترنت[1]بوده و شامل پردازنده­ها با حافظه­های عظیم، شبکه انتقال داده سریع و معماری سیستم­های قابل اعتماد می­باشد و بدون پروتکل­های استاندارد حاکم بر شبکه نمی­توان موجودیتی به این فناوری بخشید (گونگ، لیو، رانگ، چن، گونگ[2]، 2010). سرویس­های این تکنولوژی به 3 دسته عمده تقسیم می شود: زیرساخت به عنوان سرویس[3]، سکو به عنوان سرویس[4] و نرم­افزار به عنوان سرویس[5] می­باشند. رایانش ابری به 5 لایه، مشتری، کاربردی، سکو، زیرساخت و سرورها تقسیم می شوند. تحمل خطای فوق العاده این فناوری، وفق پذیری آن با زیرساخت شبکه افزایش می­دهد. ویژگی کاربرد آسان آن، تمام پیچیدگی سرویس­ها را مخفی کرده و کاربران را با رابطی ساده به مرکز داده متصل می­کند. مجازی­سازی و امنیت بالا نیز از خصوصیات دیگر این تکنولوژی می­باشد (ریکیاکس، پالیز، کاتاسرس، مهرا، وکالی[6]، 2009).

با توجه به اهمیت زیاد فرایند پردازش­های ابری و مبحث امنیت آن، در این تحقیق سعی بر این است تا طبقه­بندی داده­های محرمانه با استفاده از الگوریتم طبقه­بندی نزدیک­ترین همسایه فازی به این مهم دست یابیم. در این بخش به تعریف مساله و معرفی ایده خود خواهیم پرداخت.

 1-2 تعریف مساله و بیان سوال­های اصلی تحقیق

طبق تعریف موسسه ملی استاندارد و فناوری (NIST)[7] رایانش ابری مدلی است برای فراهم کردن دسترسی آسان براساس تقاضا کاربر، از طریق شبکه به مجموعه­ای از منابع رایانش قابل تغییر و پیکربندی (مثل سرورها، شبکه­ها، فضاهای ذخیره­سازی، برنامه­های کاربردی و سرویس­ها) که این دسترسی بتواند با کمترین نیاز به مدیریت منابع و یا نیاز به دخالت مستقیم فراهم کننده سرویس به سرعت فراهم شده یا آزاد گردد (کچین، هس[8]، 2010).

محاسبات ابری ساختاری است که به ما امکان می­دهد تا به برنامه­های کاربردی دسترسی داشته باشیم که در مکانی غیر از کامپیوترها یا در دیگر ماشین­های متصل به اینترنت قرار دارند. اکثر مواقع این مکان یک مرکز داده از راه دور می­باشد. محاسبات ابری[9] حذف­های عملیاتی و سرمایه­ایی را نوید می­دهد و مهم­تر اینکه به بخش­های IT امکان می­دهد تا به­جای حفظ اجرای مرکز داده­ها، بر روی پروژه­های استراتژیک متمرکز گردند. هزینه مدیریت منابع بسیار بیشتر از هزینه واقعی خود منابع است پس بهتر است منابع را از طریق ابر از صاحب منبع اجاره کرد.

با توجه به اینکه پردازش ابری مزایای فراوانی به دنبال خواهد داشت، جنبه­ایی که هنوز باعث عقب­نشینی بسیاری از سازمآن ها در برابر این فناوری می­گردد. نحوه امن­سازی داده­ها در ابر و اطمینان از امنیت محیط است. البته امنیت در پردازش ابری را می توان نسبی، فرض کرد. در واقع امنیت بزرگ­ترین نقطه ضعف پردازش ابری می­باشد که راهکارهای بسیاری در این زمینه تدارک دیده شده است.

رمزگذاری تقریبا تا حدی امنیت داده­ها را تامین می­کند، اما با مشکلاتی که در بازیابی اطلاعات به وجود می آورد، باز هم بحث امنیت، به واژه­ایی ترسناک در ابر باقی می­ماند. تا کنون روش­های زیادی نیز برای تامین امنیت تدارک دیده نشده، اما بحث نگران کننده دسترسی و دستکاری داده­های مشتریان، توسط کارمندان داخلی می­باشد.

