پدافند الکترونیکی و سایبری
سال:1402 | دوره:11 | شماره:4 |تعداد مقالات:12

عملیات نفوذ در کنار عملیات سایبری و جنگ الکترونیک، یکی از انواع عملیات اطلاعاتی است. فراگیری شبکه های اجتماعی برخط، بستری مناسب جهت عملیات نفوذ فراهم کرده است؛ لذا دستیابی به قابلیت ارزیابی عملیات نفوذ در شبکه های اجتماعی برخط ضروری است. قابلیت ارزیابی عملیات نفوذ مستلزم وجود یک مدل مفهومی است که از طرفی متصل به سازه نظری مستحکم باشد و از طرف دیگر قابلیت پیاده سازی محاسباتی داشته باشد. هدف این مقاله ارائه یک مدل مفهومی است که زمینه مدل سازی محاسباتی برای ارزیابی عملیات نفوذ در شبکههای اجتماعی برخط را فراهم آورد. در این مقاله پس از مطالعه عمیق و اکتشافی در ادبیات تحقیق، با به کارگیری روش فراترکیب و مصاحبه با خبرگان، چارچوب نظری قدرت شناختی سایبری و اجزاء، مفاهیم، ابعاد و مؤلفه های مدل مفهومی ارائه شده است. جهت ارزیابی اعتبار مدل ارائه  شده از روش دلفی دومرحله ای استفاده شد.  مدل پیشنهادی از لحاظ روایی و پایایی تأیید شد و همچنین مبتنی بر روش دلفی، مورد توافق بالای هشتاد درصد قرار گرفت. در این تحقیق، صورتبندی مفهومی جدیدی برای عملیات نفوذ در شبکههای اجتماعی برخط مبتنی بر مفهومپردازی سرمایههای شناختی و قدرت شناختی سایبری ارائه شده است. مدل مفهومی پیشنهادی که به صورت توصیفی ارائه شده است، امکان ارزیابی شاخص های موفقیت عملیات نفوذ را فراهم نموده است. مزیت مدل مفهومی پیشنهادی این است که ارزیابی عملیات نفوذ را مبتنی بر مفهوم قدرت انجام می دهد و قابلیت ارزیابی محاسباتی عملیات نفوذ را فراهم می آورد. همچنین این مدل امکان شناسایی و تشخیص عملیات نفوذ را در شبکه های اجتماعی برخط را فراهم می آورد.

باتوجه به اینکه بیشتر مسائل دنیای واقعی از ﻗﺒﯿﻞ تشخیص تقلب، شناسایی خطا،  ﺗﺸﺨﯿﺺ ﻧﺎﻫﻨﺠﺎری، ﺗﺸﺨﯿﺺ ﭘﺰشکی و تشخیص بدافزار نامتوازن هستند، دسته­بندی داده­ﻫﺎ در مسائل ﻧﺎمتوازن ﺑﻪ ﻋﻨﻮان یکی از ﭼﺎﻟﺶ­ﻫﺎی اصلی در حوزة داده­ﮐﺎوی، ﻣﻮرد ﺗﻮﺟﻪ ﺑﺴﻴﺎری از ﻣﺤﻘﻘﺎن و ﭘﮋوﻫﺶﮔﺮان ﻗﺮارﮔﺮﻓﺘﻪ اﺳﺖ. در یادگیری نامتوازن، ﻣﻌﻤﻮﻻ ﺗﻌﺪاد ﻧﻤﻮﻧﻪ­ﻫﺎی یکی از دسته­ﻫﺎ ﺧﯿلی ﺑﯿﺸﺘﺮ از ﻧﻤﻮﻧﻪﻫﺎی دسته دیگر اﺳﺖ و یا هزینه دسته­بندی اشتباه در دودسته متفاوت است. شبکه­های عصبی کانولووشنال به رغم موفقیت­های چشمگیری که در دسته­بندی داده­ها دارند، در مسائل نامتوازن با مشکل مواجه می­شوند چرا که آنها به صورت پیش­فرض، ﺗﻮزﯾﻊ دسته­ﻫﺎ را متوازن و هزینه دسته­بندی را مساوی در ﻧﻈﺮ ﮔﺮﻓﺘﻪ می­گیرند، ازاین رو در دسته­بندی نامتوازن، نمی­توان به ﻧﺘﺎﯾﺞ قابل قبولی دست یافت؛ زﯾﺮا شبکه ﺑﻪ ﺳﻤﺖ ﻧﻤﻮﻧﻪ­ﻫﺎی آﻣﻮزشی دسته ﺑﺰرگ­ﺗﺮ ﻣﺘﻤﺎﯾﻞ می شود ﮐﻪ اﯾﻦ ﻣﻮﺿﻮع ﺳﺒﺐ اﻓﺰاﯾﺶ ﺗﻌﺪاد ﺧﻄﺎﻫﺎ در تشخیص نمونه­ﻫﺎی ﻣﺜﺒﺖ می­ﺷﻮد.  