فناوری اطلاعات و ارتباطات انتظامی
سال:1402 | دوره:4 | شماره:1 |تعداد مقالات:10

طرح تسهیم راز شاخه ای مهم از رمزنگاری است که برای حفاظت از اسناد و اطلاعات در برابر خطراتی چون دستبرد و دست یابی های غیرمجاز به کار می رود. در طرح های تسهیم راز, سهام داران برای افزایش امنیت در هنگام بازیابی تصاویر راز, به جای سهم اصلی, سهم سایه از تصویر را ارائه می نمایند. بدین ترتیب هر سهام دار با در دست داشتن تنها یک سهم از تصویر راز قادر است در بسیاری از تصاویر راز با دیگران سهیم شود. در این مقاله یک طرح تسهیم تصویر راز آستانه ای جدید بر مبنای هندسه متناهی معرفی می شود. در طرح پیشنهادی ابتدا تصویر راز به چندین مجموعه ی k پیکسلی فاقد همپوشانی تقسیم می شود. هر مجموعه ی k پیکسلی یک نقطه در فضای k بعدی را تشکیل می دهد. این نقطه که همان نقطه راز است محل تقاطع تمام ابرصفحه های اختصاص یافته به تصاویر سایه ی هر شرکت کننده می باشد. تصویر راز اصلی از تجمیع حداقل k تا تصویر تسهیم شده قابل بازسازی است. نتایج تجربی نشان می دهند که طرح تسهیم تصویر راز پیشنهادی یک طرح امن و کارآ است.

  نوسان ساز های فرکانس رادیویی در همه وسایل مخابراتی مدرن بی سیم، رادار و سیستم های سنجش از راه دور کاربرد دارند. در این مقاله یک نوسان ساز مایکروویو بر پایه یک فیلتر  میان گذر دوبانده مایکرواستریپ، با فرکانس مرکزی 95/1 و 45/5 گیگاهرتز جهت کاربرد در شبکه‎های بی سیم محلی طراحی و شبیه سازی شده است. فرکانس های نوسان نوسان ساز طراحی شده بصورت غیر همزمان می باشند. فیلتر میان گذر دوبانده به عنوان بلوک فیدبکی نوسان ساز در راستای پایداری فرکانسی و همچنین به عنوان عنصر انتخاب گر فرکانسی طراحی شده است. برخی از پارامتر های فیلتر از قبیل ضریب کیفیت، تلفات عبوری، تعداد صفرهای انتقال، پهنای باند و تلفات بازگشتی در پاسخ نویز فاز نوسان ساز تأثیرگذار هستند. بدین صورت که نویز فاز نوسان ساز مایکروویو دارای فیدبک، با ضریب کیفیت تشدید کننده های به کار برده شده در ساختار آن رابطه عکس و با تلفات فیدبک که در اینجا تلفات عبوری فیلتر می باشد، رابطه مستقیم دارد. تمام این پارامتر ها در جهت کاهش نویز فاز، بهینه سازی شده و فرکانس نوسان در همان پیک ضریب کیفیت فیلتر میان گذر جهت کاهش نویز فاز انتخاب شده است. در این طرح نویز فاز کمتر از 150 dBc/Hz-  در فرکانس آفست 1 مگاهرتز با توجه به کاربرد نوسان ساز در شبکه های بی سیم محلی حاصل شده است. تمامی مراحل طراحی و شبیه سازی با استفاده از نرم افزار ADS پیاده سازی شده است.

استفاده از هوش مصنوعی برای کشف علمی جرایم در پلیس هوشمند یک الزام بوده و تحلیل تصاویر ویدئویی برای تشخیص رخدادهای هدف با استفاده از شبکه های عصبی یک هدف کلی در این مقاله می باشد. سیستم های بازیابی ویدئو با روش بازیابی مبتنی بر محتوا یک رویکرد مناسب می باشد. ویژگی بارز این روش، بازیابی محتویات بصری و ادراکی نهفته در ویدئو بوده که همان سازوکاری است که به وسیله آن، انسان می تواند تمایز میان ویدئوها را درک کند. با افزایش استفاده مردم از ویدئو در همه ابعاد روزمره مانند اخبار، مسابقات ورزشی , وغیره نیاز به جستجو و یافتن ویدئو نیز گسترش یافته است. با توجه به اینکه ویدئو در زمان کم می تواند دربرگیرنده محتویات فراوانی باشد، بهترین روش جستجو که می تواند مشابه ترین ویدئوها را استخراج کند، پرسش ویدئویی می باشد. روش های رایج بازیابی ویدئو از ویژگی های کلی فریم ها برای مقایسه و بازیابی ویدئوهای مشابه استفاده می کنند. استفاده از ویژگی ها و اطلاعات کلی فریم ها ممکن است موجب از دست رفتن درون مایه و موضوع اصلی ویدئوها شود. از این رو در این مقاله نقش شیء مورد علاقه در ویدئو مورد بررسی قرارگرفته است. استخراج ویژگی از فریم ها با استفاده از شبکه عصبی VGG-16 انجام شده است. همچنین یک معیار رتبه بندی بر اساس شباهت فریم ها، توالی فریم های مشابه و تعداد فریم های مشابه با ویدئو مورد جستجو معرفی شده است. کارایی روش پیشنهادی بر روی مجموعه داده یوتیوب اکشن با معیار میانگین دقت بررسی شده است. نتایج به دست آمده دقت %94.90 را در بازیابی ده نمونه برتر نشان می دهد.

