پدافند الکترونیکی و سایبری
سال:1394 | دوره:3 | شماره:2 (پیاپی 10) |تعداد مقالات:6

شبکه های اقتضایی بین خودرویی (VANET) می توانند در ارتباط میان وسایل نقلیه و مدیریت ترافیک بهبود مناسبی ایجاد کنند. احراز اصالت پیام های منتشر شده توسط خودرو ها، از مهم ترین مسائل پیش رو در شبکه های اقتضایی بین خودرویی می باشد، زیرا ارسال پیام های اشتباه می تواند باعث بروز تصادفات و تغییر الگوی ترافیکی شبکه گردد. طرح های بسیار زیادی برای احراز اصالت در شبکه های اقتضایی بین خودرویی ارائه شده اند که هر کدام دارای مزایا و معایبی می باشند، اما معرفی یک طرح احراز اصالت امن و کارآمد در شبکه های اقتضایی بین خودرویی از مسائل باز تحقیقاتی بوده و مهم ترین چالش در این شبکه ها به شمار می آید.در این مقاله ابتدا به معرفی انواع روش های احراز اصالت در شبکه های اقتضایی بین خودرویی می پردازیم و سپس طرح ارائه شده توسط لی و لای را مورد تجزیه و تحلیل قرار می دهیم و سه سناریوی حمله به این طرح را معرفی می کنیم که امکان جعل امضای کاربر را به مهاجم می دهد. در ادامه یک طرح بهبودیافته از طرح لی و لای را پیشنهاد می دهیم که دارای ملزومات امنیتی و کارآیی مناسبی می باشد سپس آن را شبیه سازی کرده و در پایان نتایج شبیه سازی طرح پیشنهادی خود را ارائه خواهیم کرد.

تحلیلگر امنیتی در یک سامانه آگاهی وضعیتی سایبری بر اساس میزان باورپذیری که از وضعیت آینده کسب می کند می تواند مناسب ترین تصمیم های دفاعی را اتخاذ می کند. در این سامانه میزان باورپذیری یک وضعیت از تخمین وضعیتی و ادغام اطلاعات سطح بالا به دست می آید. در حال حاضر چالشی ترین موضوع در ادغام اطلاعات سطح بالا برای دست یابی به آگاهی از وضعیت آینده و ارزیابی تاثیر حملات سایبری مدل سازی تجسم حملات با چهار مولفه تجسم یعنی رفتار، فرصت، قابلیت و نیت است. عمده طرح ها و الگوریتم های قبلی در مدل سازی تجسم، برای ساده سازی در اجرای مدل چهار مولفه فوق را مستقل فرض کرده و عملا از تاثیر مولفه ها بر یکدیگر و قدرت ترکیب آنها در تجسم حملات سایبری چند مرحله ای صرف نظر کرده اند. اما در این مقاله طرح جدیدی بر اساس ترکیب فازی مولفه های تجسم و مدل انتقال باور ارائه شده است. با این طرح می توان اهداف بعدی یک حمله سایبری چند مرحله ای را به طور موثر تجسم نمود و تخمین مناسبی از باورپذیری آن ارائه داد. این طرح پیشنهادی در نهایت با استفاده از دادگان معتبر، بر اساس حملات با نویز بالا، حملات مخفی و حملات با تاثیر بالا و پایین مورد ارزیابی قرار گرفته است. نتایج شبیه سازی هم با توجه به سناریوهای تعریف شده نشان از افزایش میزان دقت با میانگین هفده درصدی در تجسم حملات سایبری چند مرحله ای دارد.

با توجه به پیشرفت تکنولوژی در دهه های اخیر، ارسال و دریافت ویدیو از طریق کانال های مخابراتی بی سیم با استقبال گسترده ای روبرو شده است. بدین منظور روش های بسیاری جهت بالا بردن کیفیت ویدیویی ارسالی ارائه گردیده اند. در این مقاله هدف بالا بردن PSNR (حداکثر نرخ توان سیگنال به توان نویز) به منظور بالا بردن کیفیت فریم های ویدیویی دریافتی در گیرنده با استفاده از بالا بردن نرخ کدکننده کانال در یک نرخ ارسال ثابت می باشد. اساس کار بدین صورت است که با استفاده از شبکه عصبی هوشمند و کد هافمن در استاندارد MPEG (نوعی فشرده ساز ویدیویی استاندارد شده)، اطلاعات ارسالی را به مقدار قابل توجهی فشرده می کنیم. سپس با توجه به مقدار فشرده سازی توسط روش پیشنهادی، اطلاعات فشرده شده را مجددا با کدکننده کانال ثانویه که نرخ کدگذاری آن وابسته مقدار فشرده سازی می باشد کد می شود. به این ترتیب روش پیشنهادی قادر است بدون افزایش حجم اطلاعات ارسالی برای هر فریم، نرخ کدگذاری کانال و در نتیجه محافظت از اطلاعات را در مقابل افزایش اعوجاج و خطای کانال بالا برده و توانسته است فریم های ویدیویی را نسبت به خطاهای کانال مقاوم تر سازد. در نهایت نتایج بدست آمده را با چندین نرخ ارسال برای منبع و چندین SNR (نرخ توان سیگنال به توان نویز) برای کانال با نتایج بدست آمده از روش های متداول مقایسه کرده ایم.