یکی از راهکارهای کم­هزینه برای غلبه بر نامتوازنی داده­ها در شبکه­های  عصبی کانولوشنال استفاده از تابع ضرر به نفع دسته اقلیت است، در این مقاله تابع ضرری جدیدی معرفی شده است که به صورت تدریجی و با پیشرفت آموزش، اهمیت دسته اقلیت را افزایش می­دهد تا در انتهای آموزش به مقدار مشخص شده برسد و از اهمیت داده­های دسته اکثریت بکاهد، این امر باعث می­شود تا هم بتوانیم از قدرت آموزشی همه داده­ها استفاده کنیم و هم از غلبه داده­های دسته اکثریت جلوگیری کنیم. نتایج آزمایش روی سه مجموعه دادة مصنوعی، تشخیص فعالیت­های انسان و Cifar-10، همگرایی و کارایی روش پیشنهادی را نشان می­دهند، روش پیشنهادی با روش­های آدابوست مبتنی بر درخت تصمیم، شبکه کانولوشنال مبتنی بر آنتروپی متقابل و آنتروپی متقابل وزن­دار، روش SMOTE و روش CNN تجمعی مقایسه شده است. به ترتیب با کسب دقت 6/94، 92/92 و 23/69 در سه مجموعه­داده  (Cifar-10 با نرخ نامتوازنی 5 درصد) توانست از دیگر روش­ها پیشی بگیرد و دقت در مجموعه­داده مصنوعی نسبت به روش سنتی آدابوست مبتنی درخت تصمیم، 72/17 بالاتر است.

شبکه های تحمل پذیر تأخیر، گروهی از شبکه های بی سیم هستند که به دلیل توزیع پراکنده گره ها و حرکت آنها، قطع و وصل های طولانی مدت و مکرری را متحمل می شوند. در این شبکه ها که نوعی از شبکه های سیار هستند ممکن است یک مسیر متصل از فرستنده به گیرنده وجود نداشته باشد، بنابراین تحویل پیام به روش مسیریابی فرصت طلبانه و براساس الگوی ذخیره، حمل و ارسال انجام می شود. مسیریابی یکی از چالش های اصلی در این شبکه ها است. مسیریابی از گام های انتخاب گره بازپخش، مدیریت بافر و انتقال داده تشکیل شده است. برای مقابله با چالش مسیریابی روشهای مختلفی ارائه شده است. اکثر این روشها فقط در مورد انتخاب گره بازپخش بوده و تعداد کمی راجع به مدیریت بافر و انتخاب بسته ی جایگزین بحث کرده اند. با توجه به اینکه مسئله انتخاب بسته ی جایگزین از بافر ماهیت تصمیم گیری دارد به نظر می رسد استفاده از تئوری بازی ها می تواند در بهبود مدیریت بافر کارساز باشد.  در این مقاله در هرگام از فرایند مسیریابی و در زمان ملاقات دو گره بعد از تعیین گره ارسال کننده و  دریافت کننده روشی ارائه شده است که براساس تئوری بازی ها تصمیم گیری می کند که در صورت پر بودن بافر بسته ی دریافتی با کدام بسته از بافر گره دریافت کننده جایگزین شود. نتایج شبیه سازی این روش با استفاده از شبیه ساز THE ONE نشان می دهد که مدیریت بافر با روش پیشنهادی نسبت تحویل را افزایش و میانگین تأخیر و نسبت سربار را کاهش می دهد.