فرایند همجوشی تصاویر، فرایند ترکیب دو یا چند تصویر با هدف رسیدن به یک تصویر مطلوب می­باشد. تصویر به دست آمده طی این فرایند حاوی اطلاعات بیشتر و دقت بهتری از هر یک تصاویر ورودی می باشد. تصاویر پزشکی و تصاویر SAR ماهواره­ای عموما دارای نویزهای ضربی هستند. این نویزها گاها بواسطه خطای شیفت رجیستر و در هنگام انتقال اطلاعات به وجود می­آیند. وجود این نویز، یکی از چالش­های استفاده از این تصاویر برای همجوشی است، به نحوی که همجوشی آن­ها با روش­های معمول کارایی مطلوبی ندارند. لذا در این مقاله یک رویکرد ترکیبی و مبتنی بر تجزیه حالت متغیر با هدف حذف نویز ضربی در هنگام همجوشی تصاویر پیشنهاد شده است. نویز ضربی در تصاویر اولتراسوند پزشکی رایج است. همچنین این نویز در تصاویر رادارهای SAR که به خاطر ویژگی­های آن­ها در پایش محیطی نظیر مرزبانی یا گشت دریایی نیز کاربرد دارند وجود دارد. راهکار پیشنهادی در محیط نرم افزاری متلب شبیه سازی و پیاده سازی شده است. همچنین کارایی آن در دو شاخص نسبت نویز به سیگنال و نسبت اوج نویز به سیگنال مورد ارزیابی قرار گرفته است. روش پیشنهادی مقاله در معیار SNR به طور میانگین از مقدار 7.7416 به 12.4895 ودر معیار PSNR به طور میانگین از مقدار 16.7294 به 20.3549 نسبت به روش VMD بهبود داشته است.

در سطوح بین المللی و همچنین ایران، شبکه­های اجتماعی و سایت­ها بیشتر بر روی کیفیت محصولات خود با توجه به نظرات کاربرانشان تمرکز می­نمایند و توجهی به سطح امنیت و قابلیت اعتماد ندارند و حتی در مواقعی که رفتار مشتریان مورد تحلیل قرار می­گیرد، توجهی به کاربران غیر عادی و سودجو نمی­شود. ایده اصلی این پژوهش بررسی رفتار مشتریان و پیش­بینی رفتار آن­ها در آینده بر مبنای یادگیری عمیق می­باشد تا بتوان کیفیت خدمات به کاربران معتبر را افزایش داد. در این پژوهش، روشی مبتنی بر تکنیک یادگیری عمیق ارائه می­شود که با کمک آن رفتار کاربران در فروشگاه­های اینترنتی تحلیل می­شود. منظور از تحلیل رفتار کاربران، شناسایی گرایش یا جهت­گیری مشتری در مورد یک محصول خاص است. در روش پیشنهادی این پژوهش، پس پردازش اولیه رفتار کاربران و استخراج ویژگی­ها، از الگوریتم شبکه عصبی عمیق برای آموزش مجموعه­ای از داده­ها استفاده می­شود. پیاده­سازی روش پیشنهادی در نرم­افزار MATLAB، انجام شده است. برای ارزیابی روش این پژوهش از معیارهای مرسومی که در کاربردهای داده­کاوی به کار گرفته می­شود از جمله صحت، بازخوانی و امتیاز F، استفاده کرده­ایم. برای این منظور آزمایشاتی را اجرا و ارزیابی­های مختلف ارائه گردیده است. با توجه به آزمایشات انجام شده، مشاهده می گردد که روش پیشنهادی از نظر معیارهای ارزیابی داده­کاوی در اولویت اول قرار می­گیرد. با بکارگیری روشها و  با استفاد از نتایج این تحقیق می توان در راستای ایجاد امنیت و کاهش مخاطرات برای فعالیت های مختلف در جامعه اطلاعاتی و پاسداری از ارزشهای جامعه به پیش بینی رفتار مشتریان در سایتهای خاص پرداخت.

