چکیده پایان نامه های گروه کامپیوتر

نام و نام خانوادگی:مرضیه صرامی فروشانی
عنوان پایان نامه: جایگذاری بهینه توابع مجازی شبکه نسل‌پنجم مبتنی بر الگوریتم جستجوی‌فاخته و اتوماتای یادگیر
رشته تحصیلی:مهندسي کامپيوتر ،گرايش شبکه های کامپيوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری

چکیده:

از آنجایی که مجازی‌سازی عملکرد شبکه خدمات شبکه را از طریق یکپارچه سازی توابع شبکه مانند فایروال ها، بازرسی بسته های عمیق، متعادل کننده های بار و روترها و سوئیچ ها تسهیل می‌کند، می‌توان گفت که مجازی‌سازی عملکرد شبکه یک مسئله حیاتی است که در دنیای امروز مورد توجه قرار گرفته‌است. علاوه بر این، عملکردهای شبکه مجازی را می‌توان به راحتی از یک دستگاه به دستگاه دیگر بدون نیاز به نصب سخت افزار خاص جدید منتقل کرد. تحقیقات زیادی درمورد مشکل قرار دادن توابع شبکه مجازی در شبکه نسل‌پنجم انجام شده است تا چالش های عمده در این زمینه حل شود. هدف این تحقیق یافتن مکان بهینه توابع شبکه مجازی در منابع فیزیکی زیربنایی است. واضح است که مکان‌یابی بهینه می‌تواند هزینه ها را کاهش دهد، نسبت پذیرش تقاضا را افزایش دهد و از هدر رفتن منابع شبکه جلوگیری کند. از آنجایی که مشکل قرار دادن توابع شبکه مجازی یک چالش NP-Hard است، باید با استفاده از راه حل های اکتشافی یا فراابتکاری حل‌شود. در این تحقیق از یک راه حل فراابتکاری ترکیبی و یادگیری عمیق متشکل از الگوریتم های بهینه‌سازی فاخته و یادگیری‌خودکار برای جانمایی بهینه توابع شبکه مجازی استفاده شده است. هدف از این مدل ترکیبی، قراردادن توابع شبکه مجازی بر اساس معیارها و پارامترهای مختلف در شبکه نسل‌پنجم است که در نهایت منجر به به حداقل رساندن میزان تاخیر، مصرف انرژی و استفاده از منابع و از طرفی پذیرش می‌شود. نرخ و قابلیت اطمینان را می‌توان بهبود بخشید. در شبکه نسل‌پنجم افزایش یافت. نتایج شبیه‌سازی مدل پیشنهادی برای دو شبکه مختلف نشان می‌دهد که روش تحقیق می‌تواند در مکان‌یابی بهینه توابع شبکه مجازی کارآمدتر باشد. در نهایت مقایسه روش تحقیق پیشنهادی با دو مدل مبتنی بر مدل فراابتکاری و شبکه عصبی نشان داد که این روش پیشنهادی توانسته است میزان پذیرش و قابلیت اطمینان را افزایش دهد و در کاهش تاخیر و مصرف انرژی در شبکه موثر باشد.
کلیدواژه:یادگیری عمیق، پیش‌بینی هوا، رگرسیون فرایند گاوسی، بارندگی

نام و نام خانوادگی:ليلا شيريان
عنوان پایان نامه: يک مدل براي پيش بيني دما و بارندگي مبتني بر ترکيب رگرسيون فرآيند گاوسي و يادگيري تقويتي
رشته تحصیلی:مهندسي کامپيوتر ،گرايش شبکه های کامپيوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعيد نصری

چکیده:

تغییرات دما و بارندگی بر بهره‌وری محصول تأثیر منفی می‌گذارد. پیش‌بینی دما و بارندگی به دلیل وابستگی بسیاری از مردم در بخش کشاورزی بسیار ضروری است، بنابراین، یافتن یک رویکرد مناسب برای پیش‌بینی دمای هوا حیاتی است. در حالی که به دلیل ماهیت پویایی آن، پیش‌بینی دقیق بارش بسیار پیچیده است. این پژوهش برای پیش‌بینی دمای دومتر و بارندگی کل طی 24 ساعت در ارتفاع ژئوپتانسیل سطح فشار hPa500، از یک شبکه متخاصم مولد کانولوشن عمیق مشروط استفاده می‌نماید. این پژوهش با هدف ارائه یک مدل پیش‌بینی عمیق مبتنی بر رگرسیون فرآیند گاوسی و یادگیری تقویتی برای پیش‌بینی بارندگی با حذف مقادیر پرت از مجموعه داده‌ها برای پیش‌بینی دقیق انجام شد. مدل‌های پیشنهادی بر روی داده‌های تحلیلی 4 ساله با هدف پیش‌بینی میدان‌های هواشناسی مرتبط و عدم موفقیت در پیش‌بینی بارندگی کل آموزش داده شده‌اند. پس می‌توان گفت پیش‌بینی آب‌و‌هوا بر اساس داده‌ها به تنهایی ممکن است برای پارامترهای هواشناسی خاص امکان‌پذیر باشد. ما بیشتر از مدل رگرسیون فرایند گاوسی برای توسعه یک سیستم پیش‌بینی آب‌و‌هوا مبتنی بر استراتژی‌های یادگیری عمیق استفاده کردیم که از نظر محاسباتی ارزان است و مهارت مدل پیش‌بینی را بیشتر بهبود می‌بخشد. در نهایت روش مورد نظر عملکرد و دقتی برابر با 94 درصد دارد.

کلیدواژه: یادگیری عمیق، پیش‌بینی هوا، رگرسیون فرایند گاوسی، بارندگی

نام و نام خانوادگی:اعظم داودی
عنوان پایان نامه: یک روش کاهش مصرف آب در کشاورزی با استفاده از اینترنت اشیا و یادگیری ماشین
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر محمد رضا مصلحی
چکیده:

مصرف بهینه منابع آب در کشاورزی امری حیاتی است، زیرا افزایش جمعیت و تغییرات اقلیمی چالش‌های جدیدی را برای تولید محصولات کشاورزی ایجاد کرده است. با افزایش جمعیت جهان، نیاز به تولید بیشتر محصولات غذایی افزایش می‌یابد. این نیاز به افزایش تولید که به ویژه در کشورهای در حال توسعه قابل مشاهده است، فشار زیادی بر کشاورزی و منابع آب ایجاد کرده است. تغییرات اقلیمی باعث کاهش توزیع مناسب آب و افزایش تنش‌های آبی در بسیاری از مناطق جهان شده است. کمبود آب و تغییرات در الگوی بارندگی می‌تواند مشکلات جدی برای کشاورزی ایجاد کند.
در این پژوهش، سعی شده است تا با استفاده از الگوریتم‌های یادگیری ماشین، برای مدیریت مصرف آب در کشاورزی بهبود حاصل گردد. این الگوریتم¬ها قادرند الگوهای پیچیده مصرف آب در کشاورزی را تحلیل کرده و بر اساس خروجی آنها پیش بینی صورت گیرد. الگوریتم‌های یادگیری ماشین از قبیل KNN، SVM ، DTC و LR برای مدیریت بهینه مصرف آب به کار گرفته شده‌اند.
ابتدا، داده‌های مربوط به مصرف آب در کشاورزی جمع‌آوری و پس از پیش‌پردازش، به الگوریتم‌های نامبرده وارد شده‌اند. سپس مدل‌های آموزش ایجاد شده و بهبودهای لازم در پیش‌بینی مصرف آب حاصل گردیده است. پژوهش حاضر نشان می‌دهد که اعمال الگوریتم‌های یادگیری ماشین برای مدیریت مصرف آب در کشاورزی، گام مؤثری در جهت کاهش تأثیرات منفی مصرف ناپایدار آب می‌باشد. این اقدامات می‌توانند بهبود قابل توجهی در مدیریت منابع آب حاصل کنند و تا حد ممکن به محیط زیست کمک نمایند.
کلیدواژه: کشاورزی هوشمند – آبیاری هوشمند – مدیریت هوشمند منابع آب – اینترنت اشیا کشاورزی

نام و نام خانوادگی:نوشین مهذب نیا
عنوان پایان نامه: روشي جهت بهبود تشخيص بیماری‌های ريوي بر اساس پردازش تصاوير اسکن ريه با استفاده از يادگيري گروهي
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری
چکیده:

حوزه‌های کاربردی پردازش تصویر بسیار وسیع و متنوع است و در حوزه‌های مختلفی از جمله صنعت، پزشکی، کشاورزی و… مورداستفاده قرار می گیرد. امروزه در دنیای پزشکی برای تشخیص انواع مختلفی بیماری‌ها از تصاویر پزشکی مانند تصاویر رادیولوژی (X-rays)، CT scan و MRI استفاده می‌شود. به‌کارگیری روش‌های پیشرفته پردازش تصاویر پزشکی در جهت افزایش بهبود کیفیت تصاویر، اهمیت ویژه‌ای برای کمک به تشخیص سریع‌تر بیماری در مراحل اولیه دارد. این مطالعه باهدف ارائه یک راهکار نوین در تحلیل تصاویر پزشکی طراحی شده است. در این پژوهش در راستای تشخیص مؤثرتر سرطان ریه از روی تصاویر MRI یک الگوریتم یادگیری گروهی پیشنهاد و بررسی شده است.
رویکرد پیشنهادی بدین صورت است که از چند الگوریتم یادگیری ماشین شامل الگوریتم جنگل تصادفی، دسته‌بند SVM و شبکه عصبی عمیق، برای تشخیص استفاده می‌کنیم تا بهترین نتیجه به دست آید. برای این منظور پس از اعمال پیش‌پردازش و قطعه‌بندی و استخراج ویژگی، و کاهش ویژگی‌ها، ویژگی‌های انتخاب شده به الگوریتم‌های یادگیری داده شده و مدل‌های یادگیری ایجاد می‌شود. سپس مدل‌های یادگیری ایجاد شده با دریافت دیتاست یکسان برای هر سه مدل هرکدام نتیجه‌ای را مشخص خواهند کرد و بر مبنای قانون یادگیری گروهی بر بهترین خروجی تکیه خواهیم کرد و تصمیم‌گیری نهایی برای پیش‌بینی وضعیت بیماری انجام خواهد شد.
مدل های یادگیری ماشین در نرم‌افزار متلب پیاده سازی و اجرا می شود و تصاویر MRI دریافتی بر اساس وجود یا عدم وجود سرطان ریه تجزیه‌وتحلیل و طبقه‌بندی‌شده و نتایج به کمک ماتریس درهم‌ریختگی ارزیابی می‌شود. نتایج نشان می‌دهد روش پیشنهادی در این تحقیق توانسته است دقت مناسبی را برای شناسایی و دسته‌بندی بهتر تصاویر در گروه‌های مناسب در اختیار کاربران قرار دهد. اگرچه مدل پیش‌بینی ما می‌تواند برای مرحله‌بندی دقیق تومور سرطان ریه استفاده شود، ممکن است به دلیل حجم نمونه محدود، انحرافاتی وجود داشته باشد و هنوز برخی از کمبودها وجود دارد، بنابراین گروه بزرگتری از داده برای اعتبارسنجی بیشتر مدل‌ها نتایج کامل‌تری را در بر خواهد داشت.
کلیدواژه: پردازش تصاویر اسکن ریه، الگوریتم یادگیری گروهی، شبکه عصبی پرسپترون چندلایه، جنگل تصادفی، ماشین بردار پشتیبان (SVM)

نام و نام خانوادگی:شهرام پاک نهاد
عنوان پایان نامه: استفاده از فناوری محاسبات ابری مبتنی بر اینترنت اشیا برای نظارت بر ترافیک هوشمند
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر محمد رضا مصلحی
چکیده:

استفاده از فناوری اطلاعات در کنترل ترافیک، همانند سایر کاربردهای این تکنولوژی تحولات مثبت و متعددی را در کیفیت خدمات کنترل ترافیک بوجود آورده است. از طرفی پردازش ابر و مه به عنوان دو رویکرد مهم توانسته با افزایش توانمندی ها و قابلیت های شبکه های خودرویی کیفیت هوشمند سازی شبکه های کنترل ترافیک را افزایش دهد. هدف پژوهش حاضر استفاده از فناوری محاسبات ابری مبتنی بر اینترنت اشیا برای نظارت بر ترافیک هوشمند بوده است. پژوهش از نوع کاربردی بوده و با استفاده از شبیه سازی اینترنت اشیا در محیط Cooja از سیستم‌عامل Contiki انجام گردیده است. جهت مقایسه قابلیت های استفاده از مه و ابر و مقایسه عملکرد استفاده از این دو تکنولوژی در شبکه های کنترل ترافیک هوشمند، سناریوهای مختلف شبیه سازی با 16 و 64 نود در شبکه طراحی و اجرا گردید. یافته‌های این پژوهش نشان داد که استفاده از مه می تواند باعث کاهش تاخیر نقطه به نقطه بین نودهای شبکه نسبت به رویکرد ابر و بدون ابر/مه شود. یافته ها همچنین نشان داد که استفاده از ابر درشبکه با 64 نود و یک سرور ابر باعث کاهش 6.6 درصدی ازدحام در شبکه و استفاده از مه در شبکه باعث کاهش 5/0‌% درصدی ازدحام گردیده است. یافته ها همچنین در مورد تاخیر پردازش نشان داد که استفاده از ابر درشبکه با 16 نود و یک سرور ابر باعث کاهش 6 درصدی تاخیر پردازش و استفاده از مه در شبکه باعث کاهش 9.8% درصدی تاخیر گردیده است. همچنین مدل دو سطحی پیشنهادی (مه) در مقایسه با مدل سه سطحی پارتا (2021) نشان داد که می‌تواند تاخیر نقطه به نقطه را 7 درصد و تاخیر پردازش را 3 درصد بهبود بخشد با این حال تفاوتی در میزان ازدحام شبکه در دومدل مورد بررسی دیده نشد.

