پدافند الکترونیکی و سایبری
سال:1395 | دوره:4 | شماره:2 (پیاپی 14) |تعداد مقالات:7

حملات منع خدمت توزیعی، یکی از مهم ترین تهدیدات دنیای تجارت الکترونیکی بوده و هدف اصلی آن جلوگیری از دسترسی کاربران به سایت ها و منابع اینترنتی از طریق مصرف بیش از حد منابع است. در این حملات، مولفه امنیتی دسترس پذیری، هدف تهاجم قرار می گیرد. یکی از روش های نیل به این هدف، به کارگیری روبات های وب است که حمله گران با استفاده از این روبات های مخرب، حملات منع خدمت در لایه کاربرد را طراحی و اجرا می نمایند. برای تشخیص این گونه روبات های مخرب از سایر روبات های غیرمخرب، از روش های گوناگونی استفاده شده است. یکی از روش هایی که در سال های اخیر مورد توجه قرار گرفته، یادگیری ماشین و داده کاوی است. محور اصلی این روش ها، استخراج و انتخاب خصیصه های مناسب جلسات وب از داده های ثبت رویداد و به کارگیری الگوریتم های داده کاوی است. این تحقیق سعی دارد تا با توجه به پویایی و سفارشی بودن طراحی و اجرای حملات منع خدمت توزیعی برای هر سایت، یک ساز وکار دفاعی پویا با قابلیت سفارشی سازی برای تشخیص روبات های وب مخرب مشارکت کننده در حملات، با استفاده از تحلیل رفتار مرورگری آن ها ارائه دهد. در این مطالعه، ضمن بهینه سازی روش های قبلی تعیین جلسات وب، استخراج مجموعه خصیصه ها براساس ویژگی های حملات دی داس انجام گرفت. همچنین پالایش خصیصه های استخراجی و انتخاب مجموعه خصیصه های کارا، باعث کاهش زمان ساخت مدل گردید و در نتیجه، دو درصد افزایش کارایی در مقایسه با بهترین تحقیق مشابه به دست آمد.

برقراری ارتباط پنهان و امن از نیازهای ضروری در فضای سایبر است. نهان نگاری اطلاعات بهترین روشی است که امنیت ارتباط در شبکه های عمومی مانند اینترنت را فراهم می کند. روش نهان نگاری Mod4 از جمله روش های مطرح حوزه تبدیل کسینوس است، که به-شکلی متفاوت از روش های گذشته پیام را درون تصویر جاسازی می کند. در این روش همبستگی بین ضرایب به خوبی حفظ می شود، و در برابر نهان کاوی کور مقاوم است. در این مقاله بهبود روش نهان نگاری Mod4، یعنی افزایش ظرفیت و شفافیت، به عنوان دو معیار اصلی در نهان نگاری صورت گرفته است. در روش پیشنهادی با تغییر اندازه قالب های ضرایب کسینوس، و با تعیین شروط مناسب برای انتخاب قالب های معتبر، شفافیت بیش از 5 درصد و ظرفیت بیش از 68 درصد افزایش یافته است. برای ارزیابی شفافیت تصاویر نهانه در روش پیشنهادی، و مقایسه با روش اصلی Mod4، از دو معیار PSNR و SSIM استفاده شده است.

