امروزه، بسیاری از سیستم های کامپیوتری تحت عنوان صرفه جویی در هزینه و انرژی شروع به مجازی شدن کرده اند. از آنجایی که فایل سیستم شامل مقدار زیادی داده حساس، از قبیل برنامه های قابل اجرا ، اطلاعات احراز هویت و پیکربندی می باشد، هدف معمول و همیشگی حملات مخرب است. اگر تغییرات ناخواسته ای روی این فایل ها اتفاق بیافتد، ممکن است روی امنیت سیستم کامپیوتری مربوطه اثر کند. نظارت صحت فایل، یک روش موثر برای کشف کردن رفتار مهاجم به وسیله شناسایی کردن عملیات ویرایش روی این فایل های حساس است. سازمان ها به دنبال دست یافتن به محرمانگی در محیط محاسبات مجازی هستند. درون نگری ماشین مجازی، متد مانیتورینگ و تحلیل کردن حالت یک ماشین مجازی را از سطح فرا ناظر شرح می دهد. درک فواید تکنولوژی درون نگری ماشین مجازی برای طراحی نرم افزارهای امنیتی، موجب پایان دادن به روشها و ساختارهای محاسبات سنتی می شود. شکاف معنایی و هزینه ی انتقالات زمینه، بین سیستم ناظر قابل اعتماد و ماشین مجازی تحت نظارت، از چالش های موجود در برنامه های امنیتی مبتنی بر مجازی سازی هستند. در این پایان نامه، یک مدل جهت طراحی سیستم های نظارت صحت فایل بی درنگ مبتنی بر درون نگری ماشین مجازی را ارائه می کنیم که سعی در پر کردن شکاف معنایی و کاهش انتقال زمینه دارد. همچنین با ارائه یک روش دسته بندی، تعداد فایل های تحت نظارت را کاهش داده و باعث بهبود کارایی سیستم ناظر صحت فایل می شویم. با مقایسه روش های موجود، ما استدلال می کنیم که این یک مدل مناسب جهت طراحی برنامه های نظارت صحت فایل مبتنی بر درون نگری ماشین مجازی است که در بسیاری از سیستم های امنیتی دیگر مبتنی بر مجازی سازی، امکان پذیر می باشد.

امروزه استفاده از شبکه های اجتماعی بسیار گسترده و فراگیر شده است، به طوری که انجام عمل مناسب و متناسب با شرایط در این شبکه ها از اهمیت بسیاری برخوردار است و این اقدام آگاهانه می تواند برای فرد مزایای بسیاری را به همراه داشته باشد. در این تحقیق مدل پیشنهاددهنده ای ارائه شده است که در شبکه اجتماعی به صورت آگاه به زمینه کاربر (زمان، مکان، وضعیت فعلی و ...) عمل نموده و با توجه به این شرایط، عمل متناسب را به وی پیشنهاد می دهد. انتخاب این عمل با توجه به آنچه دوستان کاربر در موقعیت مشابه انجام داده اند، می باشد؛ به عبارت دیگر، سیستم پیشنهاددهنده مورد استفاده در اینجا از روش فیلترسازی مشارکتی استفاده می نماید. لازم به ذکر است که این سیستم تمام ارتباط های مستقیم و غیرمستقیم کاربر در شبکه اجتماعی را در نظر می گیرد؛ اما متناسب با نوع ارتباط و فاصله آن تا کاربر، ضریب متناسب را اختصاص می دهد. برای مثال دوستان مستقیم کاربر با ضریب 1 و دوستِ دوست وی با ضریب 5/0 در نظر گرفته می شود. در نهایت، پس از انتخاب مجموعه داده ای مناسب و پیاده سازی مدل ارائه شده که با استفاده از تکنیک های داده کاوی و شبکه عصبی صورت گرفت، با استفاده از محاسبه دقت پیشنهادهای ارائه شده، میزان مفید بودن این مدل و پیشنهادهایی که توسط آن به کاربر داده می شود ارزیابی شد.