کلیدواژه: کنترل ترافیک هوشمند، محاسبات ابری، مه QCADesigner

نام و نام خانوادگی:محسن خمیرگیران فارسانی
عنوان پایان نامه: خوشه بندی داده با استفاده از الگوریتم بهینه سازی تکاملی تجمع پرندگان در سیستم های آموزشی
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی
چکیده:

قبل ازاین که به توضیح خوشه بندی بپردازم بهتره که کمی با کاربرد های اون آشنا بشیم. از جمله کاربرد های خوشه بندی میشه به استفاده از الگوریتم های این روش در مدل سازی های مربوط به دسته بندی مشتریان جهت به کارگیری در مدیریت ارتباط با مشتری، کشف تقلب در بیمه جهت کاهش زیان شرکت های بیمه، دسته بندی کارمندان جهت کمک به واحد منابع انسانی سازمان ها، متن کاوی جهت تحلیل داده های شبکه های اجتماعی و … اشاره کرد. خوشه بندی کاربرد های خیلی مختلف داره که خیلی جا ها ازش استفاده می‌شه و قطعا این مثال هایی که زدم فقط بخشی ازین کاربرد ها رو بازگو کرده. در تجزیه و تحلیل خوشه یا خوشه بندی، گروه بندی مجموعه‌ای از اشیاء انجام می‌شه. این کار به این صورته که اشیائی که در یک گروه (به نام خوشه) قرار دارند، در مقایسه با اشیاء دیگر دسته‌ها (خوشه ها) مشابه‌تر هستند. این وظیفه اصلی داده کاوی اکتشافی هست و یک روش معمول برای تجزیه و تحلیل داده‌های آماریه. خوشه‌ها شامل گروه ‌هایی با فاصله‌ های کم بین اعضای خوشه، مناطق متراکم فضای داده، فواصل و یا توزیع ‌های آماری خاص هستند. بنابراین خوشه بندی می‌تونه به عنوان یک مسئله بهینه سازی چند هدفه صورت بگیره. انتخاب الگوریتم خوشه بندی مناسب و تنظیمات پارامتر (از جمله پارامترهایی مانند تابع فاصله مورد استفاده، آستانه تراکم یا تعداد خوشه مورد انتظار) بستگی به تنظیم مجموعه داده‌ها توسط فرد و استفاده خاص فرد از نتایج داره. تجزیه و تحلیل خوشه‌ای یک روش اتوماتیک نیست، بلکه یک فرآیند تکراری از کشف دانش یا بهینه سازی چند هدفه تعاملی هست که در اون آزمایش و شکست وجود داره. توی خوشه بندی اغلب لازم الگوریتم PSO یا (Particle swarm optimization) بهینه سازی ازدحام ذرات (PSO) یک روش بهینه سازی تصادفی مبتنی بر جمعیت است که توسط دکتر کندی Dr. Eberhart و دکتر ابراهارت Dr. Kennedy در سال 1995 طراحی شده است که الهام گرفته از رفتار اجتماعی ازدحام پرندگان و پرورش ماهی است. الگوریتم PSO شباهت زیادی با تکنیک های محاسباتی تکاملی مانند الگوریتم ژنتیک (GA) دارد. این سیستم با جمع آوری راه حل های تصادفی و جستجو برای بهینه سازی با به روز رسانی نسل ها آغاز می شود.

با این حال، بر خلاف GA الگوریتم PSO هیچ اپراتور تکاملی مانند CrossOver و جهش ندارد. در PSO، راه حل های بالقوه، ذرات نامیده می شوند که از طریق فضای مشکل با دنبال کردن ذرات بهینه مطلوب پرواز می کنند. اطلاعات دقیق در بخش های زیر داده می شود. در مقایسه با الگوریتم ژنتیک، الگوریتم PSO آسان است و چند پارامتر برای تنظیم آن وجود دارد. این الگوریتم در بسیاری از زمینه ها به طور موفقیت آمیزی مورد استفاده قرار گرفته است: بهینه سازی عملکرد، آموزش شبکه های عصبی مصنوعی، کنترل سیستم فازی و سایر زمینه ها می تواند استفاده شود.ه که داده ‌ها پیش پردازش بشه و پارامترهای مدل اصلاح بشه تا نتیجه حاصل، همان نتیجه‌ی دلخواه باشه.
یادگیری بدون نظارت یا Unsupervised learning نوعی یادگیری ماشین است که کاربران لازم نیست بر مدل آن نظارت کنند. در عوض، مدل کنونی روی خود کار می‌کند تا الگوها و اطلاعات شناسایی‌ نشده را کشف کند. اغلب کار این مدل با داده‌های برچسب‌نخورده است.
کاربران با استفاده از الگوریتم‌های یادگیری بدون نظارت می‌توانند کارهایی با پردازش پیچیده‌تر را در مقایسه با یادگیری با نظارت انجام دهند. گرچه که یادگیری بدون نظارت نسبت به دیگر شیوه‌های یادگیری طبیعی پیش‌بینی‌ناپذیرتر است. الگوریتم‌های یادگیری بدون نظارت شامل خوشه‌بندی، شناسایی ناهنجاری، شبکه‌های عصبی و غیره می‌شود.
خوشه‌بندی یکی از مفاهیم پراهمیت در حوزه یادگیری بدون نظارت است. این مفهوم بیشتر با پیداکردن ساختار و الگو در مجموعه‌ای از داده‌های دسته‌بندی‌ نشده کار دارد. الگوریتم‌های خوشه‌بندی یادگیری بدون نظارت، داده‌های شما را پردازش کرده و در صورت وجود خوشه‌های (گروه‌ها) طبیعی، آنها را پیدا می‌کند. همچنین، می‌توانید تعداد خوشه‌هایی را که الگوریتم‌های شما باید آن را پیدا کنند، تغییر دهید. خوشه‌بندی انواع مختلفی دارد که می‌توان آنها را به‌کار گرفت.
الگوریتم‌های تکاملی از روش ها و عملیات ابتدایی برای حل مسئله استفاده می‌کنند و در طی یک سری از تکرارها به راه‌حل مناسب برای مسئله می‌رسند. این الگوریتم‌ها غالباً از یک جمعیت حاوی راه‌حل‌های تصادفی شروع می‌کنند و در طی هر مرحله تکرار سعی در بهتر کردن مجموعه راه‌حل‌ها دارند. در آغاز کار تعدادی از اعضای جامعه به‌صورت تصادفی حدس زده‌شده، سپس تابع هدف یا برازندگی برای هر یک از این اعضا محاسبه و نخستین نسل ایجاد خواهد شد. اگر هیچ‌یک از معیارهای خاتمه بهینه‌سازی دیده نشوند، ایجاد نسل جدید آغاز خواهد شد.

اعضا برحسب میزان شایستگی‌شان برای تولید فرزندها انتخاب می‌شوند. این افراد به‌عنوان والدین محسوب می‌شوند و بازترکیب فرزندان را تولید می‌نمایند. سپس تمامی فرزندها با یک مقدار معینی از احتمال، یعنی همان جهش، تغییر ژنتیکی می‌یابند. اکنون میزان شایستگی (برازندگی) فرزندان تعیین و در اجتماع جایگزین والدین شده و نسل جدید را ایجاد می‌نمایند. این چرخه آن‌قدر تکرار می‌شود تا یکی از معیارهای پایان بهینه‌سازی کسب شود.

کلیدواژه: خوشه بندی ، الگوریتم تکاملی ، بهینه سازی ، الگوریتم تجمع پرندگان

نام و نام خانوادگی:آقای سید ابوالفضل میرکاظمی
عنوان پایان نامه: بهبود شناسایی و دفاع در برابر حملات سایبری در اکوسیستم خانه هوشمند اینترنت اشیا با استفاده از الگوریتم های یادگیری ماشین
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری
چکیده:

گسترش دستگاه های اینترنت اشیا (IoT) با برجستگی آنها در زندگی روزمره ما نشان داده می شود. اگرچه چنین دستگاه هایی کارهای روزمره را ساده و خودکار می کنند، اما نقص های امنیتی فوق العاده ای نیز ایجاد می کنند. اقدامات امنیتی فعلی کافی نیست و اینترنت اشیا را به یکی از ضعیف‌ترین حلقه های نفوذ به یک زیرساخت امن تبدیل می‌کند که می‌تواند عواقب جدی داشته باشد. متعاقباً، این پایان نامه با انگیزه نیاز به توسعه و تقویت بیشتر مکانیسم های جدید متناسب با تقویت زیرساخت های امنیتی کلی اکوسیستم های اینترنت اشیا است.

برای تخمین درجه ای که یک هاب می تواند امنیت کلی اکوسیستم را بهبود بخشد، این پایان نامه طراحی و اجرای نمونه اولیه یک هاب امن اینترنت اشیاء جدید، متشکل از مکانیسم های امنیتی داخلی مختلف را ارائه می دهد که ویژگی های امنیتی کلیدی (مانند احراز هویت، محرمانه بودن) را برآورده می کند. ، کنترل دسترسی) قابل اجرا برای طیف وسیعی از دستگاه ها. اثربخشی هاب در یک شبکه اینترنت اشیاء خانگی هوشمند مورد ارزیابی قرار گرفت که حملات سایبری محبوب بر روی آن مستقر شدند.برای افزایش بیشتر امنیت محیط اینترنت اشیا، آزمایش‌های اولیه برای توسعه یک سیستم تشخیص نفوذ سه لایه (IDS) پیشنهاد شده‌است؛ که شامل: لایه یک، IDS  و طبقه بندی دستگاه های اینترنت اشیا، لایه دو، شناسایی بسته های مخرب یا خوش خیم شبکه، و لایه سه، شناسایی نوع حمله رخ داده است. برای پشتیبانی از آزمایش‌های طبقه‌بندی، داده های واقعی شبکه از یک بستر آزمایشی خانه هوشمند جمع‌آوری شد، جایی که طیفی از حملات سایبری از چهار نوع حمله اصلی به سمت دستگاه ها هدف قرار گرفتند. در نهایت، استحکام IDS در برابر حملات یادگیری ماشین متخاصم (AML) بیشتر ارزیابی شد. چنین حملاتی ممکن است مدل‌ها را با تولید نمونه های متخاصم هدف قرار دهند که هدفشان سوءاستفاده از نقاط ضعف مدل از پیش آموزش‌دیده و در نتیجه دور زدن آشکارساز است. این پایان نامه اولین رویکرد را برای تولید خودکار بسته های شبکه اینترنت اشیاء DoS مخرب دشمن ارائه می دهد. تجزیه و تحلیل بیشتر بررسی می کند که چگونه آموزش خصمانه می تواند استحکام IDS را افزایش دهد.

کلیدواژه: بهبود شناسایی،حملات سایبری،اینترنت اشیاء،یادگیری ماشین

نام و نام خانوادگی:سحر موسوی
عنوان پایان نامه: به کار گیری یادگیری ماشین تحت نظارت به منظور بهبود کیفیت سرویس در شبکه 5G
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر احمد یوسفی
چکیده:

به پنجمین نسل از فناوری­های سلولی، ارتباطات همراه 5G گفته می شود. شبکه ­های 5G به طور گسترده با سه ویژگی منحصر به فرد مشخص می شوند: اتصال همه جانبه، تاخیر بسیار کم و انتقال داده­ها با سرعت فوق العاده بالا. چالش­های موجود در شبکه­ های 5G عبارتند از: اطمینان از عملکرد شبکه، کیفیت خدمات مورد نیاز از جمله خدمات، ارتباطات انواع ماشین، پهنای باند پیشرفته موبایل، ارتباطات با قابلیت اعتماد بالا با تاخیر کم.

زمینه ­های یادگیری ماشین در تکنولوژی­های ارتباطات قابل پیاده ­سازی هستند. در معماری مطرح شده در این پژوهش، یک مکانیسم اطمینان QOS مبتنی بر یادگیری نظارت شده برای شبکه ­های 5G ارائه شده است.

در این پژوهش ابتدا انواع درخت­های برای یادگیری سیستم مورد بررسی قرار گرفته است که نتیجه آن بدین صورت است که درخت c4.5 بهترین پاسخ را در مقایسه با بقیه­ ی درخت­ها دارد.

در بررسی­ داده­های شبکه­ های مختلف به این نتیجه رسیدیم که در شبکه ­های غیرپویا سرعت بسیار کمی دارد. برای حل این مشکل، درخت تصمیم را با الگوریتم ژنتیک ادغام نمودیم که منجر به تولید نتایج مطلوبی گردید.

روش پیشنهادی در پنج مرحله کار خود را انجام می­دهد:  1) داده ­های شبکه جمع آوری می­شوند. 2) این داده ­ها به کمک درخت تصمیم c4.5 بررسی شده و فیلدی که باید پیش بینی شوند، پیش بینی می­شوند. 3) داده­ های جمع آوری شده و داده­ هایی که قبلا در الگوریتم ژنتیک بررسی شده ­اند (در تعریف الگوریتم ژنتیک این داده­ ها والد­ها هستند) در کنار هم مجموعه داده­ هایی را تشکیل می­دهند که در این مرحله بررسی می­شوند. 4) داده ­های انتخاب شده در مرحله 3 به عنوان ورودی برای عملیات جهش وارد الگوریتم ژنتیک می­شوند. 5) در این مرحله از بین فرزندان تولید شده در مرحله 4، به صورت تصادفی مواردی انتخاب شده، وارد درخت c4.5 می­شوند و عملیات یادگیری این درخت انجام می­شود. 6) داده ­های وارد شده برای مرحله بعد نگهداری می­شوند (در مرحله 3 به عنوان والد استفاده می­شود).

نتایج بدست آمده از شبیه ­سازی انجام شده بیانگر این موضوع است که ادغام الگوریتم ژنتیک و درخت c4.5 باعث شده است که عملیات یادگیری با سرعت بیشتری انجام شود و به تبع آن پیش بینی با دقت بیشتری انجام شود. مقایسه روش پیشنهادی با CART، CHAID انجام شده است که نتایج بدست آمده از مقایسات انجام شده نشان داده است که روش پیشنهادی توانسته عملکرد بهتری را به نسبت دو روش CART، CHAID بدست بیاورد.

کلیدواژه:

شبکه­ های 5G، یادگیری ماشین، ناهنجاری­های QOS، الگوریتم ژنتیک، درخت تصمیم

نام و نام خانوادگی:شادی کبیری
عنوان پایان نامه: تشخیص بیماری کووید-19 در تصاویر ریه با استفاده از شبکه عصبی عمیق سیامی و الگوریتم فراابتکاری جهت انتخاب ویژگی
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری کوپایی
چکیده:

Covid-19 disease, which is a member of the coronavirus family, has become a global pandemic and has had many adverse individual and social effects. The disease has affected various aspects of the individual such as health, safety and well-being of individuals and social aspects such as economic losses, unemployment, insufficient medical resources. The most basic and main method of controlling Covid-19 disease to reduce its adverse effects is early diagnosis of the disease to reduce mortality and control its epidemic. In the field of diagnosis of Covid-19 disease, various methods based on data mining techniques, including machine learning and deep learning methods, have been proposed so far. Research shows that in-depth learning can be successful in detecting Covid-19. In this regard, due to the importance of early diagnosis of Covid-19 disease, in this study, a physician assistant system for diagnosing this disease based on deep learning and machine learning is presented. The method proposed in this research is based on the new deep architecture of Siamese neural networks, which consists of two convolutional subnets. Siamese neural networks have been used in the proposed disease diagnosis model to extract deep features from patients’ lung CT images. In this method, to achieve the optimal subset of features that can lead to reduced calculations and early detection of disease in big data, the meta-heuristic algorithm of the Great Pyramid of Giza based on archeology is used and then to diagnose Covid-19 disease from a combination of three versions of the algorithm The nearest neighbor k classification, including its simple, weighted, and fuzzy versions, is used in combination with the majority voting technique. To evaluate this method, a database of CT images of patients’ lungs was used and the results of various experiments show that the method was able to achieve 98.64% accuracy in diagnosing the disease, which was about 11% more successful in diagnosing the disease compared to previous methods.

کلیدواژه: Covid-19 disease, Siamese neural networks, Giza Great Pyramid Algorithm, Fuzzy classification.