استفاده از سامانه زمین پایه لورن در ناوبری، به دلیل مصونیت در مقابل جمینگ و امکان بهبود کارآیی آن با استفاده از سخت افزارها و الگوریتم های پردازشی جدید، اخیرا بیشتر مورد توجه قرار گرفته است. منابع مختلف خطا که از جمله مهمترین آنها تداخل موج پیوسته (CWI) می باشد، باعث خطا در ردیابی فاز سیگنال شده، که این عامل باعث خطا در اندازه گیری زمان ورود و در نهایت کاهش دقت ناوبری می شود. در این مقاله به ارائه یک الگوریتم جدید به منظور حذف تداخل موج پیوسته هم زمان با استفاده از تحلیل ساختار پالس های لورن در حوزه زمان پرداخته شده است. این الگوریتم که از بار محاسباتی بسیار پایینی برخوردار می باشد عملکرد بسیار بهتری نسبت به روش های مرسوم داشته و پیاده سازی آن باعث بهبود کارآیی و افزایش دقت ناوبری سامانه می شود. نتایج حاصل از شبیه سازی نشان می دهد عملکرد الگوریتم پیشنهادی تقریبا مستقل ازSIR سیگنال دریافتی بوده و عامل محدود کننده در این الگوریتم تنها SNR سیگنال دریافتی است. الگوریتم پیشنهادی برای اندازه گیری زمان ورود (TOA)، عملا باعث حذف اثر تداخل هم-زمان ( برابر بهبود نسبت به روش های مرسوم میانگین گیری و کدگشایی فاز) می شود. این بهبود چشمگیر در ازای کاهش SIR دریافتی ناشی از تداخل موج پیوسته غیرهم زمان به اندازه حداکثر dB3، که می توان آن را با استفاده از یک فیلتر میان گذر به راحتی حذف نمود، حاصل می شود.

با توجه به خصوصیات فیزیکی بسیار مشابه اکوی اهداف واقعی و کاذب سونار فعال، طبقه بندی و تمیز دادن آن ها از یکدیگر به یکی از زمینه های دشوار و پیچیده برای محققان و صنعتگران این حوزه تبدیل شده است. شبکه های عصبی تابعی پله ای شعاعی (RBF NN) یکی از پرکاربردترین شبکه های عصبی مصنوعی در دسته بندی اهداف دنیای واقعی هستند. آموزش از مهمترین بخش های توسعه این نوع شبکه است که در سال های اخیر بسیار مورد توجه قرار گرفته است. به منظور آموزش RBF NN از دیر باز استفاده از روش های بازگشتی و گرادیان نزولی مرسوم بوده است. با این وجود، دقت دسته بندی نامناسب، گیر افتادن در کمینه های محلی و سرعت همگرایی پایین از معایب روش های سنتی می باشد. در سال های اخیر استفاده از الگوریتم های ابتکاری و فرا ابتکاری به منظور غلبه بر این معایب بسیار مرسوم گردیده است. این مقاله برای آموزش RBF NN از الگوریتم جستجوی گرانشی با هدایت بهینه عمومی (LMGSA) به منظور غلبه بر نقص الگوریتم جستجوی گرانشی (GSA) در فاز بهره برداری، استفاده می کند. نتایج نشان می دهد که دسته بندی کننده طراحی شده در تمام زمینه ها نتایج بهتری نسبت به دسته بندی کننده های معیار ارائه می نماید. به منظور آزمودن دسته بندی کننده طراحی شده، این الگوریتم با الگوریتم های GSA، گرادیان نزولی (GD)، فیلتر کالمن (KF)، فیلتر کالمن تفکیک شده (DKF) و الگوریتم ژنتیک (GA) توسط سه مجموعه دادگان سنجیده می شود. معیار های مورد سنجش عبارتند از: سرعت همگرایی، احتمال گیر افتادن در کمینه های محلی و دقت دسته بندی. در پایان نیز به عنوان یک کاربرد عملی دادگان سونار توسط این شبکه دسته بندی می شوند.

مسابقه سزار یک رقابت برای طراحی طرح های رمزنگاری احراز اصالت شده (AE) می باشد. طرح هایی که در این مسابقه مورد بررسی قرار می گیرند، طرح های احراز اصالت مبتنی بر داده های همراه (AEAD) می باشند. اخیرا 30 کاندید از بین 57 کاندید اولیه توانستند به دور دوم راه پیدا کنند. در این مقاله ما طرح مورس (MORUS) که در مسابقه سزار به دور دوم راه یافته است را مورد تحلیل خطی قرار می دهیم. در این تحلیل طول داده های همراه را برابر با صفر در نظر گرفته ایم (|AD|=0)و سپس با استفاده از روش برنامه ریزی عدد صحیح آمیخته (MILP)، توانستیم یک مشخصه خطی سه دوری برای دو نسخه از طرح MORUS یعنی MORUS-640 و MORUS-1280 به ترتیب با اریبی 2^(-31) و 2^(-32) به دست آوریم. کار انجام شده در این مقاله اولین تحلیل خطی دور کاهشی می باشد که تاکنون بر طرح مورس انجام شده است.

