فصلنامه تخصصی آرمان پردازش

چکیده پیشینه و اهداف: کلیک‌های وب‌سایت که کاربران تلفن‌های اندروید را به وب‌سایت‌های مخرب با هشدارهای ‏جعلی ویروس یا حملات فیشینگ هدایت می‌کنند، به صورت تصاعدی در حال افزایش هستند. اگرچه یک ‏لیست سیاه مکان‌یاب منبع یکنواخت‎ (URL) ‎به عنوان یک اقدام متقابل مناسب برای چنین حملاتی در نظر ‏گرفته می‌شود، اما شناسایی کارآمد وب‌سایت‌های مخرب دشوار است. تا آنجا که ما می‌دانیم، هیچ تحقیقی بر ‏تشخیص حملاتی که کاربران تلفن‌های اندروید را به وب‌سایت‌های مخرب هدایت می‌کنند، متمرکز نشده است. ‏بنابراین، ما یک روش تشخیص تغییر مسیر را پیشنهاد می‌کنیم که بر فاصله زمانی تغییر نوار‎ URL ‎مرورگر ‏گوگل کروم مبتنی بر اندروید تمرکز دارد.‏
روشها: روش پیشنهادی، که به راحتی به عنوان یک برنامه اندروید قابل نصب است، از سرویس دسترسی ‏اندروید برای شناسایی تغییر مسیرهای ناخواسته به وب‌سایت‌های مخرب بدون جمع‌آوری اطلاعات در مورد ‏این وب‌سایت‌ها از قبل استفاده می‌کند. این مقاله جزئیات طراحی، پیاده‌سازی و نتایج ارزیابی برنامه پیشنهادی ‏را بر روی یک دستگاه اندروید واقعی شرح می‌دهد‎. ‎ما مقادیر آستانه برای تعداد دفعات تغییر نوار‎ URL ‎و زمان ‏سپری شده برای تعیین تغییر مسیرها به وب‌سایت‌های مخرب را برای روش پیشنهادی تعیین کردیم.‏
یافته ها: بر اساس نتایج، ما علل تشخیص‌های مثبت کاذبِ تغییر مسیرها به وب‌سایت‌های بی‌خطر را بررسی ‏کردیم و راه‌حل‌هایی برای مدیریت آنها ارائه دادیم‎.‎‏ همچنین مقادیر آستانه‌ای که می‌توانند نرخ‌های مثبت و ‏منفی کاذب را به حداقل برسانند، و همچنین دقت تشخیص روش پیشنهادی بر اساس این مقادیر آستانه را ‏ارائه می‌دهیم. علاوه بر این، نتایج ارزیابی‌ها را بر اساس گزارش‌های دسترسی کاربران واقعی شرکت‌کننده در ‏آزمایش پروژه‎ WarpDrive ‎ارائه می‌دهیم که نشان می‌دهد روش پیشنهادی، موارد مثبت کاذب را به حداقل ‏می‌رساند و اکثر تغییر مسیرها به وب‌سایت‌های مخرب را با موفقیت تشخیص می‌دهد

چکیده ‏چکیده

پیشینه و اهداف: خطا در شبکه های توزیع فدرت بر اساس پارامترهای غیرفابل کنترل بوجود می آید. روش ‏سریعی که قادر به شناسایی و مکانیابی خطای شبکه های توزیع قدرت باشد برای نگهداری مطمئن این شبکه ‏ها حیاتی است. روشهای معمول با اندازه گیری ولتاژ انتقال دهنده ها کار می کنند اما روش پیشنهادی ‏استفاده از الگوریتمهای هوش مصنوعی برای تشخیص و تحلیل خطا در شبکه های توزیع قدرت است. ‏مجموعه ای از حسگرها برای دریافت ولتاژ و سایر داده ها تحت شرایط شبیه سازی استفاده شده است که ‏شامل خطا در مدارات کوتاه و مدارات باز است. روش پیشنهادی شامل متغیرهای اساسی مانند: نوع خطا، ‏معماری جایگزاری حسگر و فاصله است که بوسیله داده های اخذ شده کنترل می شوند. ‏

روشها: این مقاله دو الگوریتم را نمایش می دهد: یک شبکه عصبی مصنوعی و یک سیستم استنتاج انطباقی ‏فازی-عصبی. هر دوی این الگوریتمها دارای پارامترهای زیادی هستند که نیاز به تنظیم دارند. هرچند مقدار ‏هرکدام از آنها بر روی کارآیی تاثیر می گزارد ولی هدف اصلی این مقاله نحوه استفاده از الگوریتمها است. ‏مراحل الگوریتمها در مقاله توضیح داده شده است. نتایج الگوریتمها به همراه داده های استفاده شده نشان ‏داده شده است.کارآیی بدست آمده تحت متغیرهای شرایطی فراخوانده شده در فاصله 200 تا 800 متری ‏قابل اعتبار هستند. ‏

یافته ها: نتایج شبیه سازی نشان می دهد که طبقه بندی ‏ANFIS‏ دارای درستی بهتری در طبقه بندی ‏‏(97%) و خطای کمتری در تقریب فاصله (0.5%) است. هردو الگوریتم ‏ANN‏ و ‏ANFIS‏ بسیار سریع ‏آموزش می بینند (1‏‎ ms‏) بعلاوه ‏ANFIS‏ پایداری بیشتری دارد. نتایج حاصل از این یافته ها، با یکدیگر ‏مقایسه شده است.‏

نتیجه گیری: طرحی که نمایش داده شده است مقاوم، قابل محاسبه خطا در سیستمهای مدیریت بلادرنگ ‏و قابل تجمیع حسگرها در یک شبکه توزیع قدزت را دارد. ‏