قرارداد هوشمند یک پروتکل کامپیوتری برای ایجاد توافق نامه است که در بسیاری از زمینه ها نقشی مهم دارد. بندهای قرارداد در قالب یک برنامه به صورت کدگذاری شده بعد از احراز شرایط، به طور خودکار و در بستر زنجیره بلوک اجرا می شود. توسعه ی این نوع قراردادها، علی رغم اینکه هوشمند نامیده می شود، کاری خسته کننده و فراتر از تعریف مجموعه ای از قوانین است. برای نوشتن کد قرارداد هوشمند، علاوه بر نیاز به داشتن تخصص در یک دامنه خاص، نیاز به داشتن دانش فنی قوی در زمینه زبان های خاص برنامه نویسی و سکوهای جدید زنجیره بلوک ضروری است. یکی از رایج ترین زبان های قرارداد هوشمند زبان سالیدیتی بر بستر زنجیره بلوک اتریوم است. برای کاهش نیاز به دانش فنی مرتبط با زبان های برنامه نویسی قرارداد هوشمند یکی از راهکارها استفاده از اصول مدل سازی در رویکرد «مهندسی مدل رانده» است. توسعه با استفاده از مدل سازی در مهندسی مدل رانده می تواند تلاش مورد نیاز برای کدنویسی را کاهش دهد یا به صفر برساند. در این مقاله، چارچوبی مبتنی بر معماری مدل رانده به نام اسکومولا برای توسعه قراردادهای هوشمند سالیدیتی شامل دو نوع فرامدل ارائه می دهیم. جهت ارزیابی، معیارهای نرم افزاری قابلیت نگهداری، در ک پذیری و توسعه پذیری روی پنج نمونه قرارداد هوشمند مورد مطالعه قرار گرفته است. همچنین، بر اساس این معیارها فرامدل های پیشنهادی با فرامدل های دو رویکرد مدل رانده ی دیگر مقایسه شده و برتری راهکار پیشنهادی نشان داده می شود.

امروزه به دلیل گستردگی شبکه های اجتماعی و افزایش تعداد کاربران آن ها، استفاده از اطلاعات این شبکه ها به یکی از مسائل روز و بسیار مهم در زمینه های گوناگون تبدیل شده است. استفاده از تکنیک های پردازش زبان طبیعی برای تحلیل های سیاسی می تواند یکی از راه های موثر در پیشبرد اهداف جوامع مختلف در حوزه سیاست باشد.در این پژوهش برای پیش بینی گرایش سیاسی کاربران از یک مدل پیشنهادی یادگیری عمیق و دادگان متنی توییت های ارسال شده، استفاده شده است. هدف، ارائه یک مدل مناسب با دقت بالا جهت پیش بینی نتایج آرا برای دو زبان فارسی و انگلیسی می باشد. رویکرد پیشنهادی روی مجموعه داده جمع آوری شده به دو زبان فارسی و انگلیسی از شبکه اجتماعی توییتر مورد آزمایش و بررسی قرار گرفته و نتایج بدست آمده با نتایج روش های موجود مقایسه شده است. مدل پیشنهادی از یک شبکه عصبی عمیق کانولوشن با حافظه کوتاه مدت طولانی CNN-BiLSTM تشکیل شده است به گونه ای که به طور همزمان هم ارتباط معنایی متن را آموزش ببیند و هم از مزیت های شبکه های عمیق CNN و BiLSTM استفاده کند. الگوریتم پیشنهادی برای دادگان فارسی به دقت 84.5 درصد و برای دادگان انگلیسی به دقت 96.18 درصد دست یافته است

پیچیدگی و ناسازگاری در محیط به شدت در حال افزایش است و سازمان های هوشمند جهت انجام اقدامات هوشمند و بموقع نیازمند سازگاری با محیط هستند، به عبارتی هوشمند عمل-کردن، جزء لاینفک افزایش توان رقابت و بقای آن هاست، برای تحقق اهداف و ماموریت ها در چنین سازمان هایی، امنیت اطلاعات از درجه اهمیت بالایی برخوردار است. برای مقابله با تهدیدات پیشرفته نیاز به راهکارهای مناسب جهت پیشگیری، تشخیص و پاسخ در بازه زمانی موثری می باشند. در این میان سازماندهی دانش و استفاده از مفاهیم مشترک توسط انسان و عوامل رایانه ای به مسئله ای مهم در حوزه امنیت تبدیل شده و هستان شناسی به عنوان کلید این مسئله ارائه شده است. با توجه به ماهیت و قابلیت های نهفته در هستان شناسی، کاربردهای نوین و نوآورانه ای در حوزه امنیت سازمان هوشمند متصور است که آن را به ابزار مناسبی برای مدل-سازی دانش امنیت تبدیل کرده است. در این پژوهش با مطالعه دستاوردها و تجربه های موفق جهانی در این حوزه و تحقیق در زمینه اسناد راهبردی با لحاظ مقتضیات، طراحی هستان شناسی شبکه در محیط نرم افزار Protégé انجام و مدل با استفاده از Onto Graf ارائه شد و سپس نرم افزار کاربردی به عنوان زیر ساخت معنایی شبکه با زبان پایتون طراحی گردید. لذا می توان بصورت پیوسته مدل هستان شناسی را توسعه دارد و درک مشترکی در سازمان ارائه نمود و مبتنی بر استنتاج های حاصله از مدل و نرم افزار طراحی شده راهکارای مناسبی را جهت افزایش امنیت سازمان هوشمند ارائه نمود.