برای آگاهی از میزان کیفیت نرم افزار لازم است عامل­های مؤثر در کیفیت را اندازه بگیریم. میزان قابلیت اطمینان و تعداد خطا در نرم افزار از  مهم ترین عامل­های کمی هستند که کیفیت آنها را می سنجند. اگر بتوان این عامل­ها را در حین چرخة توسعة نرم افزار اندازه گیری کرد، می توان فعالیت های مؤثر و بهتری را در راستای بهبود کیفیت نرم افزار انجام داد. مشکل اینجا است که این دسته از عامل­ها در مراحل آخر توسعة نرم افزار در دسترس خواهند بود. برای حل این مشکل، این عامل­ها توسط معیارهایی اندازه گیری می شوند که در چرخة توسعة نرم افزار به صورت زودهنگام در دسترس هستند. معیارهای اندازه گیری شده ورودی­های مدل پیش بینی خطا هستند و خروجی این مدل، ماژول­هایی از نرم افزار هستند که احتمال بروز خطا در آنها وجود دارد. پیش بینی ماژول­ها مستعد خطا، رویکردی اثبات شده در جهت تخصیص به موقع منابع پروژه، در مرحلة آزمون نرم افزار است. هنگامی که یک ماژول به عنوان یک ماژول مستعد خطا پیش بینی می شود، تلاش بیشتری برای آزمون و تصحیح آن باید صرف شود. علاوه برآن ماژول، تمامی ماژول­ها وابسته به آن نیز نیاز به رسیدگی ویژه ای دارند. زمانی که یک ماژول تغییر می کند تمامی ماژول­ها وابسته به آن نیز ممکن است تحت تأثیر قرار بگیرند. مشکل در این است که معیارهای شناخته شده ای که در حوزه ی پیش بینی خطا مورداستفاده قرار می گیرند، این وضعیت را در نظر نمی گیرند. برای حل این مشکل، در این مقاله معیارهای جدیدی بر اساس تغییرات در موارد وابستگی ارائه شده است. نتایج تجربی به دست آمده نشان داد هرچه میزان تغییرات در ماژول­ها مورد وابستگی بیشتر باشد، احتمال خطا در ماژول وابسته بیشتر می شود. با ارزیابی های صورت گرفته مشاهده شد معیار پیشنهادی قدرت پیش بینی نسبتاً بالایی دارد و به کاربردن آن برای ساخت مدل های پیش بینی خطا نیز افزایش قدرت پیش بینی را برای آنها در پی داشت.

