فصلنامه تخصصی آرمان پردازش

چکیده رشد نفجاری دستگاه‌های اینترنت اشیا (IoT) در محیط‌های خانگی، همراه با محدودیت‌های ذاتی این دستگاه‌ها از نظر توان محاسباتی، حافظه و مصرف انرژی، سطح حملات سایبری را به طور بی‌سابقه‌ای افزایش داده است. شبکه‌های خانگی سنتی فاقد مکانیسم‌های امنیتی مناسب برای مقابله با تهدیدات نوظهور اختصاصی IoT  هستند. این مقاله یک راهکار جامع و چندلایه برای افزایش امنیت در شبکه‌های خانگی مبتنی بر IoT ارائه می‌دهد. رویکرد پیشنهادی با عنوان "SecHome-IoT"  از ترکیب سه لایه اصلی تشکیل شده است: اول لایه تشخیص ناهنجاری مبتنی بر یادگیری عمیق (پیش‌پردازش خودکار و شبکه عصبی کانولوشن یک‌بعدی به همراه حافظه کوتاه‌مدت طویل‌مدت)، دوم لایه مجازی‌سازی امن مبتنی بر میکروسرویس‌های سبک (با استفاده از کانتینرهای سخت‌افزاری و جداسازی مسیر بحرانی) و سومین لایه مدیریت خط‌مشی پویا و تطبیقی (با استفاده از سیستم استنتاج فازی تطبیقی-عصبی) انجام می­دهد. ارزیابی سخت‌افزاری-نرم‌افزاری بر روی مجموعه داده‌های واقعی CICIDS2017، Bot-IoT  و UNSW-NB15 به همراه پیاده‌سازی بر روی پلتفرم Raspberry Pi  و سوییچ‌های هوشمند OpenWrt  نشان می‌دهد که روش پیشنهادی با نرخ تشخیص حمله ۹۸.۷٪، نرخ هشدار اشتباه ۱.۴٪، و تأخیر پردازش میانگین ۴۲.۶ میلی‌ثانیه نسبت به بهترین روش‌های پیشین  مانند IoT-IDSA  و Deep-STM بهبودی بین ۱۲ تا ۲۵ درصدی در معیارهای امنیتی و کارایی دارد. این مقاله با ارائه تحلیل جامع تهدیدها، پیاده‌سازی واقعی و مقایسه کمی گسترده، نقشه راهی عملی برای تأمین امنیت شبکه‌های خانگی IoT فراهم می‌آورد.

چکیده پیشینه و اهداف: با پیشرفت شبکه‌های وسایل نقلیه و نیاز روزافزون به داده‌های دقیق و به‌موقع، چالش‌هایی مانند تأخیر در بازیابی داده‌ها و نگرانی‌های امنیتی به طور فزاینده‌ای مورد توجه قرار گرفته‌اند. روش‌های سنتی ذخیره‌سازی مبتنی بر ابر به دلیل فاصله زیاد بین وسایل نقلیه و سرورها، قادر به پاسخگویی به نیازهای زمانی و امنیتی نیستند. محاسبات لبه اگرچه راه‌حلی برای کاهش تأخیر است، اما به دلیل محدودیت‌های ذخیره‌سازی و مدیریت توزیع‌شده نیاز به بهبود دارد. پژوهش‌های پیشین عمدتاً بر یکی از جنبه‌های بهینه‌سازی (کاهش تأخیر یا افزایش امنیت) متمرکز بوده‌اند و کمتر به ترکیب این دو هدف پرداخته‌اند. هدف این مقاله ارائه مدل بهینه‌سازی نوآورانه ترکیبی با استفاده از یادگیری عمیق و زنجیره بلوکی که علاوه بر تضمین امنیت زمان و تاخیر را مد نظر داشته باشد. این هدف با بهبود محل کش و ذخیره سازی و بازیابی اطلاعات و ذخیره اطلاعات مهم در زنجیره بلوکی انجام شده است، تا مدل مقیاس‌پذیری و انعطاف‌پذیر در برابر تغییرات ترافیکی و تقاضای کاربران باشد.

