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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 الگوریتم طبقه بندی k نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری دارای ۱۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد الگوریتم طبقه بندی k نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی الگوریتم طبقه بندی k نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن الگوریتم طبقه بندی k نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری :

نوع فایل: word (قابل ویرایش)
تعداد صفحات : ۱۱۰ صفحه
حجم : ۲۵۴۷ کیلوبایت
چکیده:
پردازش ابری و محیط ابر و پایگاه داده های ابری محل ذخیره سازی اطلاعات روی وب می باشد و برای بالا بردن امنیت در آن ها باید بهترین راه حل را استفاده کرد. مساله ما در اینجا طبقه بندی داده های محرمانه و فوق محرمانه و سپس رمزگذاری آن ها برای ذخیره در ابر می باشد برای این کار سرعت و دقت بسیار مهم می باشد. در این پژوهش یک الگوریتم طبقه بندی داده فازی، در محیط ابری استفاده شده است که در نهایت با زبان جاوا و در شبیه ساز کلودسیم شبیه سازی شد و توانست طبقه¬بندی موثری برای داده¬ها در محیط ابر ایجاد کند.
الگوریتم طبقه بند ارایه شده، الگوریتم k-نزدیک ترین همسایه فازی است. با توجه به خصوصیات خوبی که الگوریتم k-نزدیک¬ترین همسایه فازی دارد توانست با سرعت و دقت بیشتر داده های محرمانه، فوق محرمانه و عمومی را طبقه بندی 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 داده های یک پایگاه داده ۱۵۰۰۰ رکوردی ابتدا توسط الگوریتم k-نزدیک ترین همسایه عادی طبقه بندی می شود و داده ها به مرحله رمزگذاری فرستاده می¬شوند و در نهایت در ابر ذخیره می شوند و در مقابل آن همان پایگاه داده توسط الگوریتم k-نزدیک ترین همسایه فازی طبقه-بندی می شود و به سه کلاس فوق محرمانه، محرمانه و عمومی به مرحله بعدی که رمزگذاری و ذخیره در ابر می باشد فرستاده می شود. در پیاده سازی این روش از زبان جاوا و شبیه ساز کلودسیم استفاده شده است و نتایج حاصل به خوبی بیانگر کارایی بهتر الگوریتم k-نزدیک ترین همسایه فازی می باشد که موجب تولید نتایج بهتر نسبت به الگوریتم k-نزدیک ترین همسایه عادی می¬شود .
واژه های کلیدی:
پردازش ابری، امنیت، طبقه بندی k-نزدیک ترین همسایه، طبقه بندی k-نزدیک ترین همسایه فازی
الگوریتم طبقه بندی k نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری
فهرست مطالب
چکیده: ۱
فصل اول: مقدمه ۲
۱-۱ مقدمه ۲
۱-۲ تعریف مساله و بیان سوال¬های اصلی تحقیق ۳
۱-۳ سابقه وضرورت انجام تحقیق ۴
۱-۴ هدف¬ها ۸
۱-۵ جنبه نوآوری تحقیق ۹
۱-۶ مراحل انجام تحقیق ۹