با توسعه صنایع فناوری اطلاعات (IT)، امنیت اطلاعات به یکی از مسائل حیاتی تبدیل شده است. امروزه فناوری زنجیره بلوکی به طور گسترده ای برای بهبود امنیت اطلاعات استفاده می شود. اکثر سازمان ها برای مدیریت سامانه ها از بانک های اطلاعاتی متمرکز استفاده می کنند. در این روش ذخیره و بازیابی اطلاعات در یک نقطه انجام و رکورد ها بعد از تایید بروز رسانی می گردد. غیرشفاف بودن ، تغییر پذیری و دخالت مدیر مرکزی در تایید صحت داده از معایب روش های متمرکز می باشد. اما زنجیره بلوکی ابزاری برای فرد و سازمان برای مبادله دارایی دیجیتال بدون دخالت شخص ثالث قابل اعتماد، یعنی مدیر مرکزی است. زنجیره بلوکی دارای چندین ویژگی کلیدی است، مانند توزیع پذیری، تغییر ناپذیری و شفافیت. هدف این مطالعه ارزیابی سکوی هایپرلجرفابریک در زنجیره بلوکی مجاز برای استفاده سازمانی مانند نهادهای امنیتی و پلیس است که با بیان انواع زنجیره بلوکی از لحاظ نوع پیاده سازی به تحقیقات سکوی هایپرلجرفابریک و کاربردها در زمینه های متفاوت از تحقیقات انجام شده، نظیر پلیس هوشمند پرداخته می شود. در نهایت، مسیر اقدامات آتی و چالش های تحقیقاتی باز در این حوزه نیز به تفصیل مورد بحث قرار می گیرد و با معرفی نمونه تحقیقات انجام شده در سه سال اخیر، دستاوردها، محصولات ایجاد شده، کاربردها و شیوه اجرا و بیان نقاط قوت و ضعف، سکو هایپرلجرفابریک را بعنوان زنجیره بلوکی مناسب برای توسعه خدمات سازمان ها بویژه نهادهای امنیتی و پلیس از طریق توزیع بانک های اطلاعاتی در بستر زنجیره بلوکی معرفی می کند

در این مقاله، یک روش جدید مبتنی بر هیستوگرام برای مقاوم سازی آشکارسازهای اشیاء در برابر حملات خصمانه معرفی شده است. در ادامه، این روش بر روی دو مدل آشکارساز YOLOV5 و FRCNN اعمال شده و از این طریق دو مدل مقاوم در برابر حملات معرفی شده است. به منظور بررسی عملکرد مدل های مذکور، فرآیند آموزش خصمانه این مدل ها با سه حمله هدفمند TOG-vanishing، TOG-mislabeling و TOG-fabrication و یک حمله بدون هدف DAG انجام شد. کارآیی مدل های معرفی شده بر روی دو مجموعه داده MSCOCO و PASCAL VOC که از مشهورترین مجموعه داده ها در حوزه شناسایی اشیاء هستند، بررسی شد. نتایج نشان می دهند که این روش علاوه بر بهبود دقت خصمانه، دقت پاک مدل های شناسایی را نیز اندکی بهبود می بخشد. میانگین دقت پاک مدل YOLOv5-n برای مجموعه داده PASCAL VOC در صورتی که حملات خصمانه به آن اعمال شوند، در حالتی که هیچ روش دفاعی اعمال نشده باشد، برابر با 5/85 % و در حالتی که روش هیستوگرام به آن اعمال شده است، میانگین دقت برابر با 36/87% شده است. در مدل YOLOv5-n، طبق نتایج، بهترین دقت خصمانه این مدل که نسبت به سایر مدل های دیگر افزایش داشته است، در حالت حملات TOG-vanishing و TOG-fabrication بوده که به ترتیب برابر 48% و 36/52 % هستند.