TMB-CMSBT: A Block chain and Ensemble Learning Framework for Secure VM Management and Threat Detection
यह शोध पत्र TMB-CMSBT का प्रस्ताव करता है, जो एक नवीन ढांचा है जो क्लाउड वातावरण में सुरक्षित VM प्रबंधन, उपयोगकर्ता प्रमाणीकरण और वास्तविक समय में खतरे का पता लगाने को बढ़ाने के लिए ब्लॉकचेन तकनीक और एन्सेम्बल लर्निंग को एकीकृत करता है, जबकि पारंपरिक केंद्रीकृत प्रणालियों की सीमाओं को भी संबोधित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक डिजिटल दुनिया में, सूचनाओं की विशाल मात्रा व्यक्तिगत कंप्यूटरों पर नहीं, बल्कि क्लाउड के रूप में जाने जाने वाले विशाल, दूरस्थ डेटा केंद्रों में संग्रहीत और संसाधित की जाती है। यह प्रणाली लोगों और व्यवसायों को मांग पर शक्तिशाली कंप्यूटिंग संसाधनों तक पहुँचने की अनुमति देती है, जिससे वे केवल उसी के लिए भुगतान करते हैं जिसका वे उपयोग करते हैं। हालाँकि, यह सुविधा एक महत्वपूर्ण चुनौती भी लाती है: सुरक्षा। चूँकि इतने सारे विभिन्न उपयोगकर्ता एक ही भौतिक बुनियादी ढांचे (इन्फ्रास्ट्रक्चर) को साझा करते हैं, इसलिए यह सुनिश्चित करना कठिन है कि केवल अधिकृत लोग ही अपने विशिष्ट डेटा तक पहुँच सकें। पारंपरिक सुरक्षा विधियाँ अक्सर पहचान की जाँच करने और ट्रैफ़िक की निगरानी करने के लिए एक केंद्रीय प्राधिकरण पर निर्भर करती हैं। ये केंद्रीय प्रणालियाँ जटिल, उच्च-गति वाले डेटा पैटर्न के साथ तालमेल बिठाने में संघर्ष कर सकती हैं, और यदि केंद्रीय प्राधिकरण से समझौता हो जाता है, तो पूरी प्रणाली जोखिम में पड़ जाती है। इसके अलावा, जबकि कुछ नई तकनीकें लेनदेन को सुरक्षित रूप से रिकॉर्ड करने के लिए विकेंद्रीकृत लेजर का उपयोग करती हैं, उनमें अक्सर नुकसान पहुँचाने से पहले दुर्भावनापूर्ण व्यवहार का बुद्धिमानी से पूर्वानुमान लगाने और उसे रोकने की क्षमता का अभाव होता है।
इन कमियों को दूर करने के लिए, चेन्नई के सेवीथा स्कूल ऑफ इंजीनियरिंग के एक शोधकर्ता डॉ. प्रताप कुमार के ने TMB-CMSBT नामक एक नया ढांचा (फ्रेमवर्क) प्रस्तावित किया है। यह प्रणाली वर्चुअल मशीनों—जो कि वे सॉफ्टवेयर-आधारित कंप्यूटर हैं जिन्हें उपयोगकर्ता क्लाउड के भीतर किराए पर लेते हैं—के लिए अधिक सुरक्षित वातावरण बनाने हेतु दो अलग-अलग तकनीकों को जोड़ती है। पहला घटक एक टोकन-आधारित प्रबंधन प्रणाली है। केवल पासवर्ड पर निर्भर रहने के बजाय, यह प्रणाली उपयोगकर्ता की पहचान और पिछले व्यवहार के सत्यापन के बाद ही उसे एक अद्वितीय डिजिटल कुंजी, या टोकन जारी करती है। यह टोकन सुरक्षा की दूसरी परत के रूप में कार्य करता है, जो विशिष्ट कंप्यूटिंग संसाधनों तक पहुँच प्रदान करता है। दूसरा घटक ब्लॉकचेन है, जो एक स्थायी, अपरिवर्तनीय लॉग में प्रत्येक क्रिया को रिकॉर्ड करता है। इस साझा लेजर पर प्रत्येक लॉगिन, संसाधन आवंटन और सुरक्षा जाँच को रिकॉर्ड करके, यह प्रणाली सुनिश्चित करती है कि कोई भी अपराध को छिपाने के लिए घटनाओं के इतिहास के साथ छेड़छाड़ न कर सके।