نام و نام خانوادگی:حسین غلامی
عنوان پایان نامه: کشف دانش پنهان ميان داده‌های سامانه 195 (سازمان تنظیم مقررات و ارتباطات رادیویی) با استفاده از تکنیک‌های داده‌کاوی و الگوریتم اپریوری
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی
چکیده:

در عصر حاضر، امکانات نوین ذخیره‌سازی باعث شده که سازمان‌های مختلف قادر به ذخیره حجم انبوهی از داده‌هایشان باشند. داده‌های ذخیره‌شده در انبار داده‌ها به‌عنوان یک منبع غنی از دانش محسوب می‌شود که استفاده از آن‌ امکان اخذ تصمیمات صحیح و راهبردی را در شرایط بحرانی و در بهترین زمان فراهم می‌کند. ازاین‌رو اغلب سازمان‌ها به دلیل مزایای بسیار زیاد دانش پنهان موجود در داده‌هایشان به دنبال راهکار‌هایی جهت استخراج این حجم از دانش هستند. از یک‌سو رشد بی‌وقفه داده‌های ذخیره‌شده در انبار داده‌ها و نیاز مالکان داده به تحلیل داده‌های خود برای رسیدن به اهداف مختلف از سوی دیگر، باعث گردیده که تکنیک‌های مختلف داده‌کاوی درحد وسیعی مورداستفاده واقع گردد. ابزار داده‌کاوی و تکنیک‌های آن‌ به‌عنوان راه‌حلی امیداور کننده برای استخراج دانش پنهان و درعین‌حال مفید از حجم انبوهی از داده‌ها مطرح است که تحلیل‌گران را قادر می‌سازد انواع مختلف دانش را از داده‌های یک سازمان استخراج کرده و استفاده کنند. با توجه به این مهم در این تحقیق راهکاری دوبخشی برای استخراج دانش از سامانه 195 سازمان تنظیم مقررات و ارتباطات رادیویی ارائه‌شده است که در آن از دو نوع مختلف از تکنیک‌های داده‌کاوی برای رسیدن به دانش مناسب استفاده می‌شود. درروش پیشنهادشده از روش‌های پیش‌بینی کننده شامل دو الگوریتم درخت تصمیم و k نزدیک‌ترین همسایه برای پیش‌بینی شکایت مشترکان این سامانه و پیش‌بینی مشکلات استان استفاده‌شده است. برای کشف روابط و الگوهاي پنهان ميان داده‌ها و بررسي و تحليل نتايج به‌دست‌آمده به‌منظور ارتقاي کيفيت خدمات فنی و ارتباطی، از تکنیک استخراج قواعد انجمنی و دو الگوریتم Apriori و FP-growth استفاده‌شده است. نتایج تجربی بر روی‌داده‌های شش ماه جمع‌آوری‌شده از سامانه 195 مربوط به باز زمانی 01/1400 تا 06/1400 نشان می‌دهد مدل ارائه‌شده با استفاده از الگوریتم k نزدیک‌ترین همسایه قادر است با صحت بالغ‌بر 94‌% مشکلات استان را پیش‌بینی کند. همچنین استخراج دانش و الگوی پنهان نشان می‌دهد بیشترین مشکلات در استان اصفهان مربوط به عدم جمع‌آوری سرویس است.

کلیدواژه: داده‌کاوی، پیش‌بینی مشکلات استان، قواعد انجمنی، سامانه 195، دانش پنهان

نام و نام خانوادگی:مصطفی رادبروجنی
عنوان پایان نامه: زمان بندی بلادرنگ آگاه از خوشه بندی-مسیریابی در اینترنت اشیای صنعتی مبتنی بر مدل تصمیم گیری مارکُف
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر بهرنگ برکتین
چکیده:

With the advent of the Internet , the process has begun to adopt wireless sensor networks for large – scale control plans .real – time communication in this cluster of emerging networks is very important and routing has significant effects on communication delays in these networks . However , despite significant research on the timing of data transmission in real time and analysis of service quality metrics , we include throughput and delay for such networks , clustering problem – routing problem at the real time of an open research area for the Internet . in this study , a scheduling method for data transmission on the internet is offered industrial objects using the hybrid method of TDMA and optimization with a Markov chain model called TDMA – MCH . based on the large dimensions of the internet network , the scheduling – routing problem has been proposed in the scheduling to provide the best metrics for the quality of service quality and energy consumption . first , TDMA – MCH refers to the clustering and then selecting the appropriate location for each instrument to prevent interference and overlap at the time of the data transmission . The best route and channel is then determined by specifying the scheduling priority in terms of the data volume and the routing path .the results show that throughput improves throughput , throughput , consumption energy , and appropriate rate of priority scheduling capacity of data transfer priority in terms of delay and prioritization of data in the Internet context of industrial objects relative to previous methods .

کلیدواژه: internet , industrial objects , scheduling , clustering , tracking , tracking , TDMA , TDMA protocol , markov chain

نام و نام خانوادگی:مهناز عباسی
عنوان پایان نامه: تعیین جایگاه یک یا چند گره چاهک به منظور کاهش مصرف انرژی در شبکه های حسگر بیسیم
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سیّد محمود دانشور فرزانگان
چکیده:

شبکههای حسگر بیسیم از تعداد زیادی گره حسگر، که به صورت تصادفی در نواحی غیرقابل دسترس پراکنده میشوند، تشکیل میشوند. محدودیت انرژی و تأخیر از جمله مهمترین چالشهای پیشرو در این شبکه ها هستند. علاوه بر این دو چالش، مسأله حفره انرژی نیز کاهش غیریکنواخت انرژی را در این شبکه ها به همراه دارد. تا به اکنون محققان روشهای بسیاری را برای غلبه بر این چالشها ارائه دادهاند، از جمله: استفاده از مسیریابی های بهینه در شبکه، استفاده از انواع الگوریتمهای
خوشه بندی ابتکاری و فراابتکاری، استفاده از گره های حسگر و یا گره چاهک متحرک و غیره. هدف این پایان نامه کاهش تأخیر و کاهش انرژی مصرفی در بین گره های حسگر می باشد. در این راستا، این پایان نامه به ارائه دو الگوریتم می پردازد. این الگوریتمها، با هدف بهبود انرژی مصرفی و کاهش تأخیر، به تعیین مکان قرارگیری دو گره چاهک در شبکه میپردازند. قرار دادن دو گره چاهک در شبکه باعث توزیع بهتر گره های حسگر در بین آنها شده و این مسأله میتواند اهداف موردنظر این پایان نامه را برآورده سازد. نتایج شبیه سازی نیز، برتری الگوریتمهای پیشنهادی را در مقایسه با کارهای موجود از نظر انرژی مصرفی و تأخیر در ارسال داده ها از گره های حسگر تا گره چاهک را نشان میدهند. برای کمترین تعداد گره های حسگر، الگوریتمهای SPA و SCA ، به ترتیب 25 % و 23.75 % نسبت به الگوریتم Centroid انرژی مصرفی را بهبود بخشیده اند. همچنین، این دو الگوریتم، به میزان 26.36 % و 16.66 % تأخیر را نسبت الگوریتم بهبود داده اند.

کلیدواژه: شبکه های حسگر بی سیم، جایگاه گره چاهک، ناحیه خالی، الگوریتم بهینه سازی ذرات، انرژی مصرفی گرههای حسگر، تأخیر ارسال داده

نام و نام خانوادگی:سیّد احمد موسوی پور چهارده
عنوان پایان نامه: ارائه مدل‌سازي جهت تشخیص زودهنگام سرطان سینه با استفاده از روش‌هاي مبتني بر داده‌کاوي در تصاوير ترموگرافي
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سیّد محمود دانشور فرزانگان
چکیده:

شبکه های حسگر بیسیم از صدها یا هزاران گره حسگر تشکیل شده اند که بواسطه اجتماع آنها در مکان هایی که برای انسانها غیرممکن و یا خطرناک است، کاربردهای فراوانی را ایجاد کرده اند. این گره ها محیط اطراف خود را سنجش کرده و پس از جمع آوری داده ها، آ نها را برای گره چاهک ارسال مینمایند. این شبکه ها با چالشهای زیادی روبه رو میباشند که از مهمترین آ نها می توان به محدودیت انرژی و تأخیر اشاره نمود. از آنجاییکه این گره ها معمولاً در محیط های خشن و غیرقابل دسترس پخش می شوند، حل دو چالش گفته شده اهمیت به سزایی دارد. یکی از ایده های مطرح جهت برطرف کردن این چالش ها استفاده از گره چاهک متحرک و طراحی بهینه و مناسب مسیر حرکت آن می باشد. بنابراین، هدف این پایان نامه کاهش تأخیر و کمینه کردن مصرف انرژی در این شبکه ها است. در این راستا، با بهره گیری از روشهای خوشه بندی و الگوریتم های فرا ابتکاری در شبکه های حسگر بیسیم به شکل توأم، به خوشه بندی گره های حسگر و تشکیل درخت مسیریابی از گره ها به سرخوشه های متناظرشان و طراحی مسیر حرکت گره چاهک میپردازیم. نتایج شبیه سازی حاکی از برتر ی عملکرد الگوریتم پیشنهادی در مقایسه با دیگر کارهای موجود، از نظر مصرف انرژی و تأخیر در شبکه های حسگر بیسیم می باشد. به طوریکه، در حالت کمترین تعداد گره های حسگر، انرژی مصرفی و تأخیر به ترتیب 98 / 11 % و 33 / 74 % نسبت به الگوریتم مرجع بهبود بخشده است.

کلیدواژه: شبکه های حسگر بیسیم، خوشه بندی، مسیر حرکت گره چاهک، الگوریتم تبرید بهینه سازی شده، انرژی مصرفی، تأخیر

نام و نام خانوادگی:فرحناز مرادی سیاه افشاری
عنوان پایان نامه: ارائه مدل‌سازي جهت تشخیص زودهنگام سرطان سینه با استفاده از روش‌هاي مبتني بر داده‌کاوي در تصاوير ترموگرافي
رشته تحصیلی:مهندسی کامیپوتر -شبکه‌های کامیپوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی
چکیده:

سرطان سينه شايع‌ترين عامل مرگ در زنان سرطاني محسوب مي‌شود. تشخيص زود هنگام و درمان بيمار در ميزان اثرگذاري درمان بسيار حائز اهميت مي‌باشد. به منظور شناسايي كلينيكال توده‌هاي سرطاني از سيستم‌هاي تصويربرداري روش‌هاي اشعه ايكس، راديوگرافي، فلوئورسكوپي، سي تي اسكن، روش مغناطيسي يا ام آر اي، پزشكي هسته‌اي و روش‌هاي ماوراء صوت استفاده مي‌شود. تصاوير حاصله در روش‌هاي فوق به‌دليل توليد برش‌هاي لازم از اندام تحت تصوير‌برداري، حذف نويز، اختصاص رنگ و در كل ارتقاء كيفيت‌تصوير، به صورت خام قابل استفاده نيستند، لذا پردازش‌هاي وسيع و گسترده‌اي روي آنها صورت مي‌گيرد كه عموماً شامل پردازش تصاوير و استخراج اطلاعات مؤثر در تشخيص و يافتن مواضع مورد توجه، بازسازي تصاوير در كامپيوتر به صورت سه بعدي و درون‌يابي اطلاعات مي‌باشد. در اين پايان‌‌نامه با استفاده از الگوريتم ماشين بردار پشتيبان به شناسايي غدد سرطاني از يكسري تصوير از بافت‌‎‌هاي بيمار سرطان سينه پرداخته مي‌شود. از جمله ويژگي‌هاي اين الگوريتم، استفاده از روابط بهينه در تشخيص مرز تصاوير با سرعت بالايي به تشخيص توده سرطاني مي‌پردازد. در اين تحقيق، از ويژگي‌هاي مبتني بر مكان توده استفاده مي‌شود و براساس آن تشخيص صورت مي‌گيرد. ماشين بردار پشتيبان به‌دليل سادگي پياده‌سازي و بار محاسباتي كمتر نسبت به ساير روش‌هاي ديگر مانند شبكه‌هاي عصبي با پيچيدگي طراحي لايه‌ها و وزن‌ها، مورد استفاده قرار گرفته است كه اين روش داراي سرعت مناسب در فاز آموزشي شبيه‌سازي نيز مي‌باشد. الگوريتم پيشنهادي بااستفاده از نرم‌افزار MATLAB شبيه‌سازی می‌شود و نتايج به دست آمده نشان ‌دهنده تشخيص تصاوير بادقت 52/97 درصدي الگوريتم پيشنهادي براي تشخيص سريع از توده سرطاني نسبت به تصوير اصلي مي‌باشد.

کلیدواژه: داده‌کاوی، تشخيص توده سرطاني، ویژگی‌های مورفولوژی، ماشين‌ بردار پشتيبان EFL

نام و نام خانوادگی:زهره حسن زاده
عنوان پایان نامه: کاهش مصرف انرژی مرکز داده رایانش ابری با استفاده از الگوریتم بهبود یافته شکارچیان دریا
رشته تحصیلی:مهندسی کامپیوتر -شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری
چکیده:

امروزه رایانش ابری به دلیل توسعه و کاربرد بالا در بخش های مختلف، دارای چالش هایی شده است. از جمله این چالش ها، مسئله مصرف انرژی است که در مراکز داده ابری، وجود دارد. به دلیل استفاده زیاد از منابع سخت افزاری و ایجاد کربن توسط مراکز داده ابری، نیاز است تا روش هایی ارائه شود که در بستر محاسباتی، کمترین میزان استفاده از تجهیزات به خصوص حافظه و پردازنده را داشته باشند. لذا ارائه راهکارهای کاهش انرژی در مراکز داده ابری، امری ضروری است. و استفاده از الگوریتم های بهینه سازی، امری ضروری برای این نیل است. این تحقیق به مسئله نگاشت ماشین های مجازی به میزبان های فیزیکی مبتنی بر اعمال الگوریتم شکارچیان دریا می پردازد تا در حین کاهش مصرف انرژی مراکز داده ابری، دو معیار کیفیت خدمات شامل نرخ گم شدن بسته ها در زمان ارسال و دریافت داده و همین طور تاخیر در ارسال و دریافت بسته ها را مورد بررسی قرار دهد تا ساختار الگوریتم پیشنهادی از لحاظ اعتبار، ارزیابی شود. نتایج نشان می دهد که بهبود معیارهای کیفیت خدمات تا حدی نزدیک به بهینه است و کاهش مصرف انرژی از 50 ژول انرژی کل شبکه رایانش ابری در زمان استفاده از الگوریتم شکارچیان دریا تا حدود 92/4 ژول مصرف و تا 08/45 ژول، انرژی باقی مانده داشته است.

