بهبود امنیت و کارایی انتقال داده در شبکه‌های ابری با استفاده از الگوریتم‌های یادگیری ماشین و پروتکل‌های HDLC، SDLC و ADCCP

چکیده

با رشد سریع سامانه‌های دیجیتال، پایگاه‌های داده سازمانی بیش از گذشته در معرض تهدیدات امنیتی پیچیده‌ای مانند SQL Injection، دسترسی‌های غیرمجاز و تقلب مالی قرار گرفته‌اند.روش‌های سنتی تشخیص نفوذ که عمدتاً بر الگوهای از پیش‌تعریف‌شده متکی هستند، در شناسایی حملات جدید و ناشناخته کارایی پایینی دارند.در این پژوهش، یک مدل ترکیبی تشخیص نفوذ مبتنی بر یادگیری ماشین ارائه شده است که با ترکیب الگوریتم‌های نظارت‌شده (SVM، درخت تصمیم) و بدون نظارت (DBSCAN)، توانایی شناسایی همزمان تهدیدات شناخته‌شده و ناشناخته را دارد.ساختار مدل شامل سه مرحله اصلی است: پیش‌پردازش داده‌ها، تحلیل تهدیدات، و تصمیم‌گیری خودکار.برای اعتبارسنجی مدل، از مجموعه‌داده‌های NSL-KDD و CIC-IDS استفاده شد. نتایج آزمایش‌ها نشان داد مدل پیشنهادی به دقت 96.4%، بازخوانی 94.8% و امتیاز F1 برابر با 95.2% دست یافته است. این عملکرد در مقایسه با روش‌های مرسوم موجب کاهش 23% در نرخ هشدارهای کاذب (FPR) شد.به‌منظور بهبود انتقال و حفاظت داده‌ها، مدل پیشنهادی با پروتکل‌های HDLC، SDLC و ADCCP و همچنین الگوریتم‌های بهینه‌سازی شامل فشرده‌سازی، مسیریابی، مدیریت ترافیک و رمزنگاری ادغام شد.یک مطالعه موردی بر روی داده‌های واقعی یک سامانه مالی نشان داد که این مدل در محیط‌های عملیاتی قابل اجرا بوده و نسبت به روش‌های سنتی، امنیت بالاتر و پایداری شبکه بهتری فراهم می‌کند.