دانلود ترجمه مقاله روندهای آتی امنیت در رایانش ابری

1. مقدمه 2. رایانش ابری 3. تاثیر سیستم رایانش ابری در اصطلاحات کیفیت سرویس سیستم مدیریت دانش 4. چارچوبی برای خانه هوشمند مبتنی بر ابر 5. نتیجه گیری و کارهای آتی

نتیجه گیری و کارهای آتی: متدهای مختلفی در آینده برای گمنام کردن داده ها در ابر از سال 2015 تا 2017 بررسی خواهد شد. انتشار میکروداده ها از قبیل داده های سرشماری یا بیماران برای تحقیقات گسترده و دیگر اهداف، حوزه مهمی است که توسط آژانس های دولتی و دیگر تشکلات اجتماعی روی آن تمرکز شده است. روش های سنتی که در مقالات آورده شده اند، روش حذف فیلدهای تشخیصی یکتا مانند شماره امنیت اجتماعی از میکروداده را پیشنهاد می کنند که هنوز افشای اطلاعات حساس می شود، الگوریتم بهینه سازی گمنامسازی K از نوع NP سخت است. به این ترتیب موجب چالش های محاسباتی زیادی می شود. گمنامسازی K با مسئله حمله یکنواختی و حمله زمینه دانش مواجه است. مفهوم تنوع که در مستندات گذشته پیشنهاد شده است ، برای بررسی این موضوع و نیز بررسی محدودیت هاست چرا که در جلوگیری از حملات افشای نسبت ها (حمله چولگی و حمله تشابه)، بدست آوردن آن سخت است و ممکن است حفاظت کافی از حریم شخصی را در برابر صفات حساس در کلاس مربوطه و با تکنیک های خاص محدودیت گذاری مانند نمونه گیری گردکردن سرکوب سلول و مبادله داده نتواند بدست آورد. ارزیابی تکنیک های بینام سازی داده و تکنیک های جلوگیری از افشا داده با جزییات بحث شده اند. کاربرد تکنیک های بینام سازی داده برای طیف های خاصی از داده ها مانند داده های طراحی ، بیان شده است. این خلاصه ، جهت های تحقیقاتی خاصی را در حوزه بی نام سازی پایگاه داده پیشنهاد می کند.

CONCLUSION AND FUTURE WORK: Various methods to be developed in future for anonymizing data in cloud from 2015 to 2017 is discussed. Publishing microdata such as census or patient data for extensive research and other purposes is an important problem area being focused by government agencies and other social associations. The traditional approach identified through literature survey reveals that the approach of eliminating uniquely identifying fields such as social security number from microdata, still results in disclosure of sensitive data, k-anonymization optimization algorithm, seems to be promising and powerful in certain cases, still carrying the restrictions that optimized k-anonymity are NP-hard, thereby leading to severe computational challenges. k-anonimity faces the problem of homogeneity attack and background knowledge attack. The notion of l-diversity proposed in the literature to address this issue also poses a number of constraints , as it proved to be inefficient to prevent attribute disclosure (skewness attack and similarity attack), l-diversity is difficult to achieve and may not provide sufficient privacy protection against sensitive attribute across equivalence class can substantially improve the privacy as against information disclosure limitation techniques such as sampling cell suppression rounding and data swapping and pertubertation. Evolution of Data Anonymization Techniques and Data Disclosure Prevention Techniques are discussed in detail. The application of Data Anonymization Techniques for several spectrum of data such as trajectory data are depicted. This survey would promote a lot of research directions in the area of database anonymization.

بخشی از ترجمه مقاله (صفحه 8 فایل ورد ترجمه)