इस कार्य का मुख्य नवाचार यह है कि ये दोनों प्रणालियाँ आपस में कैसे संवाद करती हैं। शोधकर्ता ने एक परिष्कृत मशीन लर्निंग टूलसेट, जिसे 'एन्सेम्बल लर्निंग फ्रेमवर्क' कहा जाता है, को इस ऑपरेशन के मस्तिष्क के रूप में एकीकृत किया है। किसी उपयोगकर्ता के खतरनाक होने का अनुमान लगाने के लिए केवल एक विधि का उपयोग करने के बजाय, यह प्रणाली कई अलग-अलग एल्गोरिदम के भविष्यवाणियों को जोड़ती है। ये एल्गोरिदम नेटवर्क ट्रैफ़िक के पैटर्न का विश्लेषण करते हैं, जैसे कि कितना डेटा स्थानांतरित किया जा रहा है, उपयोगकर्ता कितनी देर तक लॉग इन रहता है, और वह कितनी कंप्यूटिंग शक्ति का उपयोग कर रहा है। यदि सिस्टम गतिविधि में अचानक उछाल या कोई अजीब पैटर्न का पता लगाता है जो यह संकेत देता है कि कोई उपयोगकर्ता मशीन को हाईजैक करने की कोशिश कर रहा है, तो यह मानव हस्तक्षेप का इंतजार नहीं करता है। इसके बजाय, यह स्वचालित रूप से संदिग्ध वर्चुअल मशीन को नेटवर्क से अलग कर देता है और उपयोगकर्ता का टोकन वापस ले लेता है, जिससे उन्हें नुकसान पहुँचाने से पहले ही प्रभावी रूप से बाहर कर दिया जाता है। लॉगिन से लेकर खतरे के अलगाव तक की ये सभी क्रियाएं ब्लॉकचेन पर स्थायी रूप से लिखी जाती हैं, जिससे क्लाउड के सुरक्षा इतिहास का एक पारदर्शी और विश्वसनीय रिकॉर्ड बनता है।
यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण वास्तव में मौजूदा तरीकों से बेहतर काम करता है, शोधकर्ता ने अन्य लोकप्रिय सुरक्षा मॉडलों के विरुद्ध इस नई प्रणाली की तुलना करते हुए सिमुलेशन की एक श्रृंखला चलाई। परिणामों ने दिखाया कि प्रस्तावित ढांचा सामान्य उपयोगकर्ताओं और दुर्भावनापूर्ण अभिनेताओं के बीच अंतर करने में अत्यधिक प्रभावी था। खतरों को सही ढंग से पहचानने की क्षमता को मापने वाले परीक्षणों में, नए सिस्टम ने 99.56% की सटीकता दर प्राप्त की, जो लगभग 89% से 97% के बीच रहने वाले अन्य मॉडलों से बेहतर है। केवल बुरे तत्वों को पकड़ने के अलावा, यह प्रणाली संसाधनों के मामले में भी कुशल सिद्ध हुई। जब कार्यों की संख्या बढ़ी, तो नए सिस्टम ने अन्य प्रतिस्पर्धी मॉडलों की तुलना में कम कंप्यूटिंग शक्ति का उपयोग किया, कम ऊर्जा खर्च की और कार्यों को निष्पादित करने में कम समय लिया। उदाहरण के लिए, जहाँ अन्य प्रणालियाँ कार्यभार बढ़ने पर देरी का सामना करती थीं, वहीं इस नए ढांचे ने भारी लोड के तहत भी केवल कुछ मिलीसेकंड में कार्य पूरा करते हुए अपना रिस्पॉन्स टाइम कम रखा।
अध्ययन ने यह भी देखा कि सिस्टम कितनी बार अपनी सेवा संबंधी वादों को पूरा करने में विफल रहा, जिसे 'सर्विस लेवल एग्रीमेंट (SLA) उल्लंघन दर' के रूप में जाना जाता है। नया सिस्टम बहुत कम उल्लंघन दर बनाए रखता है, जो बड़ी मात्रा में कार्यों को संभालने के दौरान भी 6% से नीचे रही, जबकि अन्य मॉडल विफलता की उच्च दर दिखाते थे। इसके अतिरिक्त, ब्लॉकचेन पर लेनदेन को रिकॉर्ड करने में लगने वाले समय को न्यूनतम किया गया, जिससे यह सुनिश्चित हुआ कि सुरक्षा लॉग समग्र सिस्टम की गति को धीमा न करें। शोधकर्ता ने निष्कर्ष निकाला कि ब्लॉकचेन की विकेंद्रीकृत विश्वसनीयता को संयुक्त मशीन लर्निंग मॉडलों की भविष्य कहने वाली शक्ति के साथ जोड़कर, एक ऐसा क्लाउड वातावरण बनाना संभव है जो न केवल सुरक्षित है बल्कि उत्तरदायी और कुशल भी है। यह दृष्टिकोण वर्चुअल मशीनों को प्रबंधित करने का एक तरीका प्रदान करता है जो वास्तविक समय में खतरों का पता लगा सकते हैं और उन्हें रोक सकते हैं, जिससे उन सभी के लिए एक सुरक्षित और अधिक विश्वसनीय अनुभव मिलता है जो अपने काम के लिए क्लाउड कंप्यूटिंग पर भरोसा करते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।