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

پایان­نامه کارشناسی ارشد رشته مهندسی کامپیوتر

گرایش: نرم افزار

چکیده:

پردازش ابری و محیط ابر و پایگاه داده­ های ابری محل ذخیره­ سازی 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 طبقه ­بندی داده برای ذخیره ­سازی 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 طبقه­ بندی 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، طبقه­ بندی k-نزدیک­ترین همسایه، طبقه ­بندی k-نزدیک­ترین همسایه فازی

فصل اول

مقدمه

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 ریسک­ های 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.

پردازش ابری، مدیریت عملیاتی توسط سازمان را کاهش می­دهد، اما سازمان همچنان مسئول خواهد بود، حتی اگر مسئولیت عملیاتی توسط یک یا چند بخش خارجی در ابر انجام گیرد. در نتیجه در هنگام استفاده ازفناوری ابر، ارائه­دهنده سرویس ابر، منتخب شما، باید کسی باشد که شما قادر باشید به وی اعتماد کنید. کسی که کاملا شفاف باشد و تماس اطلاعات مورد نیاز شما را در اختیار شما قرار دهد، به تمامی سوالات شما پاسخ دهد و چیزی را پشت گوش نیندازد. شرکت­ها نه تنها نیاز به یک ارتباط فایل اعتماد با ارائه دهنده سرویس ابر دارند، بلکه باید حداکثر اطلاعات ممکن را درباره شرکت­های مروگر مرتبط با آن ابر به دست آورند. آژانس امنیت شبکه و اطلاعات اروپا گزارش را با عنوان «ابررایانه: مزایا، خطرات و توصیه هایی برای امنیت اطلاعات» منتشرکرده است که خطرهای ابرهای مختلف و اثرات آن ها بر مصرف­کنندگان ابر بیان شده است (کاتیدو، هوگبن[17] 2009).

در مقاله­ایی دیگر، برای حل امنیت داده در ابر، امنیت به عنوان سرویس در ابر توسط شخص سوم کنترل­گر تهیه شود. این پیشنهاد اجازه می­دهد کاربر تکنیک رمزگذاری را انتخاب کند و داده­ها به قسمت­های ثابت متفاوت سیستم شود. هکر شروع و پایان داده را نمی­داند اما محدودیت این مطالعه این است که کاربر نهایی ممکن است به اندازه کافی زرنگ و قوی برای انتخاب روش رمزگذاری نباشد(رم، سرنویسن، 2010).[18]

با استفاده از پردازش ابری، تمام داده­های شما بر روی ابر ذخیره می­شوند. این داده­ها تا چه حد ایمن هستند؟ آیا کاربران غیرمجاز می توانند به داده­های مهم و محرمانه شما دسترسی پیدا کنند؟ ابرتنها یک محل ذخیره­سازی مرکزی برای داده­های تمام مصرف کنندگان است ذخیره­سازی مرکزی واحدی در مقایسه با ذخیره­سازی های متعدد برای هکر ساده­تر است IBM یک مفهوم جدید ارائه داده است پیشنهاد ابر درون ابر است. مدل ذخیره­سازی درون ابر[19] قابل اعتمادتر است و در مقایسه با مدل ذخیره سازی ابر تنها قابل اعتمادتر است. در مدل ابر درون ابر، با تابع هش[20] و امضاء دیجیتال[21] اعتبار و تمامیت داده را تهیه می­کنند و کلید امنیت داده بین چندین ابر تقسیم و به اشتراک گذاشته می­شود. اما به اشتراک­گذاری کلید وقتی یکی از ابرها در دسترس نیست به مشکل برمی­خورد (کاچین، هس[22]، 2010).

به طور کلی، کاربران ابر از موفقیت دقیق مرکز داده آگاه نمی­شوند و همچنین آن ها هیچ کنترلی بر مکانیزم­های فیزیکی پردازش داده ندارند. بیشتر ارائه دهندگان معروف سرویس ابر، مراکز داده­هایی در نقاط مختلف دنیا دارند. برای حفاظت از این داده­ها سرویس به عنوان حفاظت به عنوان یک سرویس (DPaaS)[23] مدلی برای حفاظت از داده­هاست. DPaaS ادغام چک کردن جریان اطلاعات، رمزگذاری و نصب و راه اندازی نرم افزار در محاسبات ابری است، که مقرون به صرفه برای شرکت­های کوچک و متوسط و ارائه دهندگان خدمات ابر نیست. ابرعمومی[24] هنوز هم چالش­های امنیتی و اطلاعات برون سپاری که یک چالش بزرگ است را دارد. در اطلاعات برون­سپاری، کاربر نمی­تواند در مورد محل، دقت معامله داده­ها و امنیت داده­های ذخیره شده مطابق باشد (سونگ، شی، شانکار[25]، 2012).