۱-۷ ساختار پایان¬نامه ۹
فصل دوم: مباحث عمومی پردازش ابری، امنیت و شبیه سازی ۱۰
۲-۱ مقدمه ۱۰
۲-۲ تاریخچه ی مختصری از رایانش ابری ۱۱
۲-۳ وضعیت کنونی رایانش ابری ۱۲
۲-۴ خصوصیات رایانش ابری ۱۳
۲-۴-۱ ویژگی کلیدی رایانش ابری ۱۷
۲-۴-۲ مزایای اصلی رایانش ابری ۱۸
۲-۴-۳ کارهای امکان پذیر در رایانش ابری. ۱۸
۲-۵ معماری رایانش ابری ۱۹
۲-۶ امنیت و چالشهای رایانش ابری ۲۱
۲-۷ امنیت در رایانش ابری ۲۲
۲-۸ نقاط ضعف رایانش ابری ۲۲
۲-۸-۱ نیاز به اتصال دائمی اینترنت ۲۲
۲-۸-۲ کار نکردن با اینترنت کم سرعت ۲۳
۲-۸-۳ حفظ حریم خصوصی ۲۳
۲-۹ معایب امنیتی در محیط های ابری ۲۳
۲-۹-۱ موقعیت داده ۲۴
۲-۹-۲ تفکیک داده ها ۲۴
۲-۱۰ تامین امنیت داده ها ۲۴
۲-۱۰-۱ کنترل و دسترسی ۲۵
۲-۱۰-۲ رمزگذاری ۲۵
۲-۱۱ مقدمه ای بر شبیه سازی ۲۶
۲-۱۲ برخی نرم افزارهای شبیه سازی شبکه های محاسباتی ۲۸
۲-۱۳ آشنایی با ابزار کلودسیم ۲۹
۲-۱۳-۱معماری کلودسیم ۳۰
۲-۱۴ مدل های تخصیص ماشینهای مجازی ۳۱
۲-۱۵ کلاس های موجود در کلودسیم ۳۲
۲-۱۶ جمع بندی ۳۵
فصل سوم: مروری بر کارهای گذشته والگوریتم های رمزنگاری ۳۷
۳-۱ مقدمه ۳۷
۳-۲ معرفی روش ۳۸
۳-۳ سوابق کاری گذشته ۳۹
۳-۴ اهداف روش ۴۱
۳-۵ طبقه بندی داده ها ۴۲
۳-۵-۱ یادگیری ماشین ۴۲
۳-۶ تعریف داده حساس و غیرحساس ۴۶
۳-۷ طبقه بند-Kنزدیک ترین همسایه ۴۸
۳-۸ رمزنگاری با روشRSA 49
۳-۹ رمز و رمزنگاری ۴۹
۳-۹-۱ الگوریتم های رمزنگاری ۵۰
۳-۱۰ آراس ای ۵۲
۳-۱۰-۱ مراحل الگوریتم RSA 51
۳-۱۱ استاندارد رمزنگاری پیشرفته ۵۴
۳-۱۱-۱ شرح رمزنگاری ۵۵
۳-۱۲جمع بندی ۵۶
فصل چهارم: معرفی روش پیشنهادی ۵۷
۴-۱ مقدمه ۵۷
۴-۲ معرفی روش جدید -Kنزدیک ترین همسایه فازی برای طبقه بندی داده در محاسبات ابری ۵۸
۱-۴-۲ نظریه مجموعه¬های فازی ۵۸
۴-۳ تفاوت در نتایج حاصله از الگوریتم¬های طبقه¬بندی ۵۸
۴-۴ چهارچوب مورد استفاده ۵۹
۴-۵ روش پیشنهادی ۵۹
۴-۵-۱ داده آموزشی و داده تست ۶۱
۴-۵-۲ ذخیره در ابر ۶۲
۴-۵-۳ روش کار الگوریتمKNN 62
۴-۵-۴ روش کار الگوریتمF-KNN 64
۶-۴ جمع¬بندی ۶۶
فصل پنجم:آزمایش ها و ارزیابی نتایج ۶۷
۵-۱ مقدمه ۶۷
۵-۲ جایگاه داده آزمایش ومحیط پیاده سازی واجرا ۶۸
۵-۳ مقایسه نتایج بدست آمده از الگوریتم -K نزدیک ترین همسایه عادی و فازی ۷۲
۵-۴ خصوصیات لایه نرم افزار به عنوان سرویس ۷۶
۵-۵ خصوصیات لایه پلتفرم به عنوان سرویس برای مدیریت مجازی ۷۷
۵-۶ خصوصیات لایه زیرساخت به عنوان سرویس در شبیه¬سازی ابر ۷۸
۵-۷ نرخ شناسایی ۷۹
۵-۸ نتایج شبیه سازی ۸۰
۵-۹ زمان شبیه سازی مراحل کار ۸۱
۵-۱۰ جمع¬بندی ۸۳
فصل ششم:نتیجه گیری و پیشنهادها ۸۴
۶-۱ مقدمه ۸۴
۶-۲ نتایج حاصل از تحقیق ۸۴
۶-۳ پیشنهادها ۸۵
مراجع: ۸۶
واژه نامه انگلیسی ۸۹
چکیده انگلیسی