Machine Learning Techniques and Analytics for Cloud Security (Advances in Learning Analytics for Intelligent Cloud-IoT Systems)

این کتاب روش‌ها، نظرسنجی‌ها، مطالعات موردی و خط‌مشی‌های جدید را با تقریباً تمام تکنیک‌های یادگیری ماشین و تجزیه و تحلیل برای راه‌حل‌های امنیت ابری پوشش می‌دهد

هدف تکنیک های یادگیری ماشین و تجزیه و تحلیل برای امنیت ابری ادغام رویکردهای یادگیری ماشین برای پاسخگویی به مسائل مختلف تحلیلی در امنیت ابری است. امنیت ابری با ML چالش های طولانی مدتی دارد که نیاز به مدیریت روش شناختی و نظری دارد. رویکرد رمزنگاری مرسوم کمتر در دستگاه‌های محدود به منابع اعمال می‌شود. برای حل این مسائل، رویکرد یادگیری ماشینی ممکن است به طور موثر در ارائه امنیت به محیط ابری در حال رشد گسترده استفاده شود. الگوریتم‌های یادگیری ماشینی همچنین می‌توانند برای رفع مسائل مختلف امنیتی ابری مانند سیستم‌های تشخیص نفوذ مؤثر، سیستم‌های احراز هویت با دانش صفر، اقدامات برای حملات غیرفعال، طراحی پروتکل‌ها، طراحی‌های سیستم حریم خصوصی، برنامه‌ها و بسیاری موارد دیگر مورد استفاده قرار گیرند. این کتاب همچنین شامل مطالعات موردی/پروژه‌هایی است که چگونگی پیاده‌سازی ویژگی‌های امنیتی مختلف با استفاده از الگوریتم‌های یادگیری ماشینی و تجزیه و تحلیل را بر روی محصولات مبتنی بر ابر موجود در ابر عمومی، خصوصی و ترکیبی به ترتیب نشان می‌دهد.

مخاطبان

پژوهشگران و مهندسان صنعت در علوم کامپیوتر، مهندسی برق و الکترونیک، یادگیری ماشین، امنیت کامپیوتر، فناوری اطلاعات و رمزنگاری.

This book covers new methods, surveys, case studies, and policy with almost all machine learning techniques and analytics for cloud security solutions

The aim of Machine Learning Techniques and Analytics for Cloud Security is to integrate machine learning approaches to meet various analytical issues in cloud security. Cloud security with ML has long-standing challenges that require methodological and theoretical handling. The conventional cryptography approach is less applied in resource-constrained devices. To solve these issues, the machine learning approach may be effectively used in providing security to the vast growing cloud environment. Machine learning algorithms can also be used to meet various cloud security issues, such as effective intrusion detection systems, zero-knowledge authentication systems, measures for passive attacks, protocols design, privacy system designs, applications, and many more. The book also contains case studies/projects outlining how to implement various security features using machine learning algorithms and analytics on existing cloud-based products in public, private and hybrid cloud respectively.

Audience

Research scholars and industry engineers in computer sciences, electrical and electronics engineering, machine learning, computer security, information technology, and cryptography.