اینترنت اشیاء، یک معماری نوظهور اطلاعاتی مبتنی بر اینترنت است که تعامل بین اشیا و خدمات را در محیطی امن و قابل-اطمینان توسعه می دهد. درواقع هدف این ساختار، کاهش فاصله بین اشیای دنیای فیزیکی و سیستم های اطلاعاتی است. در بحث اینترنت اشیاء، انتظار می رود که اشیای هوشمند به عضو فعالی در کسب وکار و فرآیندهای اطلاعاتی و اجتماعی تبدیل شوند، به طوری که قادر باشند بین خودشان و محیط بیرونی از طریق تبادل داده و اطلاعات حس شده، تعامل داشته باشند. درواقع، اینترنت اشیاء، شبکه ای از اشیاء است که در آن اشیاء مختلف می تواند به کمک کامپیوتر و از طریق ارتباطات اینترنتی با سایر تجهیزات ارتباط برقرار کنند. در محیط اینترنت اشیاء، هریک از این اشیا تحت کنترل تعدادی سرویس دهنده قرار دارند و به عبارتی دیگر، این سرویس دهنده ها هرکدام به تعدادی از اشیا سرویس ارائه می دهند. کاربران با توجه به نوع نیازشان هرکدام تعدادی از خدمات ارائه شده توسط این سرویس دهنده ها را به کار می گیرند. در این میان مسئله ای که از اهمیت بالایی برخوردار است، توصیه سرویس دهنده هایی است که استفاده از آن ها برای کاربران مفیدتر و بهینه تر است. برای رسیدن به چنین هدفی از سیستم های توصیه گر استفاده می شود. وظیفه اصلی سیستم های توصیه گر، توصیه سرویس دهنده هایی است که مطابق با نیازهای مختلف کاربران باشند. در این پژوهش یک سیستم توصیه گر جدید پیشنهاد شد که ویژگی های کاربران و خدمات موجود در شبکه اینترنت اشیا را در نظر گرفته و بر اساس پارامترهای ارائه شده، اقدام به توصیه خدمات بهینه متناسب با نیاز کاربران می کند. نوآوری این پژوهش، استفاده از الگوریتم ماشین بردار پشتیبان و مدل تصمیم گیری چند معیاره تاپسیس به منظور ایجاد یک سیستم توصیه گر کارا و ارائه پیشنهادات به کاربران بر اساس ترجیحات آنها و افزایش رضایت کاربران است. نتایج تجربی نشان می دهد که سیستم توصیه گر ارائه شده می تواند یک سری توصیه های عینی تولید کند که بر اساس دقیق و متنوع بودن، تازگی و پوشش بالایی کارایی دارد.

در ارتباطات بی سیم، کانال ارتباطی در دسترس همگان است و لذا هر گیرنده در محدوده پوشش مخابراتی، می تواند سیگنال ارسالی را دریافت کند. در چنین شرایطی، کاربران غیرمجاز ممکن است از این ویژگی کانال بی سیم برای شنود اطلاعات، ایجاد اختلال در ارسال داده، کاهش عملکرد شبکه و ... استفاده کنند. اخیراً استفاده از حسگری فشرده در برقراری امنیت لایه فیزیکی توجه بسیاری از محققین را به خود جلب کرده است. روش حسگری فشرده در جاهایی که سیگنال ها تنک و یا قابل فشرده شدن در یک پایه باشند، مانند پردازش سیگنال تصویر و یا تشخیص تصویر، بسیار کاربرد دارد؛ چرا که می تواند به عنوان یک سیستم رمزنگاری در نظر گرفته شود تا ضمن حفظ ماتریس اندازه گیری مخفی، عملیات های نمونه برداری، فشرده سازی و رمزگذاری را محقق نماید. در این مقاله، امنیت لایه فیزیکی در یک ارتباط بی سیم مشارکتی مبتنی بر چند رله متوالی مورد بررسی قرار گرفته است. در چنین مدلی، ماتریس کانال معادل به عنوان ماتریس اندازه گیری امن، مورد استفاده قرار می گیرد. از آنجایی که اکثریت کارهای پژوهشی صورت گرفته شده در این حوزه، سخت افزار رله ایده آل و عاری از نقیصه های سخت افزاری در نظر گرفته می شود، در این کار تحقیقاتی نیز، فرض عملی نقیصه سخت افزاری کوچک در امنیت لایه فیزیکی با کمک حسگری فشرده و در یک شبکه مشارکتی با چندین رله متوالی در نظر گرفته شده است. در نهایت راهکاری جهت بهبود کارایی محرمانگی چنین سیستمی پیشنهاد داده شده است. نتایج شبیه سازی روش ارئه شده نشان داد که در بدترین حالت، نرخ محرمانگی حداقل 10 درصد و در بهترین حالت 120 درصد افزایش می یابد. همچنین، پیچیدگی محاسباتی روش ارائه شده از نظر زمان شبیه سازی افزایش 22 درصدی را نشان می دهد.