کلیدواژه: رایانش ابری، مراکز داده، مصرف انرژی، کیفیت خدمات، الگوریتم شکارچیان دریا QCADesigner

نام و نام خانوادگی:زینب سعادت
عنوان پایان نامه: بهبود محل قرارگیری کنترل‌کننده‌ها در شبکه‌های SDN با استفاده از الگوریتم بهبودیافته شاهین هریس
رشته تحصیلی:مهندسی کامپیوتر-شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری
چکیده:

شبکه نرم ‌افزار محور به‌ عنوان یک تغییر در ساختار ظاهر می‌شود که صفحه کنترل را از صفحه داده جدا می‌کند. این معماری می‌تواند به‌طور متمرکز شبکه را از طریق نرم  افزار یعنی کنترل‌کننده، مدیریت و کنترل کند. استفاده از یک کنترل‌کننده می‌تواند باعث ایجاد چالش‌هایی در زمینه‌ی مدیریت مرکزی در شبکه شده که کاهش کارایی را نیز ممکن است به دنبال داشته باشد از سویی دیگر استفاده از چندین کنترل‌کننده نیاز به مدیریت یکپارچه برای بهبود وضعیت و ارتباط بین کنترل‌کننده‌ها را دارد. برای مقابله با این چالش، در این پژوهش از ایده الگوریتم شاهین هریس به‌ منظور مدیریت ترافیک و بار کنترل‌کننده‌ها بر اساس محل کنترل‌کننده‌ها استفاده ‌شده است. ابتدا در این پژوهش به روش های مشابه برای توازن ترافیک در حضور تغییرات ناگهانی شبکه پرداخته‌ شده و بررسی می گردد. سپس روش پیشنهادی بر اساس ایده حمله شاهین ها (تلاش کنترل‌کننده‌ها)، برای مدیریت ترافیک در نزدیک ترین سوئیچ اقدام به بررسی و مدیریت می نماید. روش پیشنهادی با استفاده از شبیه ساز NS پیاده سازی شده و نتایج حاصل از شبیه  سازی بر اساس نمودارهای مدیریت تعداد سوئیچ ها، نرخ توازن بار برای کنترل‌کننده‌ها، تأخیر پردازش کنترل‌کننده‌ها، گذردهی شبکه و ترافیک کنترل‌کننده‌ها نمایش داده می شود. نتایج حاکی از آن است که روش پیشنهادی بر اساس تشخیص وضعیت بار و عدم توازن در شبکه اقدام به تقسیم ترافیک بین کنترل‌کننده‌ها نموده و کنترل‌کننده‌ها اقدام به شناسایی سوئیچ مناسب برای توازن بار می نمایند. بر اساس نتایج به‌دست‌آمده روش پیشنهادی توانسته است عملکرد مناسبی نسبت به شبکه نرم ‌افزار محور ارائه دهد و محل مناسب برای مدیریت سوئیچ ها و توازن بار کنترل‌کننده بر اساس نودها در شبکه انجام دهد. روش پیشنهادی بهبود 7 درصدی برای تأخیر پردازش، 4 درصدی برای نرخ توازن بار در شبکه، 6 درصدی برای گذردهی و بهبود 5 تا 6 درصدی برای ترافیک کنترل کننده نسبت به روش مقاله پایه ارائه می‌دهد.

کلیدواژه: شبکه نرم ‌افزار محور، توازن بار، الگوریتم شاهین هریس، کنترل‌کننده QCADesigner

نام و نام خانوادگی:رضا ضمیری
عنوان پایان نامه: استفاده از الگوریتم ژنتیک به منظور جایابی مناسب کنترل کننده ها با هدف تنظیم بار کنترل کننده ها و کاهش هزینه های پیاده سازی در شبکه های نرم افزارمحور
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر محمد رضا مصلحی
چکیده:

استفاده از شبکه نرم افزارمحور به راه حل اصلی برای حل محدودیت های شبکه سنتی تبدیل شده است. مفهوم اساسی شبکه های نرم افزارمحور انتقال بخش کنترل به یک یا چند سرور به نام کنترل کننده و محدود کردن بخش انتقال داده به چندین عنصر حمل و نقل شبکه است که این کار امکان مدیریت پویا و انعطاف پذیرتر شبکه را فراهم می کند. در شبکه-های نرم افزارمحور غیر متمرکز جهت افزایش کارایی شبکه از بیشتر از یک کنترل کننده استفاده می شود. یکی از مشکلات چالش برانگیز در معماری شبکه های نرم افزارمحور غیر متمرکز، مشکل جایابی کنترل کننده ها است که یک مسئله NP-Hardاست. روندهای تحقیق سعی می کنند مشکل جایابی را بر اساس الگوریتم های تکاملی با تمرکز بر تأخیر انتشار یا متعادل کردن بار بین کنترل کننده های توزیع شده حل کنند. در این تحقیق از ۱ تا ۵ کنترل کننده جهت بررسی مسئله به کار گرفته شده است و سعی بر این شده که تاثیر استفاده از الگوریتم ژنتیک در جایابی کنترل کننده ها و کاهش هزینه های پیاده سازی شبکه و تنظیم بار شبکه بررسی شود. هزینه تعریف شده در تابع تناسب این الگوریتم شامل حداقل هزینه های ارسال بسته ها با درنظر گرفتن میزان بار کنترل کننده ها در آن موقعیتی که کنترل کننده ها قرار دارند می باشد. الگوریتم ژنتیک با در نظر گرفتن حداقل هزینه در ارسال بسته ها و حداقل میزان بار کنترل کننده ها، بهترین موقعیت کنترل کننده ها را پیدا می کند به طوری که اهداف تابع تناسب که شامل حداقل بار کنترل کننده ها و حداقل هزینه ارسال بسته ها در آن موقعیت از آن تعداد کنترل کننده دارای کمترین مقدار ممکن است، برآورده شود. در این تحقیق با استفاده از تابع بلمن فورد کوتاه ترین مسیر بین تمام گره ها محاسبه شده و در محاسبات مربوط به هزینه لحاظ می شود. در نهایت نتایج تحقیق را توسط شبیه ساز متلب بررسی کرده و با مقالات مشابه از نظر هزینه های پیاده سازی شبکه و میزان بار کنترل کننده ها مقایسه می کنیم.

کلیدواژه: شبکه های نرم افزارمحور، مسئله جایابی کنترل کننده ها، هزینه ارسال بسته ها، تنظیم بار کنترل کننده ها QCADesigner

نام و نام خانوادگی:زهرا نصیرزاده
عنوان پایان نامه: بهبود کیفیت خدمات و تعادل بار در اینترنت اشیا مبتنی بر SDN با استفاده از روش های یادگیری ماشین
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر محمدرضا مصلحی
چکیده:

نسل جدید اینترنت اشیاء متشکل از میلیون ها دستگاه است که حجم زیادی ترافیک را ایجاد می کنند. رشد تعداد دستگاه های متصل به شبکه دستیابی به کیفیت خدمات مورد نیاز و همچنین جلوگیری از اضافه بار را به چالش می¬کشد. دسته های متنوعی از برنامه های کاربردی در اینترنت اشیاء دارای الزامات کیفیت خدمات خاص خود هستند. علاوه بر این، ترافیک باید بین سرورهای اینترنت اشیاء بر اساس ظرفیت موجود هرکدام توزیع شود. در سال های آینده، حجم ترافیک و همچنین تعداد دستگاه های اینترنت اشیاء به صورت تصاعدی افزایش می یابد. این مسئله در اینترنت اشیاء صنعتی بزرگ مقیاس بیشتری دارد زیرا مدیریت اطلاعات و داده ها در صنایع حساس تر و حیاتی تراست. در اینترنت اشیاء، تعداد زیادی از دستگاه های ناهمگن دائماً در حال تبادل ترافیک سنگین از شبکه به سرورها هستند. در این حالت، توزیع نامناسب ترافیک بین سرورها باعث می شود برخی از آنها با کمبود منابع روبرو شوند و در نتیجه اضافه بار ایجاد شود. علاوه براین، از آنجا که کلاس های مختلف ترافیک در اینترنت اشیاء وجود دارد، مکانیسم های موجود ممکن است الزامات کیفیت خدمات لازم (به عنوان مثال، پهنای باند و تأخیر) را برای این حجم عظیم ترافیک برآورده نکنند. از طرف دیگر مساله توازن بار و کیفیت خدمات یک مساله NP-hard است. بنابراین ما یک الگوریتم جدید بر اساس شبکه های نرم افزار محور برای برآوردن الزامات کیفیت خدمات و ایجاد ترافیک متعادل بین سرورهای اینترنت اشیاء به طور همزمان با استفاده از یادگیری تقویتی پیشنهاد می دهیم.
برای ارزیابی عملکرد الگوریتم پیشنهادی، آزمایش های مختلفی تحت سناریوهای مختلف انجام می شود. نتایج نشان دهنده بهبود پارامترهای کیفیت خدمات، از جمله توان عملیاتی و تأخیر، همراه با تعادل بار و همزمان عدم بروز اضافه بار در سرورهای اینترنت اشیاء در ترافیک سنگین می باشد. علاوه بر این، نتایج عملکرد روش پیشنهادی در مقایسه با روش های Round Robin و Random و روش منطق فازی و سری زمانی برتری روش پیشنهادی را نشان می دهد.

کلیدواژه: :بهبود کیفیت خدمات، تعادل بار، اینترنت اشیاء مبتنی بر شبکه نرم افزار محور، یادگیری ماشین، یادگیری تقویتی

نام و نام خانوادگی: احسان عابدی
عنوان پایان نامه: طراحی گاورنر برای نیروگاه‌های آبی با استفاده از کنترل مد لغزشی
رشته تحصیلی:مهندسی کامپیوتر- شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر آوید آوخ
چکیده:
با گسترش شبکه و افزایش کاربران آن و همچنین پدید آمدن فناوری‌های جدیدی مانند رایانش ابری و کلان‌داده، مدیریت شبکه‌های سنتی دشوار شده است. به‌تازگی، برای بهبود این موضوع، مفاهیمی همچون شبکه نرم‌افزار محور و شبکه مجازی ظهور نموده‌اند که باعث مدیریت‌پذیری بهتر شبکه می‌شوند. از دیگر چالش‌های مهم این حوزه، ضرورت بهره‌برداری بیشتر از زیرساخت شبکه است. ارائه‌دهندگان خدمات، به‌منظور کسب سود بیشتر، لازم است با توزیع مناسب بار بر روی شبکه به استفاده حداکثری از زیرساخت دست یابند. همچنین کاهش هزینه‌های مصرف انرژی نیز از چالش‌های موجود در این حوزه فعالیت می‌باشد. در این پایان‌نامه، سعی داریم، از طریق ادغام الگوریتم‌های رتبه‌بندی چند‌هدفه و منطق‌فازی، روشی ارائه نماییم تا به کمک آن بتوان در حد امکان به پاسخی مناسب برای چالش‌های فوق دست یافت. در این روش پیشنهادی، با بهره‌گیری تلفیقی از برنامه¬ریزی آرمانی وزن¬دار که یکی از روش‌های کارآمد و در عین حال ساده در تصمیم‌گیری چند هدفه است، به‌همراه منطق فازی سعی نمودیم، راهی برای بهبود کارایی شبکه-های نرم‌افزار محور ارائه نماییم. برخلاف برنامه‌ریزی خطی که مستقیماً به بهینه‌سازی تابع هدف می‌پردازد، روش برنامه‌ریزی آرمانی به حداقل نمودن انحراف بین اهداف و راه‌حل بهینه می‌پردازد. لذا در این تکنیک، ابتدا اهداف توسط تصمیم‌گیرنده اولویت‌بندی می‌شوند وسپس تابع هدف مسئله اصلی فرمول‌بندی می‌گردد. در این پایان‌نامه درپی دست‌یابی به چهار هدف بهینه‌سازی ترافیک شبکه، کاهش هزینه مهاجرت، بهینه‌سازی مصرف انرژی و بهبود زمان پاسخ‌گویی، الگوریتمی پیشنهاد می‌دهیم که هرچند؛ به‌احتمال زیاد نمی‌تواند سرویس‌دهنده‌ای برای پوشش همه اهداف فوق انتخاب کند ولی به پاسخی دست یابد که از دیدگاه چهار هدف ذکر شده فوق، شرایط بهینه و نه لزوماً بهترین شرایط را دارا باشد. در واقع، الگوریتم پیشنهادی باید، در مجموع از شرایط بهینه‌ای برخوردار باشد و نه بهترین شرایط. این، بدین معناست که ما در این تحقیق به‌دنبال انتخاب بهترین شرایط در هر یک از پارامترها نیستیم، بلکه سعی داریم سرویس‌دهنده‌ای را انتخاب نماییم که به‌طور نسبی، در تمامی پارامترها شرایط بهینه را دارا باشد. نتایج آزمایشهای انجام شده نشان می‌دهد که در مقایسه با عملکرد الگوریتم پیشنهادی در مقاله مرجع، هرچند در زمینه تحمل ترافیک، الگوریتم مقاله مرجع عملکرد بهتری دارد ولی در مجموع، روش پیشنهادی این پایان‌نامه با 6 درصد بهبود، در کل نتایج بهتری را حاصل نموده است.
کلیدواژه: :برنامه‌ریزی آرمانی، برنامه‌ریزی خطی، شبکه مجازی، شبکه نرم‌افزار محور، مصرف انرژی

تاریخ دفاع: 1398

نام و نام خانوادگی: فرزانه نریمانی زمان آبادی
عنوان پایان نامه: مسیریابی خطوط پایداردرشبکه های حسگربی سیم برای برنامه های اینترنت اشیا دربیمارستان سوانح و سوختگی
رشته تحصیلی: مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری کوپایی
چکیده:
گسترش تکنولوژی منجر به افزایش ارتباطات شده است. یکی از مهم‌ترین روش‌های ارتباطی در دنیای تکنولوژی استفاده از شبکه‌های حسگر بی‌سیم می‌باشد. از معضلاتی که در شبکه‌ی حسگر بی‌سیم برای انتقال اطلاعات گزارش‌شده است، تداخل در سناریوهای برنامه اینترنت اشیاء با ترافیک بالا در مسیریابی می‌باشد. برای رفع این مشکل باید کیفیت لینک و تداخل احتمالی و سطح نویز قبل از انتخاب یک گره هاپ بعدی برای برقراری ارتباط در نظر گرفته شود. ازاین‌رو در این تحقیق به بحث مسیریابی و انتقال اطلاعات در شبکه‌ی حسگر با استفاده از اینترنت اشیا برای کمک به پزشکان و بیماران و نحوه‌ی ارتباط بین آن‌ها شده است. به‌منظور مسیریابی در شبکه‌ی حسگر بی‌سیم از روش خطوط پایدار به دلیل توانایی عملیاتی در شبکه‌های با ترافیک بالا و ارسال بسته‌های اطلاعاتی در یک‌زمان واحد بهره گرفته شد. در ادامه به‌منظور بهبود عملکرد مسیریابی در شبکه‌ی حسگر بی‌سیم و بهینه‌سازی میزان مصرف انرژی از روش شبکه عصبی مبتنی بر روش فازی استفاده‌شده است. مدل پیشنهادی با چندین مدل مشابه موجود مورد مقایسه و ارزیابی قرارگرفته است. نتایج حاصل از این تحقیق نشان می‌دهد که روش پیشنهادی به‌عنوان یک تکنیک مسیریابی بهتر در توپولوژی‌های شبکه با تداخل و ازدحام کانال قابل‌توجه به دلیل ترافیک بالا کار می‌کند و منجر به کاهش میزان مصرف انرژی و افزایش توان عملیاتی شده است. همچنین بهینه‌سازی با استفاده از روش عصبی فازی باعث ایجاد اولویت انتقال برای بسته‌ها باانرژی بالاتر شده است که منجر به افزایش میزان انتقال بسته و درنتیجه منجر به کاهش نرخ افت بسته‌شده است.
کلیدواژه: :شبکه حسگر بی سیم، شبکه عصبی فازی، مسیریابی خطوط پایدار