مقاله­ای دیگر که مورد بررسی قرار گرفت در مورد بکارگیری الگوریتم K-نزدیکترین همسایه در محاسبات ابری می­باشد. این الگوریتم یک الگوریتم یادگیری می­باشد که در روش بازشناسی الگو طی چندین دهه مطالعه شده است. یک سند وجود دارد، الگوریتم Knn[26] در میان سندهای آموزشی پیش دسته­بندی شده براساس یک معیار شباهت پیدا کرده و دسته­های این k همسایه نزدیک برای پیش­بینی دسته سند آزمایش، بوسیله امتیازدهی سندهای هر دسته منتخب استفاده می­شود. اگر بیشتر از یک همسایه به دسته­های مشابه تعلق داشته باشد، مجموع امتیاز آن ها به عنوان وزن آن دسته استفاده می­شود و دسته با بالاترین امتیاز به سند مورد آزمایش انتساب می­یابد، که اگر از یک مقدار آستانه تجاوز کند بیشتر از یک دسته می­تواند به سند آزمایشی انتساب یابد.

کلاسه­بندی داده در زمینه محرمانگی، کلاسه­بندی هست که برپایه حساسیت سطح داده و تاثیر آن بر سازمانی که برای کاربر مجاز فاش می­شود است. کلاسه­بندی داده کمک می­کند که تعیین کند کدام پایه نیازهای امنیتی کنترلی برای حفاظت آن داده­ها مناسب است. در این مقاله داده­ها به دو کلاس طبقه­بندی می­شوند محرمانه و عمومی (غیرمحرمانه[27]) در این مدل ارائه شده از تکنیک یادگیری ماشین[28]در محیط ابری برای حل کردن مسئله داده­های محرمانه استفاده شده است. مقدار K مشخص می­شود و داده­های حساس با الگوریتم RSA برای رمزگذاری منتقل می­شوند و داده­های غیرحساس[29] به ماشین مجازی[30] فرستاده می­شوند و بعد به محل ذخیره­سازی داده[31] می روند(منور، تانگ جانگ، نوردین[32]، 2013).

یک مشکل در این روش تعیین مقدار k است و برای تعیین آن یک سری از آزمایشات با مقادیر مختلف k انجام می­شود تا بهترین مقدار k را تعیین کند. عیوب دیگر این روش پیچیدگی زمانی محاسباتی مورد نیاز برای پیمایش همه سندهای آموزشی می­باشد. به همین دلایل مسیر تحقیقی که ما بررسی می­کنیم این است که چگونه عملکرد الگوریتم Knn فازی در محاسبات ابری، زمان و هزینه های آن را بهبود و کاهش می­دهد و با الگوریتم Knn عادی مقایسه می­شود. پیاده­سازی در کلودسیم[33] انجام شده است و به کمک آن کارایی الگوریتم مورد استفاده با الگوریتم قبلی مقایسه شده است.

Abstract:

Cloud processing and cloud environment and cloud database are locations for storage of information on the web and the most appropriate solution should be used for prompting their security. This issue is to classify confidential and super-confidential data and then to codify them for storage in cloud. Rapidity and accuracy is very important for this job. This investigation used a fuzzy data classification algorithm in cloud environment that finally was simulated with java language and in CloudSim simulator and could generate an effective classification for data in could environment.

The presented classification algorithms is Fuzzy k-Nearest Neighbor Algorithm. Because of good features Fuzzy k-Nearest Neighbor Algorithm shows, it can classify confidential and super-confidential and general data with a high speedy and accuracy, prepare them for appropriate codification to storage in cloud and improve efficiency of data for storage in cloud.

The methodology include as the follows: data of a 1500-recorded database is firstly classified by classic K-Nearest Neighbor algorithm, finally they are stored in cloud and in turn the same database is classified by Fuzzy k-Nearest Neighbor Algorithm into three classes of super-confidential, confidential and general ones and they are sent into next stage for codifying and storage in cloud. In performing this investigation, java language and CloudSim stimulator is used. The obtained results indicate more optimized efficiency of Fuzzy k-Nearest Neighbor Algorithm with more optimized results compared to classic K-Nearest Neighbor algorithm.

Keywords: cloud processing, k-Nearest Neighbor Classification, Fuzzy k-Nearest Neighbor Classification