سیستم های سایبری فیزیکی به دلیل کاربردهای گسترده آن در حوزه های مختلف در طول دهه گذشته به توسعه سریع دست یافته اند و معمولاً با توانایی های سنجش، ارتباط، محاسبات و فعال سازی تشکیل شده اند. بااین حال، شبکه ارتباطی سیستم های امنیت فیزیکی ممکن است توسط حملات سایبری مورد حمله قرار گیرد که عملکرد سیستم را به طور چشمگیری از بین می برد. اخیراً حملات قطع سرویس DOS)) توجه زیادی را به خود جلب کرده است. در این مقاله راهکاری برای مقابله با حملات DoS به سیستم کنترل تسهیم توان شبکه توزیع انرژی الکتریکی شامل تولیدات پراکنده ارائه شده است. طور یکه یک تخمین گر توزیع شده متغیر با زمان بکار برده شده است. بر اساس ویژگی مدت زمان ارتباط قطع سرویس، شرایط طراحی همگرا پارامترهای ناظر با استفاده از تئوری انتگرال لبگ و روش میانگین زمان ماند به دست می آید. همچنین نشان داده شده است که خطاهای ناظر همگرا می شوند. درنهایت روش مقابله ارائه شده بر روی خط کنترل امپدانس مجازی سیستم کنترل تسهیم توان قرار گرفته و حملات قطع سرویس را خنثی خواهد کرد.

روش تحلیل مؤلفه اصلی یکی از روش های شناخته شده کاهش بعد است که دارای کاربردهای فراوانی در تجزیه وتحلیل کلان داده ها در زمینه های گوناگون می باشد. این روشی اساسی در پردازش تصاویر است که به صورت مستقیم یا بعد از چند مرحله پیش پردازش و در ترکیب با روش های دیگر به کار می رود. روش های تشخیص چهره مبتنی بر تحلیل مؤلفه اصلی دارای کاربردهای فراوانی در زمینه شناسایی و تشخیص چهره هستند. در این مقاله، الگوریتم دارای صرفه محاسباتی در زمینه تشخیص چهره انسانی مبتنی بر تحلیل مؤلفه اصلی را ارائه می کنیم که با ترکیب فاصله ماهالانوبیس با روش تحلیل مؤلفه اصلی، توانایی تشخیص چهره در کوتاه ترین زمان ممکن برای تصاویر باکیفیت پایین و حتی تصاویر سیاه وسفید را دارد. طراحی این روش ماژولار است و می توان هر بخش از آن را با روش های دیگر ترکیب نمود. روش بیان شده و از نظر پارامترهای مطرح در تعیین پیچیدگی و کارآمدی محاسباتی موردبحث و بررسی قرار می گیرد. در مجموع می توان گفت روش ارائه شده نسبت به روش های دیگر دارای توانایی پردازش تصاویر با وضوح و عمق رنگ بسیار پایین، توانایی تشخیص چهره بر مبنای پایگاه داده تصاویر سیاه وسفید، عدم نیاز به سیستم های رایانه ای نیرومند و هزینه بر، ساختار ماژولار، سفارشی سازی بر اساس فاصله و سنجه محاسبه تشابه،  افزایش نرخ تشخیص 30 درصدی از 49 به 79 درصد است.