تاریخ دفاع: زمستان 1400

نام و نام خانوادگی: سیما خراسانی
عنوان پایان نامه: بررسی و بهبود زنجیره بلوک در محاسبات ابری با استفاده از الگوریتم فیلتر تراکنش های بیهوده
رشته تحصیلی: مهندسی کامپیوتر -شبکه‌ها‌ی کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر احمد یوسفی
چکیده:
با ظهور محاسبات لبه ای شاهد رشد سریع حجم داده ها در دستگاه های لبه متعلق به ذینفعان مختلف هستیم, اما به دلیل عدم اعتماد داده ها را نمی توان بین آن ها به اشتراک گذاشت. برای این منظور می توان جهت اشتراک گذاری داده های بزرگ در لبه های مشترک از زنجیره بلوک استفاده کرد, زیرا ویژگی های عدم انکار و عدم دستکاری زنجیره بلوک اعتماد را امکان پذیر می کند. با توجه به این که در زنجیره بلوک سنتی تاریخچه بلوک ها در هر گره ذخیره می شود با اجرای مداوم زنجیره بلوک حجم این بلاک ها به طور قابل توجه بزرگ می شود، در نتیجه دستگاه های لبه این حجم ذخیره سازی را نمی توانند پشتیبانی کنند. علاوه بر این اگر دستگاه لبه ای با منابع محدود قصد شرکت در اعتبار بخشیدن به تغییرات (تراکنش های) جدید را داشته باشد، باید قبل از پیوستن به شبکه زنجیره بلوک این بلوک ها را بارگیری کنند. این عملیات بارگیری منابع زیادی از شبکه را هدر می دهد و باعث می شود همکاری لبه ها ناکارآمد و ناکافی باشند. طرح فیلتر کردن و تخلیه معاملات زنجیره بلوک سربار ذخیره سازی را به میزان قابل توجه ای کاهش داده است , به این صورت که بلوک ها و تراکنش ها را به دو دسته مفید و غیر مفید تقسیم کرده است و بلوک های غیر مفید را از سیستم خارج می کند. در این پایان نامه تکنیک بیان شده بهبود داده شده است. در تکنیک پیشنهادی کل بلوک های حاوی تراکنش های بیهوده تخلیه نمی شود, بلکه با توجه به شرایط سیستم تعدادی از بلوک های حاوی تراکنش های بیهوده تخلیه می شوند، بطوریکه سیستم همیشه در حالت پایدار باشد و با کمبود منابع مواجه نشود. نتایج بدست آمده از شبیه سازی های انجام شده نشان داده است که تکنیک پیشنهادی توانسته است به کاهش پردازش به منظور تخلیه ی بلوک ها کمک کند و همچنین باعث شده است منابع کمتری جهت جابجایی بلوک ها استفاده شود.
کلیدواژه: :زنجیره بلوک، تراکنش های بیهوده, بلوک های بیهوده

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: فرزانه سامانی
عنوان پایان نامه: بهبود بهره وری مصرف انرژی در ابر
رشته تحصیلی: مهندسی کامپیوتر -شبکه‌ها‌ی کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر احمد یوسفی
چکیده:
رایانش ابری ، یک مدل محاسباتی بر پایه شبکه‌ های رایانه‌ ای مانند اینترنت است که الگوی جدیدی را برای عرضه، مصرف و تحویل خدمات محاسباتی (شامل زیرساخت، نرم‌افزار، بستر و سایر منابع محاسباتی) با به-کارگیری شبکه، فراهم می سازد. رایانش ابری، الگویی از محاسبات توزیع شده و تشکیل شده از تعداد زیادی منابع و درخواست ها، با هدف به اشتراک گذاری منابع به صورت سرویس، بر روی بستر اینترنت است. منابعی مانند حافظه، پردازشگر و سرویس، همیشه با ارزش هستند و استفاده بهینه از آنها یک چالش بسیار مهم در محیط رایانش ابری است. از سوی دیگر با افزایش تعداد و اندازه مراکز داده، مصرف انرژی برای شرکت ها و دولت ها به یک چالش مهم تبدیل شده است. هزینه انرژی مصرف شده توسط یک سرور در طول حیات آن بیشتر از قیمت خود سرور است، از سوی دیگر رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری موجب بالا رفتن مصرف انرژی در مراکز داده و در نتیجه کاهش سود فراهم آورندگان این سرویس ها و همچنین باعث افزایش صدمات زیست-محیطی می شود. مصرف انرژی بالا علاوه بر هزینه های برق، نیاز های اضافی دیگری جهت ساخت سیستم های خنک کننده، منابع تغذیه اضطراری، واحد توزیع برق و مواردی از این قبیل را به سیستم تحمیل کرده است. از این رو یافتن راهکارهای مناسب برای کاهش مصرف انرژی از اهمیت بسزایی برخوردار است. دراین پژوهش ما از اختصاص بهینه وظایف به ماشین های مجازی و ماشین های مجازی به ماشین های فیزیکی (معروف به جایگذاری ماشین مجازی) استفاده کردیم. در این پژوهش وظایف با توجه به نیاز آنها طبقه بندی می شوند و سپس به دنبال ماشین مجازی مناسب می گردند و دوباره ماشین فیزیکی را جستجو می كنند كه ماشین مجازی انتخاب شده می تواند در آن مستقر شود. روش پیشنهادی با جایگذاری بهینه تر ماشین های مجازی، مصرف انرژی را کاهش می-دهد، در حالی که میزان رد وظایف را نیز به حداقل می رساند. ما رویکرد پیشنهادی خود را در شبیه ساز CloudSim ارزیابی کرده ایم و نتایج نشان دهنده اثربخشی روش پیشنهادی نسبت به الگوریتم قبلی است.
کلیدواژه: :سیستم تشخیص نفوذ، یادگیری عمیق، محاسبات مه، اینترنت اشیا

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: محمد مهدی ارزانی
عنوان پایان نامه: بهبود مصرف انرژی در محیط‌های SDN مبتنی بر شبکه اینترنت اشیاء با استفاده از الگوریتم گرگ خاکستری
رشته تحصیلی: مهندسی کامپیوتر -شبکه‌ها‌ی کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی
چکیده:
اینترنت اشیاء یک الگوی امیدوار کننده فناوری در دنیای ارتباطات امروزه به شمار می‌رود. ارتباط متقابل دستگاه‌های هوشمند، محرک‌ها، حسگرها و دستگاه‌های فیزیکی با اینترنت، منجر به محدودیت‌های مربوط به منابعی مانند مصرف انرژی و بازده انتقال می‌شود. مصرف انرژی گره‌های حسگر پس از چنین استقرار عظیمی همواره به عنوان یک مسئله جدی به شمار می‌رود. شارژ یا تعویض باتری در شبکه‌های حسگر غیرممکن است. بنابراین، طراحی گره‌های حسگر با مصرف انرژی بهینه بسیار مهم است که باعث بهبود کارایی کلی شبکه می‌شود. هم چنین انتقال کارآمد و به موقع بسته‌های مهم نیز در سناریوهای اینترنت اشیاء مسئله‌ای مهم است. اگرچه راه حل‌های زیادی برای برآوردن الزامات کیفیت سرویس برای برنامه‌های مختلف مبتنی بر اینترنت اشیا ارائه شده است، اما هنگامی که تعداد گره‌ها بسیار زیاد می‌شود، معمولاً افزایش قابل توجهی در عملکرد شبکه ایجاد نمی‌کنند. فناوری شبکه مبتنی بر نرم افزار (SDN)، بستر برجسته‌ای را برای حل این مسئله در محیط اینترنت متراکم و ناهمگن فراهم کرده است. در این تحقیق، ما برای غلبه بر این مشکل یک الگوی مدل سازی جدید سازمان یافته بر روی یک روش پیاده سازی دو سطحی را ارائه می‌دهیم. برای سطح اول، ما یک پروتکل مسیریابی جدید بر اساس الگوریتم گرگ خاکستری پیشنهاد می‌کنیم. هدف اصلی استفاده از الگوریتم گرگ خاکستری، به حداقل رساندن تعداد پیام‌های کنترلی رد و بدل شده در شبکه و انتخاب بهترین گره سرخوشه در شبکه حسگر بیسیم است. برای سطح دوم از الگوریتم یادگیری عمیق Q در شبکه مبتنی بر نرم افزار (SDN) برای انتخاب بهترین مسیر هدایت بسته‌ها استفاده می‌شود. شبیه‌سازی نشان می‌دهد که مدل پیشنهادی، از نظر متوسط مصرف انرژی، مدت زمان ماندگاری شبکه عملکرد قابل توجهی دارد.
کلیدواژه: :محیط SDN، اینترنت اشیاء، الگوریتم گرگ خاکستری، مصرف انرژی، یادگیری تقویتی عمیق

تاریخ دفاع: پاییز 1400

نام و نام خانوادگی: فاطمه السادات توحیدی
عنوان پایان نامه: مدل تشخیص نفوذ مبتنی بر یادگیری عمیق در محاسبات مه برای محافظت از شبکه اینترنت اشیا
رشته تحصیلی: مهندسی کامپیوتر -شبکه‌ها‌ی کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی
چکیده:
ببا توسعه اینترنت اشیا، قابلیت‌های محاسبات، زیرساخت‌های شبکه، ذخیره‌سازی و مدیریت داده‌ها به‌طور چشمگیری به لبه شبکه‌ها گرایش پیدا کرده است. این امر، ضرورت استفاده از الگوی محاسبات مه را تسریع نموده است. به دلیل در دسترس بودن اینترنت، بیشتر فعالیت‌های تجاری ما با سیستم عامل اینترنت اشیا یکپارچه و هماهنگ شده است. محاسبات مه باعث افزایش استراتژی جمع‌آوری و پردازش حجم عظیمی از داده‌ها شده است. از طرف دیگر، حملات و فعالیت‌های مخرب، پیامدهای نامطلوبی بر توسعه اینترنت اشیا، مه و رایانش ابری دارد. این امر منجر به توسعه بسیاری از مدل‌های امنیتی با استفاده از محاسبات مه برای محافظت از شبکه اینترنت اشیا شده است. بنابراین، برای محیط اینترنت اشیا پویا و مقیاس‌پذیر در حجم بالا، یک سیستم تشخیص نفوذ مبتنی بر معماری توزیع شده (IDS) نیاز است که می‌تواند محاسبات متمرکز موجود را به گره‌های محلی مه توزیع کند و حملات IoT مدرن را به‌طور کارآمد تشخیص دهد. به منظور دفاع در برابر حملات IoT مدرن، در این تحقیق یک IDS توزیع شده با استفاده از محاسبات مه و مبتنی بر الگوریتم یادگیری عمیق ارائه می‌گردد.
کلیدواژه: :سیستم تشخیص نفوذ، یادگیری عمیق، محاسبات مه، اینترنت اشیا

تاریخ دفاع: پاییز 1400

نام و نام خانوادگی: زهرا کبیری
عنوان پایان نامه: یک الگوریتم بهبود یافته مبتنی بر ژنتیک و OPSO جهت مهاجرت سوئیچ ها در شبکه‌های‌ نرم‌افزار‌محور توزیع‌شده
رشته تحصیلی: مهندسی کامپیوتر -شبکه‌ها‌ی کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر بهرنگ برکتین
چکیده:
برای حل مشکلات ومحدودیت‌های شبکه‌های سنتی،ساختاری به نام شبکه‌های نرم افزار محورمعرفی شده است.بنابراین با توجه به محدودیت عملکرد و ظرفیت پردازشی کنترل کننده‌ی واحد و به منظورکاهش نرخ انتقال بخش داده، استفاده بهینه‌تر ازمنابع، همچنین رفع چالش‌هایی مانند دسترس‌پذیری، مقیاس‌پذیری، نقطه شکست، سربار، کاهش کیفیت سرویس، کاهش گذردهی، عدم استفاده بهینه از منابع و تاخیر انتقال داده، به خصوص در مراکز داده بزرگ، نیاز به کنترل‌کننده‌های توزیع شدهجهت دستیابی به مقیاس‌پذیری و قابلیت اطمینان، به شدت احساس میشود. استفاده از کنترلرهای چندگانه توزیع شده، یک روش در پاسخ به محدودیت‌های معماری شبکه‌ها‌ی تک‌کنترلر با دستیابی به یک مقیاس بزرگ و سطح کنترلرقابل اعتماد است. با این وجود با خود یکسری چالش‌های جدیدی اعم از تعادل بار در کنترلرهای توزیع شده به همراه دارد. بار توزیع شده‌ی بالانس نشده روی کنترلر باعث افزایش تأخیر پاسخ برای جریان‌های پردازش شده و کاهش گذردهی کنترلرمی‌شود.مهاجرت سوئیچ یک روش کارآمد برای حل این مشکل است.طرح‌های موجود اکثرا برای حل مشکل تک‌کنترلر؛ استقرار چند کنترلر توزیع‌شده را بیان کرده‌اند.در مشکل توازن بار مسائلی همچون ظرفیت کنترلری که قرار است به آن مهاجرت انجام شود،موقعیت و محل قرارگیری کنترلرکمتر مورد توجه قرار گرفته است و فقط برای رهایی از گلوگاه ایجاد شده مهاجرت انجام شده است. مسأله‌ای که در اکثر مطالعات به چشم می‌خورد با در نظر گرفتن متریک‌های مختلف و با استفاده از الگوریتم‌های متفاوت از جمله فرااکتشافی مشکل توازن بار و عملکرد شبکه سنجیده شده است.ولی دارای معایبی از جمله: مهاجرت تصادفی، عدم وجود یک تعادل بین هزینه‌های مهاجرت و تعداد مهاجرت، در نظر نگرفتن بار کنترلر همسایه برای انجام مهاجرت هستند. در روش پیشنهادی با تعیین یک آستانه متغیر که در هر لحظه با تغییرات و نوسانات شبکه مقدارش تغییر می‌کند بار کنترلر سریز شده را تشخیص داده و سپس با استفاده ازترکیب الگوریتم ژنتیک و OPSO سعی در انتخاب بهترین کنترلر با ظرفیت مناسب و مهاجرت سوئیچ‌ها به مکانی مناسب را داریم.به عبارتی با استفاده از الگوریتم ژنتیک جمعیت با بالاترین برازش را تولید کرده.سپس در الگوریتم OPSO که شامل دو الگوریتم PSO تودرتو است با استفاده از سرعت هر ذره برای حرکت به سمت بهترین موقعیت سراسری و بهترین موقعیت محلی، بهترین راه‌حل از بین ذرات وارد شده درPSO اول محاسبه می‌گردد. به موازات اجرای الگوریتم PSO اول، الگوریتم PSO دوم که برای بهبود پارامترهای PSO اول در نظر گرفته شده است با محاسبه بهترین اوزان به ازای هر ذره در الگوریتمPSO دوم، بهترین و بهینهترین راه‌حل را بین ذرات برای مهاجرت سوئیج‌ها به کنترلر مناسب را پیدا می‌کند. نتایج روش پیشنهادی که در محیط شبیه‌ساز Cbench و کنترلرFloadlight پیاذه سازی شده است بهبود 24.72 درصدی در گذردهی و بهبود13.96درصدی در تعداد مهاجرت را نشان می‌دهند.

