| Form of studies |
Master |
| Title of the study programm |
Cybersecurity Engineering |
| Title in original language |
Mākoņdatošanas tehnoloģiju drošības apdraudējumu analīze |
| Title in English |
Analysis of the Security Threats in Cloud Computing Technology |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Antons Patļins |
| Reviewer |
Nadežda Kuņicina |
| Abstract |
Datu uzbrukuma atklāšana un klasificēšana mākonī tiek uzskatīta par vienu no izšķirošajām vajadzībām, lai nodrošinātu gan mākoņdatu drošību, gan integritāti. Tie tiek izmantoti arī datu privātuma apstiprināšanai mākoņa vidē. Šie procesi ir saistīti ar dažādām progresīvām metodēm, piemēram, ML (mašīnmācīšanās) un DL (dziļās mācīšanās). Šīs pieejas tiek ieviestas, lai atklātu un klasificētu mākoņdatos esošo anomāliju vai notikušo uzbrukumu. Anomālijas un uzbrukuma noteikšanai mākonī tiek īstenota dažādu modeļu un uzvedības analīze mākonī. Precīza datu noteikšana un klasifikācija var nodrošināt precīzu atbildi un mazināt kļūdas mākonī esošajos datos. Ierosinātā pieeja paredz izmantot vairākas un tūlītējas uz DL balstītas pieejas ierosinātajā pētījumā, lai atklātu un klasificētu uzbrukumu, kas notiek mākoņdatos. Pieejā ir izmantotas tādas pieejas kā konvolucionālie neironu tīkli (CNN), Bi- LSTM, ko izmanto, lai automatizēti noteiktu un apgūtu datu modeļus uzbrukuma noteikšanas aspektos. Ierosinātajā pieejā ir izmantota šo modeļu apmācība, izmantojot atbildīgo lielo datu kopu, efektīva atklāšana un uzbrukuma klasifikācija mākoņdatiem. Tas savukārt izmanto vispārējās klasifikācijas iespējas, lai atklātu un klasificētu uzbrukumu mākoņdatiem. Tādējādi, nostiprinot mākoņdatu integrāciju pret citiem iespējamiem apdraudējumiem. Visbeidzot, modeļa vispārējais darbs ir novērtēts, izmantojot piemērojamos rādītājus, kas ietver precizitātes rādītājus, precizitātes diapazonus, atsaukšanu un F1 rādītāju.
Šis darbs sastāv no 131 lappuses, kurā ir 19 attēli, 16 tabulas, 4 vienādojumi, literatūras saraksts un divi pielikumi. |
| Keywords |
mākoņdatošana, draudi, uzbrukumi, mašīnmācīšanās un padziļināta mācīšanās |
| Keywords in English |
Cloud Computing, Threats, Attacks, Machine Learning and Deep Learning |
| Language |
eng |
| Year |
2024 |
| Date and time of uploading |
15.01.2024 13:11:38 |
