17028

رويكردهاي معاصر براي تشخيص تهديد در محاسبات ابري

1403

بهروز مينايى

در سال‌هاي اخير، بسياري از سازمان‌ها به دليل سريع و مقرون‌به‌صرفه بودن، به محاسبات ابري روي آورده‌اند. با اين حال، محيط‌هاي ابري با تهديدات امنيتي جدي مواجه هستند. تشخيص اين تهديدات با استفاده از سيستم‌هاي امنيتي سنتي دشوار است. اكثر روش‌هاي موجود به قوانين ثابت و الگوهاي ايستا متكي هستند. در نتيجه، آنها نمي‌توانند به خوبي با رفتارهاي داخلي جديد و در حال تكامل سازگار شوند. اين سمينار به بررسي يك رويكرد تشخيص تهديد مبتني بر هوش مصنوعي مي‌پردازد. در فصل 4، دو روش براي توسعه بيشتر پيشنهاد شده است: يادگيري فدرال و يادگيري عميق. مدل‌هاي يادگيري عميق براي يادگيري الگوهاي رفتاري پيچيده كاربر از داده‌هاي فعاليت ابري استفاده مي‌شوند. آنها مي‌توانند اقدامات غيرمعمول را با دقت بيشتري نسبت به سيستم‌هاي مبتني بر قانون تشخيص دهند. يادگيري فدرال به چندين سازمان يا سرورهاي ابري اجازه مي‌دهد تا يك مدل مشترك را بدون به اشتراك گذاشتن داده‌هاي خام خود آموزش دهند. اين رويكرد از حريم خصوصي محافظت مي‌كند و از همكاري ايمن پشتيباني مي‌كند. اين سمينار همچنين توضيح مي‌دهد كه چگونه تجزيه و تحليل رفتاري و مدل‌سازي مبتني بر زمان مي‌تواند عملكرد تشخيص را بهبود بخشد. چارچوب پيشنهادي براي مديريت عدم تعادل داده‌ها و الگوهاي حمله در حال تكامل طراحي شده است.

2/18/2026 12:00:00 AM

90256

1405/02/10

AI-based Threat Detection in Cloud Computing

امنيت ابري , تشخيص نفوذ , يادگيري عميق , تهديدات داخلي , هوش مصنوعي قابل توضيح (XAI)

Intrusion Detection , Deep Learning , Insider Threats , Explainable AI (XAI) , Cloud Security