امروزه از تصاویر به عنوان ابزار ارتباطی قوی و منبعی از اطلاعات استفاده می شود. تصاویر در برخی از کاربردها مانند پزشکی، قضایی و پزشکی قانونی به عنوان مدرک و شاهد استفاده می شوند، بنابراین صحت تصویر مهم است. امروزه با گسترش و دردسترس بودن ابزارهای ویرایش تصویر، افراد می توانند به راحتی تصاویر را دست کاری کنند. آن ها با اضافه کردن بخشی به تصویر یا حذف کردن بخشی از تصویر و توزیع اطلاعات غلط اهداف و مشکل های سیاسی، فرهنگی، اقتصادی و اجتماعی را دنبال می کنند. ازاین رو تشخیص جعل تصاویر دیجیتال یکی از موضوع های مهم و چالش برانگیز در حوزه بینایی کامپیوتر است. در این پژوهش هدف شناسایی تصاویر و پیکسل های جعلی و سالم با استفاده از شبکه یادگیری عمیق ترکیبی است. در روش پیشنهادی از سه شبکه از پیش آموزش داده شده VGG16، MobileNet و EfficientNetB0 در سه انشعاب مختلف استفاده شده است. برای تشخیص جعل در دو سطح تصویر و پیکسل، ابتدا نقشه های ویژگی خروجی سه انشعاب با هم ادغام شده و با استفاده از لایه پولینگ میانگین جهانی و لایه امتیازدهی، تصاویر جعل و سالم تشخیص داده می شوند. در ادامه با استفاده از نقشه های ویژگی ترکیب شده از سه انشعاب بر روی تصاویر جعل، یک تصویر نقشه حرارتی ایجاد می شود و محدوده پیکسل های جعل مشخص می شوند. لازم به ذکر است تشخیص پیکسل های جعل تنها با استفاده از تصویر نقشه حرارتی ساخته شده از شبکه ترکیبی و بدون نیاز به استفاده از تصاویر حقیقی باینری مشخص کننده ناحیه جعل در فرآیند آموزش انجام شده است. روش پیشنهادی بر روی پایگاه داده CoMoFod ارزیابی شده است. نتایج ارزیابی ها عمل کردن مطلوب روش پیشنهادی را در برابر تصاویر جعل با انواع تبدیل های هندسی و عملیات پس پردازش نشان می دهد.

ارتباطات طیف گسترده پرش فرکانسی  (FHSS) به طور گسترده ای در ارتباطات نظامی و تجاری استفاده می شوند؛ لذا تخمین پارامترهای پرش فرکانسی سیگنال ها از اهمیت بالایی برخوردار هستند. این مقاله، مسئله جداسازی و تخمین پارامترهای چند سیگنال پهن باند پرش فرکانسی سنکرون و متداخل زمانی را با گیرنده هایی با پهنای باند کم و نرخ نمونه برداری پایین بررسی می کند. باتوجه به دانش حداقلی پیرامون سیگنال های ارسالی، مسئله در حالت نیمه کور تحلیل می گردد. برای این منظور، از روشی ترکیبی مبتنی بر پردازش آرایه ای توسعه یافته بر اساس مبدل پهن باند مدوله شده  (MWC) و پردازش در حوزه زمان فرکانس با درنظرگرفتن اطلاعات مکانی سیگنال استفاده شده است. روش فوق شامل دو مرحله است: مرحله اول دریافت سیگنال های پرش فرکانسی توسط آرایه های خطی یکنواخت (ULA) و عبور از MWC با حداقل اجزاء و در مرحله دوم اعمال روش قطری مشترک (JD) بر توزیع های مکان زمان فرکانس (STFDs) داده های خروجی MWC  که منجر به تخمین ماتریس جداکننده و درنهایت جداسازی سیگنال ها و استخراج الگوی پرش فرکانسی می گردد. روش ترکیبی MWC-STF-JD ایده بکار رفته در حل مسئله است به طوری که به طور هم زمان از ویژگی های MWC و تحلیل در حوزه STF استفاده می شود. نتایج حاصل از تخمین پارامترهای موردنظر، در مقایسه با دیگر روش های متداول جداسازی منابع نظیر تحلیل حسگری فشرده  (CS) بر اساس شاخص های ارزیابی نظیر مربع خطای جذر میانگین (RMSE)، منجر به بهبود عملکرد در نسبت سیگنال به نویز (SNR) پایین تر شده است به طوری که میزان خطا در محدوده SNR=4dB به میزان 6dB، سریع تر به حداقل خطا می رسد. از جمله ویژگی های دیگر این روش می توان به کاهش حجم محاسبات بخش پردازش STFDs به میزان نرخ نمونه برداری MWC و امکان پیاده سازی طرح با حداقل اجزاء اشاره نمود.