کلیدواژه: : شبکه‌ها‌ی‌ نرم‌افزار‌محور،مهاجرت سوئیچ، الگوریتم ژنتیک، الگوریتم بهینه‌سازی ازدحام ذرات بهینه‌شده، توازن بار، گذردهی

تاریخ دفاع: بهمن 1398

نام و نام خانوادگی: ناهید معینی
عنوان پایان نامه: ارائه سیستم تشخیص نفوذ به کمک شبکه عصبی عمیق جهت جلوگیری از نقض امنیت در اینترنت اشیا
رشته تحصیلی:مهندسی کامپیوتر گرایش شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری

چکیده:
اینترنت اشیا در حال تبدیل شدن به یک عنصرکلیدي از اینترنت آینده و یک زیرساخت حیاتی ملی و بین المللی می باشد. با این شرایط، تامین امنیت کافی براي زیرساخت‌هاي اینترنت اشیا، اهمیت روزافزونی پیدا می کند. امنیت در اینترنت اشیا را باید در تمامی سطوح کاملا بررسی کرد. امنیت باید به صورت ابتدا تا انتها در نظر گرفته شود: در دستگاه امنیت، امنیت در رمزگذاري داده ها، در مسیر انتقال شبکه، امنیت براي داده جمع آوري شده توسط سنسورها، امنیت در جمع آوري داده از طریق شبکه و امنیت داده‌هاي‌ ذخیره شده روي پایگاه و امنیت در سرویس مورد ارائه؛ در همین راستا هدف پژوهش حاضر ارائه سیستم تشخیص نفوذ به کمک شبکه عصبی عمیق جهت جلوگیری از نقض امنیت در اینترنت اشیا، می باشد. این پژوهش به کمک پایگاه داده‌های NSL-KDD، KDDCup99، UNSW-NB15 و CICIDS2017 با ایجاد شبکه عصبی عمیق با روش های یادگیری شبکه LSTM، biLSTM و GRU در تکرار‌های مختلف نشان داد یادگیری شبکه biLSTM به عنوان مناسب ترین شبکه عصبی عمیق جهت جلوگیری از نقض امنیت در اینترنت اشیا می باشد.
کلیدواژه: سیستم تشخیص نفوذ، شبکه عصبی عمیق، امنیت، اینترنت اشیا.

تاریخ دفاع: تابستان 1400

نام و نام خانوادگی: پویان پبدنی
عنوان پایان نامه: بهبود دقت تشخیص حمله DDOS با استفاده از تکنیک ترکیب SVM و OLSR
رشته تحصیلی:مهندسی کامپیوتر گرایش شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی

چکیده:
امروزه امنیت یکی از موضوعات و بحث های مهم در هر سیستمی به حساب می آید به خصوص سیستم-هایی که به صورت مجازی کار می کنند. در صورتی که امنیت سیستم به خطر بیفتد آسیب های جبران-ناپذیری را به همراه دارد. مبحث رایانش ابری سطح وسیعی از سیستم ها را در دنیای مجازی در برمی-گیرد، بنابراین داشتن ایمنی مناسب موضوعی قابل توجه دراین زمینه می باشد. بدین منظور در این تحقیق سعی بر آن شده تا راهکاری برای امنیت رایانش ابری ارائه داده شود. طی بررسی های به عمل آمده الگوریتم آستانه تطبیق پذیر بهینه ای برای آن پیشنهاد داده شده است. ابتدا مفاهیم پایه ای در رایانش ابری و معماری کلی آن شرح داده شده، در بخش بعد انواع حملات DDoS تشریح شده است. در ادامه به تشریح حملاتی که در رایانش ابری صورت می گیرد پرداخته شده است و همچنین تاثیر OLSR در جلوگیری از حملات بیان شده و مدل تلفیقی الگوی SVM درDDoS و قسمت های مختلف آن به طور کامل شرح داده شده است. سپس به بررسی مزایا و معایب دو نوع الگوریتم پرداخته شده است و در نهایت الگوی بهینه مدل تشخیص نفوذ و جلوگیری از حمله پیشنهاد داده شده است. ازآنجایی که پيشگيری قطعی از رخداد حملات انكار سرویس توزیع شده ممكن نيست تشخيص این حملات می تواند گام مهمی در جلوگيری از اختلال در سرویس های ارائه شده باشد. در حملات انكار سرویس توزیع شده مهاجمان با ارسال بسته های مشابه بسته های نرمال، سعی در بالا بردن عملکرد روی قربانی دارند تا به وسيله آن، شبكه سرویس کاربر را دچار اختلال نمایند. در این پایان نامه روشی برای تشخيص حملات انكار سرویس توزیع شده با ترکیب الگوریتم های SVM و OLSR ارائه شده است و روش پيشنهادی بر روی نرم افزار MATLAB طراحی و پياده سازی شده است. همچنین الگوریتم های ارائه شده در این پایان نامه ازنظر زمانی و دقت عملكرد بهبود یافته و قابليت شناسایی حجم بالای عملکرد، بدون کاهش دقت را دارد.

کلیدواژه: DDoS – SVM – OLSR

تاریخ دفاع: پاییز 1400

نام و نام خانوادگی: فاطمه کریمی
عنوان پایان نامه: بهبود تشخیص حملات در شبکه با استفاده از شبکه‌های عصبی عمیق و ترکیب تکنیک‌های بیش نمونه‌گیری و کم نمونه‌گیری
رشته تحصیلی:مهندسی کامپیوتر گرایش شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری کوپایی

چکیده:
امروزه بدلیل افزایش میزان حملات و نفوذ به شبکه‌ها، وجود سیستم‌های تشخیص نفوذ، بیش از پیش ضروری به نظر می‌رسد. یک سیستم تشخیص نفوذ با نظارت بر ترافیک شبکه، فعالیت‌های مشکوک را شناخته و هشدار می‌دهد. اهمیت بالای این سیستم‌ها در تشخیص نفوذ باعث گردیده که در سال‌های اخیر مطالعات مختلفی در این زمینه ارائه شود. اغلب مطالعات ارائه شده در این زمینه برای ارائه یک سیستم تشخیص نفوذ از ترکیب روش‌های خوشه‌بندی و طبقه‌بندی استفاده می‌کنند. اما غالبا این روش‌ها دارای نقاط ضعف مشترکی هستند، تعیین تعداد خوشه مناسب، تعیین نقاط بهینه اولیه مراکز از جمله محدودیت‌هایی است که نتایج آن‌ها را تحت تاثیر قرار می‌دهد. از طرف دیگر مشکل عدم توازن در داده‌های حملات و وجود حملاتی با حداقل داده ممکن باعث می‌شود روش‌های یادگیری ماشین در مواجه با این نوع حملات با مشکل مواجه باشند و قادر به تشخیص آن‌ها نباشند. از اینرو در این تحقیق هدف ارائه یک سیستم تشخیص نفوذ در راستای رفع دو مشکل فوق است. در این روش از یادگیری عمیق و شبکه‌های عصبی عمیق بازگشتی LSTM برای تشخیص نفوذ استفاده می‌شود. از طرف دیگر برای رفع مشکل عدم توازن داده‌ها از ترکیب تکنیک‌های بیش‌ نمونه‌گیری و کم‌نمونه‌گیری استفاده می‌شود. در این روش برای 3 نوع از حملات نادر که دارای تعداد نمونه‌های کمی هستند، داده‌های مصنوعی با استفاده از الگوریتم SMOTE از داده‌های حقیقی حمله، تولید می‌شود و به تعداد افزوده شده به داده‌های کلاس‌های اقلیت، از تعداد داده‌های کلاس اکثریت به صورت تصادفی حملاتی حذف می‌شود. بررسی روش پیشنهادی بر روی سه پایگاه حملات NSL-KDD، UNSW-NB15_4 و CICIDS-2017 نشان می‌دهد که راهکار مطرح شده توانسته است به صحت بالای 97‌% در تشخیص حملات دست یابد که در مقایسه با روش پیشین بالغ بر 3‌% تشخیص نفوذ را بهبود داده است.

کلیدواژه: شبکه‌های عصبی عمیق بازگشتی، تشخیص نفوذ، بیش نمونه‌گیری، کم نمونه‌گیری.

تاریخ دفاع: تابستان 1400

نام و نام خانوادگی: فردوس توتونچی
عنوان پایان نامه: الگوریتم بهبود یافته مهاجرت سوئیچ مبتنی بر الگوریتم ژنتیک و OPSO در شبکه های نرم افزار محور توزیع شده
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر احمد یوسفی

چکیده:
برای حل مشکلات و محدودیت های شبکه های سنتی، ساختاری به نام شبکه های نرم افزار محور معرفی شده است. بنابراین با توجه به محدودیت عملکرد و ظرفیت پردازشی کنترل کننده ی واحد و به منظورکاهش نرخ انتقال بخش داده، استفاده بهتر از منابع نیاز به کنترل کننده های توزیع شده با هدف مقیاس پذیری و قابلیت اطمینان داریم. دست یابی به این هدف باعث رفع چالش هایی مانند دسترس پذیری، مقیاس پذیری، نقطه شکست، سربار، کاهش کیفیت سرویس، کاهش گذردهی، عدم استفاده بهینه از منابع و تاخیر انتقال داده، به خصوص در مراکز داده بزرگ، خواهد شد. استفاده ازکنترل کننده های چندگانه توزیع شده، یک روش در پاسخ به محدودیت های معماری شبکه های تک کنترل کننده با دستیابی به یک مقیاس بزرگ و سطح کنترل کننده قابل اعتماد است با این وجود با خود یکسری چالش های جدیدی اعم از تعادل بار در کنترل کننده های توزیع شده به همراه دارد. بار توزیع شده ی بالانس نشده روی کنترل کننده باعث افزایش تأخیر پاسخ برای جریان های پردازش شده و کاهش گذردهی کنترل کننده می شود. مهاجرت سوئیچ یک روش کارآمد برای حل این مشکل است. طرح های موجود اکثرا برای حل مشکل تک کنترل کننده؛ استقرار چند کنترل کننده توزیع شده را بیان کرده اند. در مشکل توازن بار مسائلی همچون ظرفیت کنترل کنندهی که قرار است به آن مهاجرت انجام شود، موقعیت و محل قرارگیری کنترل-کننده کمتر مورد توجه قرار گرفته است و فقط برای رهایی از گلوگاه ایجاد شده مهاجرت انجام شده است. مسأله ای که در اکثر مطالعات به چشم می خورد با در نظر گرفتن متریک های مختلف و با استفاده از الگوریتم های متفاوت از جمله فرااکتشافی مشکل توازن بار و عملکرد شبکه سنجیده شده است. ولی دارای معایبی از جمله: مهاجرت تصادفی، عدم وجود یک تعادل بین هزینه های مهاجرت و تعداد مهاجرت، در نظر نگرفتن بار کنترل کننده همسایه برای انجام مهاجرت هستند. در روش پیشنهادی با تعیین یک آستانه متغیرکه در هر لحظه با تغییرات و نوسانات شبکه مقدارش تغییر می کند بار کنترل کننده سریز شده را تشخیص داده و سپس با استفاده ازترکیب الگوریتم ژنتیک و OPSO سعی در انتخاب بهترین کنترل کننده با ظرفیت مناسب و مهاجرت سوئیچ ها به مکانی مناسب را داریم. به عبارتی با استفاده از الگوریتم ژنتیک جمعیت با بالاترین برازش را تولیدکرده، سپس در الگوریتم OPSO که شامل دو الگوریتم PSO تودرتو است با استفاده از سرعت هر ذره برای حرکت به سمت بهترین موقعیت سراسری و بهترین موقعیت محلی، بهترین راه حل از بین ذرات وارد شده درPSO اول محاسبه می گردد. به موازات اجرای الگوریتم PSO اول، الگوریتم PSO دوم که برای بهبود پارامترهای PSO اول در نظر گرفته شده است با محاسبه بهترین اوزان به ازای هر ذره در الگوریتم PSO دوم، بهترین و بهینه ترین راه حل را بین ذرات برای مهاجرت سوئیچ ها به کنترل کننده مناسب را پیدا می کند. نتایج روش پیشنهادی که در محیط شبیه ساز benchC و کنترل کننده Floodlight پیاده سازی شده است بهبود 24.72 درصدی در گذردهی و بهبود 13.96 درصدی در تعداد مهاجرت را نشان می دهند.

کلیدواژه: شبکه های نرم افزار محور، مهاجرت سوئیچ، الگوریتم ژنتیک، الگوریتم بهینه سازی ازدحام ذرات بهینه شده، توازن بار، گذردهی

تاریخ دفاع: 1400

نام و نام خانوادگی: هاجر پناهنده
عنوان پایان نامه: ارائه يک روش تعیین سرخوشه كارآمد جهت توازن مصرف انرژی در شبکه های حسگر بی سیم مجهز به گره چاهک متحرک
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری

چکیده:
شبکه های حسگر بی سیم از تعداد زیادی گره حسگر که به صورت گسترده در نواحی دور از دسترس پراکنده می شوند، تشکیل شده است. محدودیت انرژی و تأخیر اساسی ترین چالش های پیش رو در این شبکه-ها هستند. همچنین، مسأله حفره انرژی منجر به کاهش غیریکنواخت انرژی در این شبکه ها می شود که این مسأله نیز، تأثیر بسیاری در عملکرد شبکه می گذارد. از جمله ایده های مطرح جهت حل این چالش ها، بهره-گیری از الگوریتم های خوشه بندی و گره چاهک سیار در شبکه است. هدف این پایان نامه، کاهش انرژی مصرفی و به حداقل رساندن تأخیر در شبکه می باشد. در این راستا، با بهره گیری از الگوریتم های فراابتکاری ذرات و فروشنده دوره گرد طرحی پیشنهاد می گردد که به شکل توأم به تعیین گره های سرخوشه و طراحی مسیر حرکت گره چاهک می پردازد. در الگوریتم پیشنهادی ابتدا، به خوشه بندی و تعیین نقش سرخوشه در هر خوشه می پردازیم. بدین منظور از دو عامل اساسی انرژی باقی مانده و تعداد همسایه های هر گره جهت انتخاب نقش سرخوشه بهره می بریم. سپس، یک گره چاهک سیار در شبکه حرکت کرده و داده های گره های سرخوشه را تجمیع می نماید. نتایج شبیه سازی حاکی از برتری ساختار پیشنهادی در مقایسه با الگوریتم LEACH، از نظر مصرف انرژی و تأخیر در ارسال داده ها می باشد.
در حالت کمترین تعداد خوشه، الگوریتم پیشنهادی 5/62% بهتر از الگوریتم LEACH می باشد.

