انجمن کامپیوتر ایران

پروتکل IPSec برخلاف قابليتها و انعطاف پذيری بالا و کاربرد گسترده دارای محدوديتهای امنيتی است که در برخی موارد استفاده از آن را با چالش همراه کرده است. گستردگی زياد، پيچيدگی بالا و همپوشانی کارکرد بين برخی از بخشهای آن مانند AH و ESP در احراز اصالت موجب شده تا از کارايی آن کاسته گردد. در IPSec از رمزنگاری متقارن در پروتکل ESP استفاده شده اما فرآيند احراز اصالت در هر دو پروتکل AH و ESP انجام می گيرد. پروتکل IPSec بعلت اجرای پروسه احراز اصالت پس از رمزنگاری و ساختن کدهای MAC از روی Ciphertext، در برابر حمله جعل کليد رمزگشايی آسيب پذير و قابل شکست است. در پژوهش انجام شده با ضعفهای IPSec و شناسايی بخشهای همپوشانی، طرح اصلاح شده ای از اين پروتکل ارائه شده که در آن با جابجايی روند پياده سازی احراز اصالت، آسيب پذيری در برابر حمله جعل کليد رمز جبران شده و با استفاده از تکنيکهايی چون فشرده سازی بسته IPSec از افزايش زمان اجرای فرآيند جلوگيری شده است که نتايج بدست آمده نشاندهنده بهبود اين پروتکل در برابر اين حمله است.

امروزه رشد تعداد كاربران و حجم جابه‌جايي داده‌ها در شبكه‌هاي سلولي بطور چشم‌گيري افزايش يافته است. از اين رو اپراتورهاي تلفن همراه با پيچيده‌گي‌هاي بيشتري براي مديريت و انجام عمليات بر روي شبكه خود مواجه هستند. پيش‌بيني اطلاعات مكاني كاربران در اين نوع شبكه‌ها از اهميت بالايي برخوردار است، چراكه چنين اطلاعاتي يكي از موارد مهم در "كنترل ايجاد تماس‌" محسوب مي‌شود. همچنين مدل پيشنهادي مي‌تواند به سيستم مديريت شبكه از لحاظ بهينه‌سازي و كاهش تراكم كمك نمايد. ما در مدل پيشنهادي الگوريتم زنجيره ماركوف را توسعه داده و با استفاده از ايجاد زنجيره‌اي از مسير گذشته و كنوني كاربر مسير بعدي وي را پيش‌بيني مي‌نماييم. به منظور بهينه‌سازي و كاهش حجم اطلاعات، مسيرهاي پيش‌بيني شده را بر اساس نزديكترين ميزان تشابه در مقدار پيش بيني بدست آمده، در يكديگر را ادغام مي‌كنيم. در پايان، نتايج حاصل از پياده‌سازي مدل پيشنهادي و ارزيابي خواهيم پرداخت.

در دو دهه‌ی گذشته، تکنیک‌های شبکه‌های عصبی به عنوان یک روش متکی بر داده به بلوغ رسیده‌اند و افق کاملاً جدیدی را در عرصه تشخیص خطا به‌وجود آورده‌اند. با گسترش سریع هر دو صنعت مدارهای آنالوگ و دیجیتال، مبحث تست در حال تبدیل شدن به موضوعی فوق العاده مهم است. استفاده از شبکه‌های عصبی روشی موفق در تشخیص خطا است. در این مقاله استفاده از شبکه‌های عصبی در تشخیص خطا در مدارهای mixed-signal و به عنوان نمونه یک ADC 3بیتی از نوعflash را بررسی می‌کنیم. سپس نتایج را با سه روشFFT ، هیستوگرام و sine fit مقایسه می‌کنیم. در نهایت به این نتیجه رسیدیم که روش شبکه عصبی می‌تواند نقش قابل توجهی در تشخیص خطا و تعیین محل وقوع آن داشته باشد.

خطا و عدم قطعیت یکی از همزادهای مجموعه‌های داده‌ای بوده و بطور همزمان در مرحله تولید و جمع‌آوری داده به‌وجود آمده و درمراحل بعدی استفاده از داده‌ها، انتشار یافته و رشد می‌نماید و نهایتاً نتایج و محصولات بدست آمده را متأثر می‌نماید. درسیستم‌های سنجش از دوری، به لحاظ نحوه عمکرد در آنها، بحث عدم قطعیت با شدت بیشتری مطرح می‌گردد. عدم قطعیت در داده‌های سنجش از دوری به طرق مختلف و توسط منابعی متنوع ایجاد می‌شوند. این عدم قطعیت محصولات تولید شده با استفاده از تصاویر سنجش از دوری، از قبیل نقشه موضوعی تولید شده در فرایند طبقه بندی را دچار خطا می‌نماید متصور سازی یا مدل سازی عدم قطعیت بسیار مناسب خواهد بود و می‌تواند فضای جدیدی را برای کاربران این تصاویر بکار گرفته شوند، بسیار مطلوب خواهند بود. از این رو در این مقاله سعی شده است، علاوه بر بررسی عوامل ایجاد کننده عدم قطعیت در نتایج طبقه‌بندی تصاویر سنجش از دوری، پارامترهایی برای اندازه‌گیری عدم قطعیت در نتایج طبقه بندی ارائه گردد. نتایج نشان می‌دهد که این پارامترها می‌توانند بعنوان معیارهای جدیدی برای ارزیابی طبقه بندی‌ها کننده ها علاوه بر صحت و اعتبار مطرح گردند.