مقاله اصلی
Abstract:
In novel forms of the Social Internet of Things, any mobile user within communication range may help routing messages for another user in the network. The resulting message delivery rate depends both on the users’ mobility patterns and the message load in the network. This new type of configuration, however,poses new challenges to security,amongst them, assessing the effect that a group of colluding malicious participants can have on the global message delivery rate in such a network is far from trivial. In this work,after modeling such a question as an optimization problem, we are able to find quite interesting results by coupling a network simulator with an evolutionary algorithm.
- Title: Optimizing groups of colluding strong attackers in mobile urban communication networks with evolutionary algorithms
- Journals :Applied Soft Computing
- Impact Factor: 2.857
- Accepted: 9 November 2015
- Page: 11
اسلاید ارائه
محتویات اسلاید ها به شرح زیر می‌باشد:
- تعریف مساله : بیان Delay-tolerant-network DTN
- الگوریتم‌های مسیریابی Routing algorithms
- شبکه‌های فرصت‌طلب Opportunistic network
- معرفی شبیه‌ساز ONE و کاربرد آن
- معرفی انواع Attacker
- انواع حملات امنیتی security attacks
- تبدیل مساله به یک مساله‌ی بهینه‌سازی و حل آن با الگوریتم‌های فراابتکاری
- عنوان: Optimizing groups of colluding strong attackers in mobile urban communication networks
- تعداد صفحات: ۲۰
- زبان: انگلیسی
- فایل پاورپوینت دارای یادداشت (note) نمی‌باشد
ترجمه و گزارش مقاله
چکیده:
در اشکال جدید اینترنت اجتماعی اشیاء ، هر کاربر متحرک در محدوده ارتباطی خود ممکن است در مسیریابی پیام برای کاربران دیگر در شبکه کمک کند. در نتیجه، میزان تحویل پیام، بستگی به الگوهای تحرک کاربران و بار ارسال در شبکه دارد. با این حال، این نوع جدید از پیکربندی، چالش جدید امنیتی بوجود می‌آورد. در میان آنها، ارزیابی اثراتی که یک گروه از عوامل مخرب می‌تواند بر میزان تحویل پیام کلی در چنین شبکه‌ای داشته باشد، ناچیز و بی‌اهمیت باشد. در این پژوهش، پس از مدل‌سازی این چنین سوالاتی به عنوان یک مسئله بهینه‌سازی، قادر خواهیم بود نتایج بسیار جالبی را بوسیله‌ی اتصال یک شبیه‌ساز شبکه با یک الگوریتم تکاملی، بدست آوریم.
کد و پیاده‌سازی مقاله
در چارچوب مقاله، از شبیه‌ساز محیطی شبکه‌های فرصت طلب (ONE)، همراه با ابزارهای تکاملی گروهی UGP معرفی شده در مقاله استفاده کرده‌ایم.
- open jdk
- python 2.7
- numpy python
گزارش روش پیشنهادی جدید براساس مقاله‌ی اصلی (Proposal)
ایده: بهینه‌سازی گروهی مهاجمان به یک شبکه مقاوم به تاخیر شهری با ترکیب الگوریتم ژنتیک و بهینه سازی ازدحام ذرات
افزایش دستگاه های مجهز به تجهیزات ارتباطی ،نوع جدیدی از شبکه های مقاوم به تاخیر را پدید آورده که ازوسایل الکترونیکی متحرک به عنوان گره های ارتباطی استفاده می کند.همراه با کاربردی شدن این شبکه ها چالش های امنیتی نیز روبه افزایش است.در این پژوهش یک روش جدید به کمک الگوریتم های ژنتیک (GA) وبهینه سازی ازدحام ذرات (PSO) ارایه شده که نشان می دهد چه ترکیبی از گروه مهاجمان می تواند بیشترین آسیب به شبکه را وارد کند.
در روش پیشنهادی یک روش پیشنهادی ارائه شده است که به کمک الگوریتم PSO ابتدا جواب های فردی که مهاجمان به صورت تنها هستند ایجاد می کند.الگوریتم PSO به دلیل سرعت زیاد در رسیدن به بهینه سراسری معروف است.پس از تولید جواب ها به الگوریتم GA که برای گروه سازی طراحی شده است تحویل داده می شود.این بخش جواب ها را دریافت می کند و اپراتورهای GA را اعمال می کند و یک گروه جواب تحویل می دهد
کد و پیاده‌سازی روش پیشنهادی جدید
در چارچوب روش پیشنهادی جدید، از شبیه‌ساز محیطی شبکه‌های فرصت طلب، همراه با الگوریتم بهینه‌سازی گروهی مبتنی بر PSO و GA استفاده شده است.
- open jdk
- python 2.7
- numpy python
ارتباط با بخش پشتیبانی
اگر قبلا در بیان ثبت نام کرده اید لطفا ابتدا وارد شوید، در غیر این صورت می توانید ثبت نام کنید.