امروزه حمل ونقل یکی از موضوعات اساسی و مشکلات بزرگ در شهرها است و این مسئله در شهرهای بزرگ تر مانند شهر تهران به یک دغدغه مهم تبدیل شده است. ازاین رو  سامانه های حمل ونقل به وجود آمده و گسترش پیدا کرده است. اما رشد سریع جمعیت، مهاجرت به شهرها، افزایش مالکیت خودرو و استفاده از وسایل نقلیه شخصی چالش هایی هستند که سیستم های حمل ونقل شهری با آن مواجه هستند. دراین بین سیستم های حمل ونقل مسافر می تواند نقش بسزایی در بهبود وضع ترافیکی شهر داشته باشد. پروتکل های مسیریابی مبتنی بر خوشه یکی از مهم ترین راه های کاهش مصرف انرژی در شبکه های حسگر بی سیم در سیستم های حمل ونقل می باشد. در این مقاله، یک پروتکل خوشه بندی جدید با استفاده از الگوریتم بهینه سازی کلونی زنبورعسل ارائه شده که روشی نوینی برای کاهش مصرف انرژی و بهبود طول عمر شبکه می باشد. مسیریابی شبکه حسگر بی سیم شامل سه مرحله خوشه بندی گره های حسگر به تعدادی خوشه با استفاده از الگوریتم خوشه بندی فازی، انتخاب سرخوشه های بهینه و انتقال داده می باشد. نتایج پیاده سازی روش پیشنهادی و مقایسه عملکرد آن با روش های پیشین در این حوزه عملکرد مناسب این روش را نشان می دهد.

گسترش و محبوبیت شبکه های اجتماعی در بین افراد، توجه متخصصان بیش ازپیش به فعالیت ها، واکنش ها و احساسات افراد در این شبکه ها نسبت به سایر محافل معطوف گشته است. تحلیل این حجم از اطلاعات متنی غیرساخت یافته کاربران نیازمند روش های نوین و بهینه متن کاوی و پردازش زبان طبیعی است. هدف تحلیل احساسات این است که حجم انبوهی از نظرات پیرامون یک موجودیت توسط ماشین مورد بررسی قرار گیرد و گزارش خلاصه شده ای از احساس بیان شده در آن به کاربر ارائه گردد. برای دستیابی به این هدف تکنیک های آماری، داده کاوی و پردازش زبان طبیعی مورداستفاده قرار می گیرند. در این مقاله روش جدیدی مبتنی بر الگوریتم بهینه سازی ارشمیدس ارائه شده است تا بتوان در زمان کمتر و دقتی بالاتر نظرات کاربران را دررابطه با موضوع موردنظر به دست آورد. همچنین جهت ازبین بردن یکی از چالش های اصلی در تحلیل احساسات در مرحله استخراج ویژگی تمام جملات کنایه آمیز جمع شده و به عنوان جملات باکلاس مشخص وارد مجموعه داده می شود تا این چالش بزرگ را از بین ببرند. این روش قابلیت اعمال بر روی زبان های گوناگون را داشته و سعی بر بالابردن دقت و سرعت الگوریتم های پیشین دارد. نتایج ارزیابی از مجموعة داده ها نشان می دهد که روش پیشنهادی دارای دقت 0.967 می باشد.