با توجه به ازدیاد سرویس‌ها در محیط ‌ابری، ممکن است برای درخواست یک کاربر، چندین سرویس با وظیفه‌مندی یکسان وجود داشته باشد. تعدد سرویس‌ها با وظیفه‌مندی مشابه، اهمیت نقش کاربر و اولویت‌های شخصی‌سازی‌شده وی را در انتخاب سرویس پر‌رنگ‌تر می‌کند. زیرا کاربران اولویت‌ها، علایق در انتخاب سرویس دارند. چالش اصلی، شناسایی سرویس‌های ابری متناسب با درخواست کاربر، ارزیابی میزان اعتماد آن‌ها و در نهایت رتبه‌بندی است. رتبه‌بندی سرویس‌های ابری، مبتنی بر فاکتورهای اولویت‌بندی انجام می‌شود که به نوع برنامه‌کاربردی وابسته هستند، لذا باید به گونه‌ای انتخاب گردند که منعکس‌کننده چنین موضوعی باشند. در این مقاله، با هدف انتخاب سرویس-های ابری، الگوریتمRCS-AHP مبتنی بر فرآیند تحلیل سلسله مراتبی AHP ارائه شده است تا از طریق مصالحه بین اولویت‌های کاربران با سلایق مختلف، بتوان بهترین سرویس‌های مورد اعتماد را برای تعاملات آینده به آن‌ها پیشنهاد داد. شبیه‌سازی مبتنی بر دو مجموعه داده QWS و Cloud Armor انجام شده است. به منظور سنجش الگوریتم ارائه‌شده، پارامتر دقت انتخاب سرویس (SSP) تعریف شد که نشان‌دهنده نرخ فراخوانی سرویس به نرخ پیشنهاد سرویس توسط الگوریتم رتبه‌بندی است. نتایج در پنجره‌های زمانی مختلف در دو مجموعه داده بررسی گردید که افزایش SSP نسبت به روش مرجع نشان‌دهنده عملکرد مناسب روش نسبت به راهکارهای قیلی است. تفاصيل المقالة

یکی از مهمترین چالش های گسترش اینترنت و فضای مجازی، حملات سایبری است. این حملات هر روز جدیدتر می شوند و مقابله با آنها دشوارتر می شود. در نتیجه برای کشف آنها باید از روش هایی استفاده کرد که در کمترین زمان ممکن و با دقت مناسب انواع حملات سایبری را شناسایی کرد. امروزه معمولاً از روش های یادگیری ماشینی برای شناسایی حملات سایبری استفاده می شود. اما از آنجایی که داده‌های مربوط به حملات سایبری ویژگی‌های بسیاری دارند و به نوعی داده‌های حجیم هستند، در نتیجه دقت روش‌های یادگیری ماشینی مرسوم برای شناسایی آنها معمولاً پایین است. در این تحقیق از روش انتخاب ویژگی ترکیبی برای انتخاب ویژگی‌های بهینه از پایگاه داده مربوط به حملات سایبری استفاده شده است که دقت تشخیص حملات توسط مدل‌های طبقه‌بندی را افزایش می‌دهد. در روش انتخاب ویژگی پیشنهادی، ابتدا ویژگی هایی که کمترین افزونگی را با یکدیگر دارند و در عین حال بیشترین ارتباط را با متغیرهای دسته (برچسب ها) دارند توسط الگوریتم MRMR انتخاب می شوند. سپس با استفاده از روش انتخاب ویژگی wrapper بر اساس الگوریتم بهینه سازی گرگ خاکستری (GWO) برای انتخاب زیرمجموعه ای از ویژگی های انتخاب شده از مرحله قبل که دقت مدل طبقه بندی کننده SVM را به حداکثر می رساند، استفاده می شود که این زیر مجموعه دارای ویژگی های بهینه است که توسط آن مدل SVM آموزش داده شده است. در نتیجه، دقت تشخیص حملات سایبری توسط مدل SVM افزایش می یابد. با توجه به نتایج شبیه‌سازی، میانگین دقت روش پیشنهادی برای شناسایی حملات سایبری 99.84 درصد است که نسبت به روش‌های تشخیص نفوذ مقاله مرجع بهبود یافته است. تفاصيل المقالة