12733

مروري بر تشخيص ناهنجاري در سيستم هاي محاسباتي با كارآمدي بالا

1401

دكتر مرضيه ملكي مجد

گزارش‌ها از طريق جمع‌آوري اظهارات از سيستم‌هاي امنيتي، دستگاه‌هاي شبكه، سرورها و برنامه‌هاي نرم‌افزاري تهيه مي‌شوند و به عنوان شواهد مورد استفاده قرار مي‌گيرند. هدف از اين گزارش‌ها جمع‌آوري اطلاعات براي تحليل عملكرد محاسبات با كارآمدي بالا در سيستم‌ها است. تجزيه و تحليل گزارش‌ها مي‌تواند به تشخيص دقيق ناهنجاري‌ها و انجام اقدامات اصلاحي و امنيتي كمك كند. در سيستم‌هاي محاسبات با كارآمدي بالا، تشخيص ناهنجاري بسيار حائز اهميت است. به علت پيچيدگي و پويايي اين سيستم‌ها، ناهنجاري‌ها ممكن است به دليل مشكلات سخت‌افزاري، خرابي‌هاي نرم‌افزاري يا حملات مخرب ايجاد شوند. روش‌هاي مبتني بر يادگيري عميق با توانايي در تشخيص الگوهاي پيچيده و ناهنجاري‌ها به صورت بي‌درنگ، اخيراً محبوبيت يافته‌اند. توسعه سيستم‌هاي تشخيص ناهنجاري كارآمد حياتي است و در تحقيقات علمي، مهندسي و امنيت ملي نقش مهمي ايفا مي‌كند. اين پژوهش به بررسي مزايا و محدوديت‌هاي مدل‌هاي يادگيري عميق در تشخيص ناهنجاري در محيط‌هاي محاسبات با كارآمدي بالا مي‌پردازد . همچنين در اين پژوهش چند روش كه براي تشخيص ناهنجاري‌ها در محاسبات با كارآمدي بالا مورد استفاده قرار ‌‌مي‌گيرند، بررسي شده‌است و زمينه‌هاي بالقوه براي تحقيقات آينده را معرفي مي‌كند.

11/15/2023 12:00:00 AM

81019

1402/09/05

Anomaly Detection In HPC Systems: A Review

تشخيص ناهنجاري , سيستم‌هايي با محاسبات با كارآمدي بالا , ، يادگيري عميق , مصرف توان , مصرف CPU

Anomaly detection , High-Performance computing system , Deep learning , Power consumption , CPU consumption