هنگام استفاده از ابر ریسک­های امنیتی وجود دارد اما شرکت­های معتبر و معروف تلاش می­کنند تا ایمنی و امنیت را حفظ کنند. درابر تکنیک­های زیادی برای امنیت داده­ها به کار رفته است. رمزگذاری داده­ها تکنیکی است که به طور گسترده مورد استفاده قرار گرفته است. رمزگذاری داده­ها، قبل از ارسال باعث حفاظت از آن ها می شود. قبل از اجرای هر گونه اقدام امنیتی روی داده در ابر، بهتر است نیازهای امنیتی داده را بدانیم. چه داده­ای نیاز به امنیت دارد و چه داده­ایی نیاز به امنیت ندارد. در این تحقیق با استفاده از الگوریتم طبقه بندی k- نزدیک­ترین همسایه فازی[10] و عادی، داده­ها را طبقه­بندی کرده سپس داده­های نیازمند امنیت را با الگوریتم­های رمزگذاری می­کنیم.

 1-3 سابقه و ضرورت انجام تحقیق

هدف این تحقیق این است که به وسیله الگوریتم طبقه­بندی k- نزدیک­ترین همسایه فازی بتوانیم بهبودی در امنیت داده­های محاسبات ابری ایجاد کنیم. الگوریتم k- نزدیکترین همسایه عادی داده­ها را براساس محرمانه بودن طبقه­بندی می­کند. تکنیک طبقه­بندی داده یا Knn در محیط ابر کاربرد دارد. داده­ها به دو کلاس حساس و غیرحساس تقسیم می­شوند. داده­های غیرحساس به امنیت نیاز ندارند، اما داده­های حساس با کمک الگوریتم RSA[11] رمزگذاری می­شوند. طبقه­بندی Knn یک الگوریتم یادگیری ماشین می­باشد که در روش بازشناسی الگو چندین دهه مطالعه شده است[12]. (منور، تانگ جانگ، توردین، 2013).

طبقه­بندی KNN دو مشکل اساسی دارد اول تعیین مقدار k- توسط کاربرد دوم نزدیک ترین همسایگان نمونه تست را با درجه اهمیت یکسانی در نظر می­گیرد.

به همین دلیل و مشکلاتی که الگوریتم Knn عادی دارد (کیلر، گای و جیونز[13]) از الگوریتم طبقه بندی[14]Knn فازی استفاده کردند. اکثر کارهای انجام گرفته با رویکرد فازی در زمینه یادگیری با نظارت بوده در حالی که تعداد کمی از آن ها برای یادگیری نیمه نظارتی و یادگیری بدون نظارت انجام گرفته است و این در حالی است که برچسب زنی تمام داده­ها کاری دشوار، پرهزینه و زمان بر است. در این تحقیق به معرفی الگوریتم نزدیکترین همسایه فازی در زمینه یادگیری، نظارتی می­پردازیم. روش پیشنهادی برخلاف بسیاری از روش­ها و الگوریتم­های طبقه­بندی موجود نیاز به هیچ حد آستانه قابل تنظیم توسط کاربر ندارد. همچنین نتایج تجربی نشان داده که الگوریتم Knn فازی نسبت به روش­های مقایسه شده، کارایی بالاتری دارد.

لازم به ذکر است که بکارگیری الگوریتم Knn عادی برای طبقه­بندی داده­ها در جهت امنیت داده­های محرمانه[15] در محاسبات ابری انجام پذیرفته است.[16]اما الگوریتم Knn فازی در طبقه­بندی داده­های در محاسبات ابری بکار نرفته است. در این تحقیق سعی خواهد شد با بکارگیری این الگوریتم بررسی شود آیا بهبودی در امنیت داده­های محرمانه محاسبات ابری انجام خواهد پذیرفت یا خیر.

دریافت فایل

---

جهت کپی مطلب از ctrl+A استفاده نمایید نماید