امروزه محاسبات ابری خدمات فناوری اطلاعات زیادی را برای کاربران در سراسر جهان ارائه می دهد . در قبال هزینه هایی که کاربران در سیستم کسب و کار وب پرداخت می کنند، میزبانان مراکز داده ، خدماتی را انجام می دهند.افزایش تقاضا منجر به افزایش خدمات ودر نتیجه ایجاد مراکز داده محاسباتی با مقیاس بزرگ شده که علاوه برهزینه های عملیاتی بالا،مقادیر عظیمی از توان الکتریکی را مصرف می کند.از طرفی سیستم های خنک کننده ناکافی و ناکارآمد،نه تنها باعث گرم شدن بیش ازحد منابع وکاهش عمرکاری دستگاه ها می شود،بلکه باعث تولید کربن شده که در اثر گلخانه ای و وضعیت آب و هوا نقش مهمی دارد واین باعث شد رفته رفته مبحثی بنام محاسبات ابری سبز ظهور کند. محاسبات ابری سبز نه تنها باعث حداقل شدن هزینه های عملیاتی شده،بلکه به کاهش اثرات زیست محیطی کمک می کند. به همین علت بایدبه دنبال یک چهارچوب معماری و اصول کارآمد وتخصیص الگوریتم هایی برای مدیریت انرژی درمحاسبات ابری باشیم.دراینجا ما یک روش موثر مدیریت منابع انرژی در مراکز داده ابری مجازی شده ارائه کردیم که علاوه بر کاهش مصرف انرژی و هزینه های عملیاتی ،باعث افزایش کیفیت خدمات نیز شده و این کار در مراکز داده و با به کارگیری فناوری های یکپارچه سازی ماشینهای مجازی مطابق بابهره برداری فعلی ازمنابع، توپولوژی های شبکه مجازی برقرارشده بین ماشینهای مجازی و حالت گرمایی نودهای محاسباتی حاصل می شود. نتایج نشان می دهد که مدل محاسبات ابری پتانسیل فوق العاده ای وصرفه جویی قابل توجهی در هزینه دارد.

محاسبات ابری اخیراً به عنوان یک الگو برای میزبانی و تحویل سرویس ها بر روی اینترنت مطرح شده است. یک مسئله مهم در محاسبات ابری، زمان بندی جریان کار است. زمان بندی مناسب می تواند باعث بهبود کارایی سرورها و پردازنده ها در انجام کارها شود. برای استفاده بهینه از توان عملیاتی سرویس دهنده های موجود در محیط ابر روش های متعدد زمان بندی ارائه شده است. با وجود تنوع زیاد این روش ها در استفاده بهینه از منابع و زمان، اما در این الگوریتم ها توجه چندانی به وضعیت و سابقه استفاده از منابع نشده است. یعنی اینکه یک منبع در گذشته چه مقدار از کارهایی را که به آن ها تخصیص داده شده با موفقیت انجام داده و در انجام چه تعداد از کارها با شکست مواجه شده است. در این پایان¬نامه تلاش شده است با در نظر گرفتن استفاده منابع در گذشته و محاسبه قابلیت اطمینان هر منبع، توزیع بار مناسبی صورت گیرد. در روش جدید از ایده پیش بینی وضعیت سرویس دهنده بهره گرفته شده است. این پیش بینی شامل تخمین میزان شکست و سرعت انجام پردازش است. برای ارزیابی راهکار پیشنهادی، برنامه نویسی انجام شده و نتایج با نمونه های 50، 100و200 کار ارزیابی شده است. بررسی ما نشان می¬دهد که الگوریتم پیشنهادی به لحاظ زمان بندی و تعداد شکست ها نسبت به راهکارهای مشابه عملکرد بهتری دارد.

هدف از مطرح کردن روش تطبیقی برای مدیریت منابع در محیط محاسبات ابری ایجاد تعادل بین منبع پردازنده و پردازه ها می باشد بطوریکه درنبود یا کمبود پردازه، پردازنده بیهوده اتلاف انرژی ننماید و یا در زمان هجوم پردازه ها با کمبود منبع پردازشی مواجه نگردیم.

محاسبات ابری نوعی از سیستم های موازی و توزیع شده برای عرضه، مصرف و تحویل سرویس های فناوری اطلاعات با به کارگیری اینترنت است. برای افزایش سرعت پاسخ گویی و تضمین رضایت کاربران ابر، منابع محاسباتی باید به شکل متعادل بین درخواست ها تخصیص شوند تا سر بارگذاری منابع ابر و تأخیر در خدمت رسانی کاربران رخ ندهد. با توجه به اهمیت این موضوع، در این پژوهش راه کار نوین تعادل بار با کاهش زمان پاسخ و تعادل بار موثر در محاسبات ابری ارائه کرده ایم. ایده اصلی ما، استفاده از دو روش جستجوی حریصانه و جستجوی ممنوعه با بررسی نرخ ورود درخواست های کاربران می باشد.