انجمن کامپیوتر ایران

شبکه‌های اقتضایی متحرک (MANETs) به دلیل داشتن ویژگی‌های ذاتی از قبیل همبندی پویا و عدم وجود زیرساخت در مقایسه با سایر شبکه‌ها از آسیب‌پذیری بیشتری برخوردار هستند. بنابراین، یک چالش مهم برای این شبکه‌ها توسعه رویکردی است که قادر باشد با وجود تغییر پویای همبندی شبکه ناهنجاری‌ها را با دقت بالا تشخیص دهد. در این مقاله، رویکردی مبتنی بر تحلیل مولفه‌های اصلی افزایشی به نام IPCAAD برای تشخیص ناهنجاری پویا در شبکه‌های اقتضایی متحرک پیشنهاد می‌شود. در رویکرد پیشنهادی، هر گره در هر پنجره زمانی مجموعه‌ای از بردارهای داده را از ترافیک شبکه جمع‌آوری می‌کند. رویکرد پیشنهادی شامل دو مرحله آموزش و تشخیص است. در مرحله آموزش، با استفاده از بردارهای داده عادی و تحلیل مولفه‌های اصلی، نمای ترافیک عادی شبکه ایجاد می‌شود. در مرحله تشخیص، در طی هر پنجره زمانی مجموعه‌ای از بردارهای داده جمع‌آوری شده و بردارهای داده غیرعادی مبتنی بر فاصله تصویرشان از اولین مولفه اصلی سراسری تشخیص داده می‌شوند. در پایان هر پنجره زمانی، نمای عادی با استفاده از بردارهای داده عادی در آن پنجره زمانی به‌روزرسانی می‌شود. به‌روزرسانی با استفاده از تحلیل مولفه‌های اصلی افزایشی (IPCA) و یک رابطه فراموشی انجام می‌شود. نتایج آزمایش‌های انجام شده با استفاده از شبیه‌ساز NS2 برای تعدادی از حملات مسیریابی نشان می‌دهند که رویکرد پیشنهادی از کارآیی قابل توجهی برخوردار است.

در این مقاله یک فیلتر فازی - ویولت برای کاهش اثر نویزهای گوسی جمع شونده با تصویر ارائه شده است. این فیلتر از دو بخش تشکیل شده است. بخش اول مشتق فازی را در 8 جهت مختلف متناظر با همسایگی‌های 3*3 پیکسل میانی بدست می‌آورد؛ در بخش دوم از این مشتقات جهت‌دار فازی وزن داده شده برای نرم‌سازی تصویر استفادده می‌شود. برای پیداکردن میزان نویز موجود در تصویر و توزیع آن از اختلاف میان تصویر نویزی و تصویر حذف نویز شده توسط روشBayes shrink استفاده می‌شود. روشBayes shrink یک روش حذف نویز بر اساس تبدیل ویولت است که جزئیات تصویر و لبه‌ها را حفظ می‌نماید. برای نشان دادن کارایی، روش ارائه شده پیاده‌سازی گردید و نتایج بدست آمده با فیلترهای مشابه گردید که حاکی از موثر بودن فیلتر ارائه شده می‌باشد.