بهبود ذخیره‌سازی در مراکز داده ابری توزیع‌شده با افزایش قابلیت اطمینان با استفاده از الگوریتم‌های هوش جمعی

مهندسی مخابرات جنوب

دوره 12، شماره 47، فروردین 1402، صفحه 71-83   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/jce.2022.1964623.1167

نویسندگان

علیرضا چمکوری¹؛ سراج الدین کاتبی^{* 2}

¹گروه مهندسی کامپیوتر واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران

²گروه مهندسی کامپیوتر،دانشکده مهندسی، دانشگاه شیراز، شیراز، ایران

چکیده

امنیت داده‌ها و حفظ حریم خصوصی در مراکز داده یک مسئله مهم است. از نگرانی‌های عمده در امنیت و حفظ حریم خصوصی، ناشی از این واقعیت است که احتمال دسترسی اپراتورهای ابر به اطلاعات حساس وجود دارد. برای بهبود ذخیره‌سازی در مراکز داده ابری توزیع‌شده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای کپی‌کردن داده‌ها بین مراکز داده استفاده‌شده است. این مقاله به‌طور خلاصه اهداف و محدودیت‌های مشکل ذخیره‌سازی ابر به‌منظور دستیابی به عملکرد خوب با درنظرگرفتن کمترین فاصله انتقال داده، ذخیره‌سازی بهینه در مراکز داده توزیع‌شده با قابلیت اطمینان مبتنی بر الگوریتم PSO بین دو مجموعه داده مرکزی را به دست می‌آورد و سپس یک رویکرد رمزنگاری هوشمند را ارائه می‌دهد که اپراتورهای سرویس ابری نمی‌توانند به‌طور مستقیم از داده‌های جزئی دسترسی پیدا کنند. نتایج عددی نشان می‌دهد که روش پیشنهادی می‌تواند یک استراتژی ذخیره‌سازی ابری خوب را فراهم کند، زمانی که تعداد مراکز داده توزیع برابر باشد می‌توان دفاع از تهدیدات اصلی در ابرها را به‌طور مؤثر انجام داد.

کلیدواژه‌ها

ذخیره‌سازی در ابر؛ هوش جمعی؛ بهینه‌سازی چندهدفه؛ مراکز داده ابری توزیع‌شده؛ قابلیت اطمینان

مراجع

[1]     J. Liu, T. Shi and P. Li, "Optimal cloud storage problem in the distributed cloud data centers by the discrete PSO algorithm,"  IEEE Congress on Evolutionary Computation; Sendai, Japan,  2015,  pp. 156–163,  doi: 10.1109/CEC.2015.7256887.

 

[2]     H. Hu, Y. Wen and D. Niyato,  "Public cloud storage-assisted mobile social video sharing: a supermodular game approach," IEEE Journal on Selected Areas in Communications ,  vol. 35, no.3, pp.345–556, 2017, doi: 10.1109/JSAC.2017.2659478.

 

[3]     A. Alabdel-abass, L. Xiao, N. Mandayam and  Z. Gajic, "Evolutionary game theoretic analysis of advanced persistent threats against cloud storage," IEEE Access, vol. 5, pp. 8482–8491, 2017,  doi: 10.1109/ACCESS.2017.2691326.

 

[4]     Y. Li, K. Gai, L. Qiu, M. Qiu and H. Zhao, "Intelligent cryptography approach for secure distributed big data storage in cloud computing,"  Information Sciences, vol. 387,  pp.103–115, 2016, doi: 10.1016/j.ins.2016.09.005.

 

[5]    W. Songa, et al. "A privacy-preserved full-text retrieval algorithm over encrypted data for cloud storage applications," Journal of Parallel and Distributed Computing , vol. 99, pp. 14–27, 2017,  doi: 10.1016/j.jpdc.2016.05.017.

 

[6]    X. Liu, L. Fan, L. Wang and S. Meng, "PSO based multiobjective reliable optimization model for cloud storage," in IEEE International Conference on Computer and Information Technology (CIT),Liverpool, UK, 2015, pp. 2263–2269.

 

[7]     A. Abdulridha-Taha, D. Salama, A. Elminaam and K.M. Hosny, "An improved security schema for mobile cloud computing using hybrid cryptographic algorithms," Far East Journal of Electronics and Communications , vol. 18, no. 4, pp. 521–546, 2018, doi: 10.17654/EC018040521.

 

[8]    S. Palani, E. Sangeetha and A. Archana, "Implementation of deduplication on encrypted big-data using signcryption for cloud storage applications," International Journal of Pure and Applied Mathematics , vol. 119, no. 12, pp.13409–13421, 2018.

 

[9]   G. Tlili, M. Faten- Zhani and H. Elbiaze, "On providing deadline-aware cloud storage services," IEEE  Conference on Innovation in Clouds, Internet and Networks (ICIN); Paris, France, 2018,  pp. 1–8, doi: 10.1109/ICIN.2018.8401605.

 

[10]  D. Hyseni, et al. "The proposed model to increase security of sensitive data in cloud computing," International Journal of Advanced Computer Science and Applications , vol. 9, no. 2, pp. 203–210, 2018, doi: 10.14569/IJACSA.2018.090229.

 

[11]   J. Bi, H. Yuan, S. Duanmu, M. Zhou and A. Abusorrah, "Energy-Optimized Partial Computation Offloading in Mobile-Edge ComputingWith Genetic Simulated-Annealing-Based Particle SwarmOptimization," IEEE Internet of Things Journal , vol. 8, no. 5, pp. 3774–3785, 2021,  doi: 10.1109/JIOT.2020.3024223.

 

[12]    Q. H. Zhu, J. J. Huang and Y. Hou, "Multi-Objective Scheduling of Cloud Data Centers Prone to Failures," Journal of Information Science & Engineering, vol. 38, no. 1, pp. 17–39, 2022.

 

[13]   H. Yuan, J. Bi, M. Zhou, Q. Liu and A. C. Ammari, "Biobjective Task Scheduling for Distributed Green Data Centers," IEEE Transactions on Automation Science and Engineering , vol. 18, no. 2, pp.731-742, 2021,  doi: 10.1109/TASE.2019.2958979

 

[14]   W. Yun and Z. Xingquan, "An Effective CloudWorkflow Scheduling Approach Combining PSO and Idle Time Slot-Aware Rules," IEEE/CAA Journal of Automatica Sinica , vol. 8, no. 5, pp. 1079–1094, 2021, doi: 10.1109/JAS.2021.1003982.

 

[15]    S.C. Vimercati, et al., "A Fuzzy-Based Brokering Service for Cloud Plan Selection," IEEE Systems Journal , vol. 13, no. 4, pp. 4101–4109, 2019, doi: 10.1109/JSYST.2019.2893212.

 

 

[16]  F.V. den-Bergh and  P. Engelbrecht, "A study of particle swarm optimization particle trajectories," Information Sciences , vol. 176, no. 8, pp. 937–971, 2006, .doi: 10.1016/j.ins.2005.02.003.

 

[17]   Z. Zheng, R. Kohavi and L. Mason, "Real world performance of association rule algorithms," in Proceedings of the 7th ACM SIGKDD international conference on Knowledge discovery and data mining; San Francisco California, USA, 2001, pp. 401–406, doi: 10.1145/502512.502572.