تشخیص به‌موقع و دقیق ناهنجاری‌ها در محیط رایانش ابری، نقشی کلیدی در ارتقای پایداری و امنیت سیستم ایفا می‌کند. این فرآیند ابزاری حیاتی برای مدیران پلتفرم‌های ابری به شمار می‌رود تا بتوانند با نظارت مستمر بر رفتار سیستم، از بروز اختلالات احتمالی جلوگیری نمایند. با توجه به ویژگی‌هایی همچون مقیاس‌پذیری بالا، پیچیدگی ساختاری و اشتراک منابع در رایانش ابری، شناسایی دقیق ناهنجاری‌ها به‌ویژه در زمان واقعی، به چالشی جدی تبدیل شده است. ناتوانی در تشخیص به‌موقع این ناهنجاری‌ها، نه‌تنها بازیابی سیستم را دشوار می‌سازد، بلکه امنیت کلی زیرساخت را نیز تهدید می‌کند. در شرایط فعلی، اغلب ارائه‌دهندگان خدمات ابری از سامانه‌های تشخیص نفوذ سنتی (IDS) بهره می‌گیرند که علی‌رغم قابلیت نظارت بر ترافیک و ارسال گزارش، در اتخاذ اقدامات پیشگیرانه خودکار ناتوان‌اند. مهاجمان می‌توانند با بهره‌گیری سریع از آسیب‌پذیری‌ها، این سیستم‌ها را ناکارآمد سازند. در این پژوهش، رویکردی نوین مبتنی بر الگوریتم ژنتیک و ترکیب دسته‌بندهای هوشمند به منظور ارتقای دقت تشخیص نفوذ پیشنهاد شده است. نتایج تجربی نشان می‌دهد که مدل پیشنهادی توانسته است دقت پیش‌بینی حملات را به میزان ۰٫۷ درصد بهبود دهد.