یکی از چالش های معمول در شبکه های مخابرات بی سیم، شنود شدن سیگنال های پخش شده از ایستگاه های رادیویی توسط استراق سمع کننده ها می باشد. در این مقاله نشان داده می شود که در یک شبکه مخابرات سلولی با وجود تخصیص فرکانس یکسان به تک تک کاربران، تکنیک همراستاسازی تداخل (IA)، افزون بر این که می تواند تداخل های درون و بین سلولی را به طور کامل حذف کند؛ همچنین قادر است حداکثر درجات آزادی (DoF) امن را برای شبکه فراهم کند و ارتباطات را در برابر شنود مقاوم سازد. تکنیک IA می تواند نرخ محرمانگی شبکه را در SNRهای بالا به ناحیه نرخ کانال پخش تداخلی (IFBC) نزدیک نماید. به منظور اثبات ریاضی و شهودی قابلیت تکنیک همراستاسازی تداخل در افزایش امنیت ارتباطات، از یک الگوریتم IA شکل بسته در لینک فروسو یک شبکه سلولی ناامن شده استفاده شده است. نتایج شبیه سازی ها نشان می دهد که به ازای محدوده ای معین برای تعداد آنتن های دریافت هر شنودگر، نرخ محرمانگی شبکه در SNRهای بالا به خوبی به ظرفیت مجموع شبکه نزدیک می گردد.

قابلیت کدهای کانولوشنال در تصحیح خطا با افزایش طول حافظه افزایش می یابد. اما افزایش طول حافظه، باعث افزایش پیچیدگی الگوریتم کدگشایی بهینه ویتربی می شود، چرا که تعداد محاسبات در الگوریتم ویتربی به صورت نمایی به طول حافظه وابسته است. افزایش پیچیدگی الگوریتم ویتربی با طول حافظه، می تواند پیاده سازی این الگوریتم را هنگام کدگشایی کدهای کانولوشنال با طول حافظه بلند ناممکن کند. به همین جهت الگوریتم های زیربهینه ای همانند Fano و Stack ارائه شده اند تا امکان کدگشایی ترتیبی و سریع کدهای کانولوشنال با طول حافظه بلند را فراهم کنند. در این نوشتار به معرفی شیوه های گوناگون پیاده سازی الگوریتم های Fano و Stack پرداخته و با ارائه نوآوری هایی، سرعت اجرا و حافظه مورد نیاز این الگوریتم ها را بهبود می دهیم. برای ارزیابی مزایای پیاده سازی های مختلف ارائه شده، آن ها را مبنای قدرت تصحیح خطا، زمان کدگشایی و میزان حافظه مورد نیاز مقایسه می کنیم. همچنین ما از نتایج شبیه سازی استفاده می کنیم تا نشان دهیم که اگر وضعیت کانال مخابره زیاد خراب نباشد، الگوریتم های Fano و Stack می توانند توانایی تصحیح خطای الگوریتم بهینه ویتربی را در زمان کدگشایی بسیار کمتر، برای کدگشایی کدهای کانولوشنال با طول حافظه بلند فراهم آورن.د

در این مقاله، برآورد کانال و آشکارسازی داده ها تحت کانال غیر خطی متغیر با زمان مورد بررسی قرار می گیرد. مدل غیرخطی کانال متغیر با زمان که مورد توجه است به مدل سوئیچینگ فضا و حالت (SSSM) معروف و ترکیبی از مدل مخفی مارکف (HMM) و مدل خطی فضا و حالت (LSSM) می باشد. در این مقاله بر اساس رهیافت بیشینه سازی امید ریاضی (EM)، یک روش تکرارشونده جدید به منظور آشکارسازی همزمان داده و کانال ارائه شده است. شبیه سازی مونت کارلو نشان می دهد که کارایی طرح پیشنهاد شده نزدیک به نرخ خطای بیت الگوریتم ویتربی با داشتن اطلاعات کامل از حالت کانال می باشد.