بهبود اهداف کوچک در تصاویر مادون قرمز یکی از مهمترین مسائل در سامانه های آشکارسازی و ردیابی اهداف می باشد. الگوریتم-های بهبود اهداف، امکان تفکیک دقیق تر بین پیکسل های نواحی پس زمینه و اهداف را در تصاویر مادون قرمز فراهم می آورد. در این مقاله، روش جدید آنتروپی وزن دار آماری جهت تضعیف کلاترهای پس زمینه و افزایش کنتراست بین اهداف و کلاتر پس زمینه پیشنهاد شده است. از بهترین راه ها برای بیان مشخصات شدت روشنایی تصویر، استفاده از آنتروپی محلی است. در نتیجه، آنتروپی وزن دار آماری مطابق با این واقعیت طراحی شده است که پیکسل های شامل اهداف کوچک، باعث تغییرات عمده ای در مقدار آنتروپی وزن دار آماری در پنجره های محلی تصویر مادون قرمز می گردد و براحتی می توان پیکسل های هدف و پس زمینه را از هم تفکیک نمود. در مرحله اول، آنتروپی وزن دار آماری هر پنجره محلی متناظر با هر پیکسل از تصویر محاسبه می شود. در پایان این مرحله، شدت روشنایی کلاترهای پس زمینه تا حد زیادی تضعیف گردیده و پیکسل های هدف بهبود می یابند. در مرحله بعد، از یک ضریب بهبود خودکار به منظور برجسته تر شدن اهداف و ایجاد کنتراست بیشتر بین ناحیه هدف و کلاترهای پس زمینه، استفاده می شود. به منظور ارزیابی کیفی و کمی، الگوریتم پیشنهادی بر روی مجموعه ای از تصاویر مادون قرمز شامل 30 تصویر با پس زمینه های مختلف و پیچیده، مورد آزمایش قرار گرفت. نتایج نشان می دهد که روش پیشنهادی بخوبی می تواند با تضعیف کلاتر پس زمینه، باعث بهبود ناحیه هدف گردد و در نتیجه احتمال آشکارسازی و ردیابی اهداف را بیشتر نماید.

امنیت رمز قالبی AES باعث شده است تا بسیاری از طراحان، هنوز هم از مولفه های AES در طراحی های جدید خود استفاده کنند. لایه ها ی انتشار یکی از مولفه های مهم رمزهای قالبی هستند که روی امنیت و کارآیی رمز تاثیر دارند. سجادیه و همکارانش در FSE 2012 یک دسته خاص از لایه های انتشار، تحت عنوان لایه های انتشار بازگشتی را معرفی کردند که در آنها برخی کلمات خروجی به صورت بازگشتی به عنوان ورودی نیز استفاده می شوند. در این مقاله یک روش جدید برای به دست آوردن یک الگوریتم رمز قالبی 256 بیتی مبتنی بر ترکیب چهار دور رمز قالبی AES و یک لایه انتشار بازگشتی معرفی شده است. الگوریتم رمز پیشنهادی در مقایسه با رایندال در برابر تحلیل های خطی و تفاضلی مقاوم تر است. هزینه این افزایش مقاومت، کاهش یک درصدی سرعت آن در مقایسه با رایندال است. علاوه بر این، روش پیشنهادی برای طراحی رمزهای قالبی با طول قالب 384 و 512 بیتی نیز تعمیم داده شده است.