کلیدواژه:شبکه های حسگر بی سیم، سرخوشه، خوشه بندی، گره چاهک متحرک، الگوریتم بهینه سازی ذرات، روش فروشنده دوره گرد

تاریخ دفاع: تابستان 1400

نام و نام خانوادگی:سید ابراهیم احمدی فروشانی
عنوان پایان نامه: بهبود تعاملات دادههای بلادرنگ در شبکههای اینترنت اشیا
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: جناب آقای دکتر احمد یوسفی

چکیده:
در چندین سال اخیر با رشد و پیشرفت بینظیر شبکه ها و تجهیرات هوشمند، تحقیقات فراوانی در راستای ارتقاء کیفیت و بهبود زندگی بشر متمرکز شده اند. یکی از جوانب حائر اهمیت این عرصه ، دسترسی سریع به اشیاء مختلف، و برنامه ریزی و مدیریت آنها از راه دور میباشد. اینترنت اشیاء زیرمجموعه جدیدی از شبکه های بی سیم بوده که برای بهبود این حوزه معرفی گردیده است. این شبکه ها از تعداد زیادی گره حسگر و یک یا چند گره تحت عنوان ریشه تشکیل شده که این گره ها قادرند وابسته به اهداف شبکه عمل خاصی را انجام دهند. پژوهش پیشنهادی بر تأمین و تضمین کیفیت سرویسدهی  QoS  این شبکه جدید متمرکز شده است . مبحث کیفیت در اینترنت اشیاء از دو دیدگاه قابل نقد و بررسی است. دیدگاه نخست در ارتباط با کاربردها مطرح است. اکثر کاربردهای اینترنت اشیاء، کاربردهای حساس و حائز اهمیتی بوده که مهمترین نیاز آنها تأمین و تضمین QoS اطلاعات ارسالی میباشد. دیدگاه دوم در ارتباط با ماهیت و شرایط شبکه مطرح است. اینترنت اشیاء از نظر خصوصیات و ویژگیها، شبکه هایی محدود و بسیار پرمخاطره هستند. وجود این محدودیتها باعث شده تا QoS خدشه دار شده و شبکه در تأمین نیازهای کیفی داده های ارسالی ناتوان باشد. ازاینرو تاکنون تحقیقات گستردهای در راستای بهبود این حیطه طراحی و معرفی شده اند. اگرچه هر یک از این پژوهشها به نوبه خود در بهبود مسیریابی و افزایش کیفیت سرویسدهی موفق بودهاند، ولی مطالعات انجام شده حاکی از آن است که همچنان برخی چالشها در ارتباط با این حوزه به قوت خود باقی است. از مهمترین این چالشها میتوان به نبود قابلیتی برای تضمین کیفیت دادههای ارسالی به ویژه داده های بلادرنگ، تأثیرات ناشی از عملکرد ایستایی رو شهای گذشته و سربارهای کنترلی اشاره نمود. برای بهبود این مسائل، د ر پژوهش پیشنهادی روشی تحت عنوان RRPQG-IoT مبتنی بر توسعه مسیریابی با رویکرد به تحلیل نیازهای کیفی دادههای ارسالی معرفی شده است. RRPQG-IoT یک روش سه گامی بوده به طوریکه در گام نخست بر اساس تحلیل نیازها و ضرورتها، فوریت دادههای ارسالی مشخص شده، در مرحله دوم کاندیدها ارزیابی و شرایط آ نها برای مشارکت در مسیریابیها مشخص شده و در مرحله سوم گره گام بعد انتخاب و مخابره داده ها انجام میشود. RRPQG-IoT بر پایه قابلیتهای حاصل از مراحل پیشنهادی خود به خوبی چالشهای تحقیقات گذشته را بهبود داده، کیفیت سرویس دهی را تضمین نموده و در ارتقاء کارایی اینترنت اشیا موفق بوده است. نتایج شبیه سازی با استفاده از cooja حاکی از برتری RRPQG-IoT پیشنهادی در مقایسه با تحقیقات مشابه است. این بهبود در مقایسه با رو شهای EEGR و LOADng به ترتیب برای دریافتهای موفق معادل 5.4 % و 12 %، برای تأخیر انتها به انتها معادل 8.9 % و 7.4 %، برای مصرف انرژی معادل 9.2 % و 6.4 %، و برای گذردهی شبکه معادل 5.9 % و 10.1 % بوده است.

کلیدواژه:سنتز سبز، نانوذرات اکسید مس، آنتی باکتریال، حذف رنگ

تاریخ دفاع: تابستان 1400

نام و نام خانوادگی: زهرا چناری
عنوان پایان نامه: خوشه‌بندي داده‌ها با استفاده از الگوريتم بهينه‌سازي تكاملي تجمع پرندگان
رشته تحصیلی:مهندسی کامپیوتر – شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی

چکیده:
خوشه بندي يكي از شاخه هاي حائز اهميت در علم داده كاوي مي باشد كه به بررسي شباهت و عدم شباهت داده ها و قسمت بندي آن ها مي پردازد و داراي كاربردهاي زيادي مي باشد. الگوريتم هاي متعددي براي خوشه بندي داده ها وجود دارد. در اين تحقيق خوشه بندي يك مسئله بهينه سازي در نظر گرفته مي شود و با استفاده از يك تابع هدف مناسب به كمك يك الگوريتم بهينه سازي تكاملي سريع و كارا اين مسئله را حل مي كند. ايده اين تحقيق در اين است كه تاكنون مسئله خوشه بندي با الگوريتم بهينه سازي تكاملي تجمع پرندگان حل نشده و نتايج اين الگوريتم مي تواند خوشه بندي دقيق و سريع باشد. استفاده از يك شاخص خوشه بندي مناسب كه شرايط خوشه بندي را ارضا كند نيز داراي اهميت است. همچنين استفاده از ديتابيس هاي مناسب و استاندارد نيز لازم است تا به صورت درست الگوريتم با استفاده يك معيار ارزيابي مناسب ارزيابي و مقايسه شود.
در حالت کلی یادگیری را می توان به دوگروه اصلی تقسیم کرد: یادگیری با نظارت و یادگیری بدون نظارت. در یادگیری با نظارت از ابتدا دسته ها مشخص هستند و هر یک از داده های آموزشی به دسته ای خاص نسبت داده  شده  است. اصطلاحأ گفته می شود که ناظری وجود دارد که در هنگام آموزش اطلاعاتی علاوه بر داده های آموزش در اختیار یاد گیرنده قرار می دهد. ولی در یاد گیری بدون نظارت هیچ اطلاعاتی به جز داده های آموزشی در اختیار یاد گیرنده قرار ندارد و این یاد گیرنده است که باید درون داده ها به دنبال ساختاری خاص بگردد.
الگوريتم خوشه بندي يك الگوريتم بهينه سازي مي باشد كه دو عمل بهينه سازي بايد در آن اعمال شود. اول اينكه واريانس داخل خوشه كم بشود يا به اينكه فاصله درون خوشه اي كمينه شود و دوم اينكه فاصله بين خوشه اي بيشينه شود. اين كمينه و بيشينه شدن يك مساله بهينه سازي است، بنابراين ما مي توانيم اين دو تابع را به وسيله حاصل جمع با ضرايب متفاوت به يك تابع يا شاخص بهينه سازي تبديل كنيم و با استفاده از يك الگوريتم بهينه سازي كه ما در اين تحقيق از الگوريتم بهينه سازي تجمع پرندگان استفاده كرده ايم شاخص را كمينه يا بيشينه بكنيم و خوشه هاي بهينه را استخراج كنيم. انتخاب شاخص مناسب و الگوريتم بهينه سازي كار ما را در بهتر نتيجه گرفتن كمك مي كند.

کلیدواژه:بهينه سازي، خوشه بندي، الگوريتم تکاملي، الگوريتم تجمع پرندگان

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی:بابک زورمند
عنوان پایان نامه: آموزش شبکه عصبی با استفاده از مفهوم تضاد در الگوریتم تکامل تفاضلی برای مسائل طبقه بندی
رشته تحصیلی:مهندسی کامپیوتر گرایش شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی

چکیده:
یادگیری در شبکه های عصبی یکی از مفاهیم مهم در این حوزه می باشد زیرا کارایی یک شبکه عصبی به طور مستقیم به کارایی الگوریتم یادگیری بستگی دارد. یکی از مهمترین الگوریتم های یادگیری شبکه های عصبی الگوریتم پس انتشار خطا است که دارای عیبهایی مثل گیر کردن در بهینه محلی می باشد. برای رفع این مشکل، این پایان نامه روشی مبتنی بر ترکیب الگوریتم تکامل تفاضلی با مفهوم تضاد ارائه کردهاست. الگوریتم تکامل تفاضلی یکی از مهمترین الگوریتم های فراابتکاری است که تاکنون کارایی خوبی در مسائل بهینه سازی از خود نشان داده است. این الگوریتم دارای سه عملگر اصلی است. عملگر اول جهش است که بر اساس سه راه حل دلخواه، یک راه حل جدید را میسازد. سپس عملگر ترکیب، این راه حل جدید را با راه حل قبلی ترکیب می کند. در نهایت عملگر انتخاب وظیفه انتخاب بهترین راه حل را بر عهده دارد. همچنین مفهوم تضاد یکی از مفاهیم بر اساس تضاد راه حل ها است که در این پایان نامه با الگوریتم تکامل تفاضلی ترکیب شده است تا کارایی را بهبود بخشد. ساختار هر فرد در روش پیشنهادی یک ارایه بوده است که طول آرایه برابر با تعداد وزنها و بایاسها میباشد. همچنین تابع هدف در این پایان نامه مبتنی بر خطای طبقه بندی بوده است.
ارزیابی روش پیشنهادی بر روی مجموعه دادههای استاندارد و در مقایسه با چندین الگوریتم نشان میدهد که روش پیشنهادی توانستهاست کارایی خوبی از خود در حل مسائل طبقه بندی نشان دهد.

کلیدواژه:شبکهی عصبی، تکامل تفاضلی، الگوریتم فراابتکاری، تضاد.

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: آیه موری بختیاری
عنوان پایان نامه: یک الگوریتم بهبود یافته مبتنی بر ازدحام ذرات بهینه شده و AHP-TOPSIS جهت توازن بار در محاسبات ابری
رشته تحصیلی: مهندسی کامپیوتر-شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر بهرنگ برکتین

چکیده:
دنیای امروز فناوری شبکه در محاسبات ابری با پیچیدگی نرم افزاری و سخت افزاری در زیر ساخت ابری مواجه است. ویژگی های متفاوت در خصوصیات وظائف کاربران و منابع محاسباتی، زمان بندی وظائف را برای ارائه دهندگان خدمات ابری به یک چالش اساسی تبدیل کرده است. اجرای به هنگام وظائف کاربران در یک فرآیند، به توزیع مناسب کارها به منابع بستگی دارد. اولویت کار، مدت و مهلت انجام وظیفه، زمان اتمام کار، قدرت پردازشی و حافظه مورد نیاز از جمله ویژگی هایی از وظائف هستند که در زمان بندی کارها مورد ارزیابی قرار می گیرند. با توجه به ناهمگنی در محیط ابری و عدم اولویت بندی و مرتب سازی وظائف که دارای تفاوت در ویژگی های ذکر شده هستند؛ نگاشت مناسب وظائف به منابع را بطور چشمگیری تحت تأثیر قرار می دهند و موجب اتلاف زمان و منابع می گردند. زیرا کارها با طول بیشتر ممکن است زمان اجرای بیشتری در بکارگیری منابع جهت اجرا شدن صرف کنند. بنابراین دیگر وظائف با طول اجرا و مهلت قانونی کمتر زمان بیشتری در انتظار اجرا شدن قرار می گیرند. نتیجه این رخداد گاها عدم مفید بودن نتایج اجرای یک وظیفه به دلیل انقضای مهلت زمان اعتبار آن است. در نظر گرفتن اولویت اجرا برای وظائف موجب صرفه جویی در هزینه و زمان می شود؛ از این رو ارائه دهندگان خدمات ابری با بکارگیری روش های زمان بندی مختلف اکتشافی، فرااکتشافی و ترکیبی تلاش دارند با تأمین رضایت کاربران، تحقق معیار کیفیت خدمات ابری را تضمین کنند. در این پایان نامه یک الگوریتم ترکیبی به نام AHP-TOPSIS-OPSO معرفی شده است. این الگوریتم از روش سلسله مراتب تحلیلی (AHP) برای تعیین اولویت در بین معیارهای وظائف کاربران استفاده می کند. سپس برای مرتب سازی وظائف در صف های اولویت بندی شده ، روش مرتبه بندی بر اساس اولویت های معیاری مبتنی بر شباهت به راه حل ایده آل (TOPSIS)  را بکار می گیرد. در نهایت برای تخصیص وظائف اولویت بندی شده هر صف که بر اساس معیارها به منابع مناسب نگاشت صورت گرفته است، از الگوریتم بهینه سازی ازدحام ذرات بهینه شده (OPSO) استفاده می شود. این روش ترکیبی در بررسی عملکرد معیارهای ابری نظیر زمان اجرای کل و میانگین استفاده از منابع در روش های مشابه توسط ابزار شبیه ساز کلودسیم مورد ارزیابی قرار گرفت. نتایج تجربی روش پیشنهای در 50 وظیفه برای بهبود دو محدودیت زمان اجرای کل و میانگین استفاده از منابع به ترتیب 37.05 درصد و 23.95 درصد بهبود را نسبت به روش های دیگر نشان داده است.
کلیدواژه:زمان بندی کار، محاسبات ابری، زمان اجرای کل، میانگین استفاده از منابع، توازن بار،AHP-TOPSIS، OPSO

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: نرگس محمدی
عنوان پایان نامه: ارائه یک روش کارآمد برای چیدمان RSU در شبکه های بین خودرویی
رشته تحصیلی: مهندسی کامپیوتر-شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر آوید آوخ

چکیده:
بشر همواره به دنبال راه‌های برای افزایش رفاه زندگی خود بوده است. باتوجه به رشد روزافزون وسیله‌های نقلیه، حمل و نقل از اهمیت زیادی برخودار شده‌است. این مسئله باعث می‌شود که توجه بشر بیش از قبل به مسائلی همچون امنیت راننده، کنترل ترافیک، دریافت وضعیت منطقه‌ی موردنظر جلب شود. با پیشرفت تکنولوژی نوعی از شبکه‌های اقتضائی خودرویی مطرح شد که از خودروها و واحدهای کنار جاده و ارتباطات بی‌سیم تشکیل می‌شود .
آن چه اهمیت دارد یافتن راه‌هایی برای افزایش کاربرد این شبکه است. یکی از این مسائل پیدا کردن راه‌هایی است که بتواند بیشترین حد از اطلاعات را با کمترین میزان بودجه تحت تاثیر تاخیر کمتر رد وبدل کند. از این رو بحث پیدا کردن مکان‌های بهینه برای قرارگیری واحدهای کنار جاده مطرح شد. ما در این پژوهش هدف خود را برای یافتن نقاطی برای قرار دادن واحدهای کنار جاده قرار می‌دهیم. این هدف به دنبال خود کاهش هزینه برای خرید تجهیزات، کاهش انرژی مصرفی برای هر واحد کنار جاده، پوشش‌دهی بهینه منطقه موردنظر با واحد های کنار جاده را دارد.
ما الگوریتمی را پیشنهاد می‌کنیم که با توجه به ترافیک داده منطقه موردنظر و نیز نقشه منطقه هوشمند و باتعداد واحد کنارجاده مشخص به چیدمانی بهینه برسد. هدف آن بیشترین حد از پوشش‌دهی با توجه به تراکم داده است. ما برای رسیدن به این هدف از خوشه بندی و الگوریتم بهینه سازی گرگ خاکستری استفاده می‌کنیم.