روش‌ها‌: جامعه و نمونه شامل شبکه‌های وسایل نقلیه متحرک (VANETs) با در نظر گرفتن خدمت دهندههای لبه و گره‌های وسایل نقلیه است. که از مدل LSTM برای پیش‌بینی الگوهای ترافیکی و محبوبیت داده‌ها استفاده شده است و از زنجیره بلوکی با مکانیزم اجماع PoA و قراردادهای هوشمند برای ذخیره‌سازی امن داده ها استفاده شده است. ارزیابی عملکرد با معیارهای تأخیر، امنیت و مقیاس‌پذیری انجام شده است و با روش‌های موجود مانند Tabu Search, CCS-AGP, و Random Caching از نظر تأخیر و امنیت مقایسه شده اند

یافته‌ها: مدل پیشنهادی تأخیر را به طور قابل توجهی کاهش داده (۱۰٪ تا ۳۰٪ نسبت به روش‌های مورد مقایسه) است. استفاده از زنجیره بلوکی تنها ۸٪ تأخیر اضافی ایجاد کرد در حالی که امنیت را به سطح «بسیار بالا» رساند. و سیستم در برابر افزایش تعداد گره‌ها و حجم داده‌ها پایدار و مقیاس‌پذیر عمل کرد. نتایج شبیه‌سازی نشان داد که ترکیب یادگیری عمیق و زنجیره بلوکی توازن بهینه‌ای بین عملکرد و امنیت برقرار می‌کند.

نتیجه‌گیری: مدل پیشنهادی با ترکیب یادگیری عمیق و زنجیره بلوکی، نه تنها تأخیر را کاهش داده، بلکه امنیت و یکپارچگی داده‌ها را نیز تضمین کرده است.

چکیده توربین های بادی به عنوان یکی از ابزار تولید انرژی الکتریکی از انرژی‌های تجدیدپذیر و پاک مورد توجه بسیاری از محققین قرار گرفته است. بحث کنترل توربین به منظور تولید توان بیشتر و مقرون به صرفه بودن استفاده از آن در برابر سوخت‌های فسیلی، روش‌های مختلف کنترلی را به چالش کشیده است. در پژوهش حاضر هدف استفاده از کنترل‌کننده‌های فازی به علت مقاوم بودن آن برای بهبود توان خروجی و تثبیت آن در مواقع لزوم می‌باشد. برای این منظور ابتدا ژنراتور القایی تغذیه دو سویه و باد متغیر مدل‌سازی گردید، پس از آن نیز کنترل‌کننده‌های فازی به منظور کنترل مجزا توان‌‌های اکتیو و راکتیو، کاهش تداخلات و اثرات عدم قطعیت طراحی خواهد شد. که از الگوریتم تجمعی ذرات استفاده و بهترین قوانین و پارامتر فازی سیستم فازی را به عملکرد بهتر هدایت کردیم. مقایسه نتایج حاصل از شبیه‌سازی کنترل‌کننده‌های فازی و PI نشان‌دهنده عملکرد و کارآیی بهتر کنترل‌کننده‌ فازی از لحاظ پایداری بیشتر، خطای حالت ماندگار و زمان نشست کمتر نسبت به کنترل‌کننده PI به کار رفته در سیستم می‌باشد. دقت عملکرد کنترل‌کننده فازی در این سیستم با توجه به خروجی‌های بدست آمده مناسب می‌باشد و سیستم در کمتر از 0.4 ثانیه کنترل می شود.

چکیده در این مقاله، روشی جهت تشخیص بیماری کودکان مبتلا به fبیش فعالی ( ADHD) در کودکان با استفاده از مفهوم یادگیری عمیق و تحلیل همبستگی بین نواحی تقسیم شده تصاویر عملکردی مغز ارائه می شود. روش پیشنهادی شامل پیش پردازش تصاویر پزشکی جهت حذف تصاویر مخدوش و نویز دارو تصاویر ناقص و مشکل دار ، تولید تصاویر جدید عملکردی مغز با استفاده از خودرمزنگارها که در هوش مصنوعی و یادگیری عمیق کاربرد دارند برای کمک به تحلیل بهتر تصاویر پزشکی و مشکل محدودیت تصاویر پزشکی ، قطعه بندی تصاویر و ایجاد شبکه هایی مجزابرای افزایش دقت تشخیص بیماری و محاسبه همبستگی بین نواحی است که در نهایت به طور موثری موفق به تشخیص بیماری ADHD در کودکان می شود. نتیجه‌گیری این مطالعه نشان می‌دهد که این روش ترکیبی، توانایی بالایی در تشخیص به موقع و دقیق این بیماری در کودکان دارد و می‌تواند به عنوان ابزار موثری در حوزه پزشکی اعصاب و روان در کودکان مورد استفاده قرار گیرد.