کلیدواژه:شبکه‌های اقتضائی خودرویی، واحدهای کنار جاده، پوشش‌دهی بهینه واحدهای کنار جاده

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی: صادق نیکونژاد
عنوان پایان نامه: بررسی و بهبود مدیریت شبکه مزارع روستایی مبتنی بر اینترنت اشیاء و RFID
رشته تحصیلی: مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر احمد یوسفی-دکتر محمد رضا مصلحی

چکیده:
در سالهاي کنونی با توجه به اینکه کشاورزي در ایران با مخاطرات زیادي روبرو بوده است و پیامد آن باعث کمبود تولید محصول کشاورزان و هدر رفت انرژي شده است، با رویکرد انتقال کشاورزي سنتی به کشاورزي مدرن سعی در اصلاح و بهبود مخاطرات شده است. با ورود تکنولوژي IOT و هوشمندسازي مزارع و گلخانهها، این امر باعث بهبود عملکرد آنها شده و بسیاري از مخاطرات و هزینههاي اصلی و جانبی از جمله سرکشیهاي مرتب به محصول براي نحوه و میزان آبدهی، عناصر غذایی و دماي مطلوب گیاه به صورت چشمگیري کنترل و بهینهسازي شده است. این مساله باعث افزایش تولید محصول نیز گردیده است. در پژوهش حاضر سعی در ارائه معماري جدید براي مزارع روستایی هوشمند با تلفیق تجهیزات RFID به IOT گردیده است. این تگ سنسورهاي RFID دما و رطوبت تحت بررسی، بعد از جانمایی با معماري پیشنهادي به جاي سنسورهاي قدیمی که در مزرعه هوشمند استفاده میشده است و پردازش اطلاعات نهایی به جاي Cloud در Fog ، توانسته یکسري عوامل را اعم از انرژي شبکه کاهش دهد که این امر باعث افزایش عمر و عملکرد شبکه نیز گردیده است.

کلیدواژه:مزارع هوشمند، اینترنت اشیا، RFID

تاریخ دفاع: زمستان 1399

نام و نام خانوادگی:احمد انصاری
عنوان پایان نامه: رفع ابهام در عملیات ربودن حملات در Named Data Networking
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر بهرنگ برکتین

چکیده:
از آنجا که یکی از چالش های مهم جامعه بشری با توجه به پیشرفت های تکنولوژی امروز، حفظ حریم خصوصی در پروتکل‌های ارتباطی به منظور ارسال و دریافت اطلاعات می باشد.حریم خصوصی محتوا یکی از موضوعات اصلی در شبکه داده های نامگذاری شده است. در حال حاضر پیاده سازی کنترل دسترسی به محتوا با رمزگذاری کلید محتوا برای عموم کاربرها امری مهم است در حین اجرای یک چارچوب اندازه گیری شبکه ایمن و توزیع شده برای NDN ، ما با دو مشکل اساسی روبرو شدیم: فقدان کتابخانه مدلهای ارتباطی قابل استفاده کاربردی (ساخته شده در بالای لایه NDN ) و مشکل در ادغام قوانین اعتماد با بانک اطلاعاتی NDNپایان نامه حاضر از طریق NDN بر مشکلات امنیت متمرکز شده است و این معماری، که نمایانگر یکی از پیشرفته ترین معماری های امروزه است که با استفاده از الگوریتم (Rivest Shamir Adleman) RSA بدست می آید و با ارائه الگوریتم پیشنهادی و استفاده از نرم افزار آپنت++ شبیه سازی مربوطه را انجام می دهیم. روش پژوهش: شبیه  سازی را بدین صورت انجام می دهیم که شبکه دارای دو سیستم و یک سرور می باشد. هر کدام از سیستم ها دارای یک ID منحصر بفرد بوده که بسته ای را به سمت سرور می فرستند. بدین منظور برای شروع کار، یک بسته از سیستم اول به سمت سرور فرستاده شده و برای آن بسته یک کلید عمومی توسط سرور در نظر گرفته می شود. این کلید تنها برای یکبار درنظر گرفته می شود (کلید یکبار مصرف است). سپس سیستم 1 یک درخواست (بسته) به سمت سیستم 2 ارسال می کند که برای آن، سیستم 2 درخواستی برای سرور ارسال نموده تا سرور با استفاده از سیستم رمزگذاری ای که از قبل بروی بسته انجام داده است، یک ID خصوصی به منظور بازگشایی رمز بسته برای سیستم 2 ارسال می کند تا سیستم 2 بتواند بسته ارسالی توسط سیستم 1 را بازگشایی نماید. بدیهی است ارتباط سیستم ها با سرور از طریق یک سوئیچ انجام می-پذیرد. نتایج حاصل از این پژوهش نشان داد که خاصیت محرمانگی، برای ارزیابی الگوریتم پیشنهادی، این الگوریتم در یک پروتکل امنیتی شبکه قرار گرفته و همراه با سرویس های احراز هویت و صحت در یک بستر سخت¬افزاری مناسب و با مجازی سازی با یک زبان برنامه نویسی مناسب پیاده سازی شد. که خاصیت محرمانگی بالاترین مقدار یعنی ۱۰۰ درصد را به خود اختصاص داده و بعد از آن خواص امنیتی یکپارچه، کنترل دسترسی و کارایی 40 درصد را به خود اختصاص داده اند و کمترین درصد مربوط به خاصیت حفظ حریم خصوصی بوده است که مقدار ۳۰ درصد برای آن تایید شده است. برای این منظور از بهترین هکرهای کلاه سفید و کلاه سیاه کمک گرفته شد و در نهایت الگوریتم پیشنهادی با اختلاف زمانی قابل ملاحظه ای نسبت به الگوريتم قبلی شکسته شد که این نشان دهنده یک بهبود و گامی در جهت بالا بردن امنیت شبکه است.

کلیدواژه:آپنت++، الگوریتم RSA، شبکه NDN، امنیت شبکه

تاریخ دفاع: تابستان 1398

نام و نام خانوادگی: حامد رناسیان
عنوان پایان نامه: یک الگوریتم بهبـودیافتــه مسیــریابی برای افــزایش کارایی مسیریابی داده‌ها در شبکه‌های مبتنی بر داده‌های نام‌گذاری شده
رشته تحصیلی: مهندسی کامپیوتر–شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر بهرنگ برکتین

چکیده:
شبکه‌های مبتنی بر داده‌های نام‌گذاری شده، یکی از پروژه‌هایی است که به منظور بهبود شبکه جهانی اینترنت، به عنوان یکی از معماری‌های آینده اینترنت از سال 2010 مطرح شده است. در این پایان‌نامه بر روی یکی از ویژگی‌های منحصربفرد شبکه‌های مبتنی بر داده‌های نام‌گذاری شده، یعنی بهبود مسیریابی در این شبکه‌ها تمرکز می‌شود. در بسته‌های علاقه‌مندی، هر مصرف‌کننده نام داده‌ای که مدنظر دارد را درون الگوریتم قرار می‌دهد و آن را از طریق شبکه ارسال می‌کند. در مسیریاب از این نام برای هدایت الگوریتم به ‌سوی تولیدکننده آن داده، استفاده می‌شود. هنگامی‌که الگوریتم علاقه‌مندی به گره موردنظر می‌رسد، الگوریتم داده را شامل نام و محتوای آن بازمی‌گرداند که توسط کلیدی از سوی تولیدکننده، امضا شده است. سپس این داده‌ها در مسیریاب‌ها ذخیره شده تا دیگر مصرف‌کنندگان بتوانند از آنها استفاده کنند. یکی از چالش‌ها در این نوع شبکه، مشکل مسیریابی و بهبود آن می‌باشد. هدف این مقاله ارائه الگوریتم مسیریابی در شبکه داده‌های نامگذاری شده است. با توجه به روش‌های چشمگیر ارائه شده در مسیریابی این شبکه‌ها، روش مسیریابی و ذخیره داده‌ها در مسیریاب‌ها با استفاده از الگوریتم خوشه‌بندی، یکی از مسائل مهمی است که در این پایان‌نامه به عنوان الگوریتم پیشنهادی از آن استفاده گردیده شده. مسیریاب‌ها در این شبکه، تمامی اطلاعات خود را با استفاده از الگوریتم خوشه‌بندی دسته‌بندی کرده و بر اساس میزان تقاضا از طرف مصرف کنندگان، خوشه‌ها در هر مسیریاب ساخته خواهند شد. سپس زمانی که بسته‌ای را مصرف کننده درخواست کند، با توجه به اهمیت درخواست بر اساس دیگر درخواست‌هایی که شده، از مسیریاب دریافت خواهد کرد و مسیریاب‌ها بر اساس نوع درخواست، جداول خود را به‌روز کرده و درخواست‌هایی که کمتر شده اند، به دیگر مسیریاب‌ها انتقال خواهند داد و جداول خود را به روز خواهند ساخت.

کلیدواژه:شبکه‌های مبتنی بر داده‌های نام‌گذاری شده، مسیریابی، الگوریتم خوشه‌بندی، بهینه‌سازی، مسیریاب

تاریخ دفاع: تابستان 1398

نام و نام خانوادگی: شقايق سلمانیان
عنوان پایان نامه: ارائه یک روش جدید در مسیریابی در شبکههای حسگری بیسیم دارای چاهک متحرک به منظور ایجاد توازن بار در درخت پوشا با استفاده از منطق فازی
رشته تحصیلی:مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر سعید نصری

چکیده:
شبکه‌های حسگر بی‌سیم با اهداف گوناگونی طراحی و مورد استفاده قرار می¬گیرند. حسگرهای موجود در شبکه اطلاعات محیط را جمع‌آوری کرده و به سمت یک چاهک یا پایگاه اصلی ارسال می¬کنند. یکی از چالش‌های مطرح در شبکه‌های حسگر بی‌سیم محدودیت مصرف انرژی به دلیل محدود بودن باتری‌های مورد استفاده است. یکی از راه های کاهش مصرف انرژی در این شبکه¬ها، استفاده از چاهک‌های متحرک در شبکه حسگری است. در بیشتر پژوهش‌های صورت گرفته، ارتباط بین سرخوشه با چاهک متحرک به ‌صورت مستقیم است. در صورتی ‌که فاصله از چاهک متحرک بسیار زیاد باشد، مصرف انرژی گره سرخوشه که خود یک گره معمولی است، افزایش پیدا می‌کند و این افزایش مصرف انرژی، طول عمر گره حسگری و در نتیجه طول عمر شبکه را تحت‌الشعاع قرار می‌دهد. اگرچه تعویض نقش سرخوشه با اعضای دیگر خوشه در شبکه توانسته است این مشکل را تا حدودی کم کند، اما تا رسیدن به حالت بهینه بسیار فاصله دارد. الگوریتم‌های مسیریابی متعددی برای ارسال داده‌های جمع‌آوری ‌شده از گره‌های حسگر سرخوشه به سمت چاهک متحرک ارائه ‌شده است که به ‌صورت کلی هدف آن‌ها کاهش مصرف انرژی و در نتیجه افزایش طول عمر شبکه است. در این تحقیق برای غلبه بر این چالش در شروع حسگرهای موجود در شبکه به کمک روش خوشه‌بندی فازی، خوشه‌بندی شده و سرخوشه¬ها انتخاب می¬شوند. در صورتی که چاهک متحرک در محدوده حسگر سرخوشه باشد پیام بلافاصله به آن انتقال داده خواهد شد و در غیر اینصورت، مسیریابی درخت پوشا با در نظر گرفتن مقدار انرژی باقیمانده در هر سرخوشه استفاده خواهد شد. روش پیشنهادی در معیارهای ارزیابی میانگین تاخیر پایان به پایان، نرخ میانگین اتلاف پیام، میانگین درصد تحویل پیام و همچنین طول عمر شبکه بر اساس هزینه انرژی در شبکه‌های حسگری در حالات 100، 200، 300، 400 و 500 حسگر، در فضای به ابعاد 400 در 500 متر مصرفی مورد ارزیابی قرار گرفت. نتایج بدست آمده حاکی از برتری روش پیشنهاد شده با افزایش تعداد حسگرها در شبکه دارد. در معیار میانگین تاخیر پایان به پایان میزان بهبود تاخیر در شبکه با تعداد حسگر متفاوت به صورت میانگین 4 میلی ثانیه بهبود ایجاد شده است. میزان نرخ میانگین اتلاف پیام به صورت متوسط تا 10 درصد نسبت به روش¬های پایه بهبود نشان داده است. این در حالی است که میانگین درصد تحویل پیام در روش پیشنهادی تا 99% رسیده است. طول عمر شبکه نیز در حالات متعدد و تعداد حسگرهای متعدد به صورت متوسط بیش از 30 درصد بهبود نشان داده است.

کلیدواژه:شبکه حسگر بی‌سیم، چاهک متحرک، درخت پوشا، خوشه‌بندی، فازی

تاریخ دفاع: تابستان 1399

نام و نام خانوادگی: ایمان مرادی
عنوان پایان نامه: بررسی دستگاه‌های اعتبار سنجی موجود و حفظ حریم خصوصی برای شبکه‌های 5G
رشته تحصیلی:مهندسی کامپیوتر- شبکه‌های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر حسین مرادی

چکیده:
توسعه‌ی معماری‌های جدید یک نگرانی در شبکه‌های 5Gنیست؛ یک نیاز به رسیدگی و کنترل دیگر مسائل پیاده‌سازی در زمینه کاربران، مثلاً، حذف تداخل، مدیریت هندآف، تضمین QoS، دسترسی به کانال، و در زمینه زیرساخت‌ها، مثلاً تعدیل بار وجود خواهد داشت. در این تحقیق چندین تکنیک جدید مانند تکنیک‌های توسعه‌ی متراکم، SIC، DUD، mmWave، mMIMO، و VLC. همچنین گرایشات کنونی در صنایع تحقیقاتی و دانشگاهی در زمینه شبکه‌های 5G بر اساس بسترهای آزمونه واقعی و آزمایش‌های برای شبکه‌های5G موردبحث قرار گرفت. تحلیل مدیریت هویت و احراز هویت انعطاف‌پذیر بر اساس معماری امنیت پیشنهادی، ارائه شد. در این مطالعه‌ی موردی، ویژگی‌ها، نیازمندی‌ها، کاربردها، و چالش‌های برجسته‌ای را که در توسعه‌ی نسل پنجم (5G) ارتباطات متحرک سلولی جای دارند، موردبحث قرار گرفت که انتظار می‌رود انتقال داده با سرعت‌بالا و اتصالات فراگیری را میان شبکه‌های 5G بر اساس به‌کارگیری سلول‌های کوچک، شبکه‌های رادیویی شناختی، ارتباطات وسیله-به-وسیله، و شبکه‌های دسترسی رادیویی مبتنی بر کلود، فراهم کنند. مصرف انرژی توسط زیرساخت در حال تبدیل‌شدن به یک نگرانی در شبکه‌های 5G می‌باشد، و به همین علت، معماری‌های کارآمد ازلحاظ انرژی مورد بازبینی قرار گرفت.

کلیدواژه:شبکه 5G، احراز هویت، معماری امنیت، شبکه‌های رادیو شناختی

تاریخ دفاع: شهریور 1399

نام و نام خانوادگی:مولود نیکخواه
عنوان پایان نامه: ارائه یک الگوریتم پیشنهادی جهت بهبود امنیت در سیستم­های نظارت بر بیمار به کمک اینترنت اشیاء
رشته تحصیلی: مهندسی کامپیوتر -شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری کوپایی

چکیده: امروزه به دلیل افزایش کاربردهای گوناگون کامپیوتر در امور مختلف، و نیز پیشرفت چشمگیر تکنولوژی اینترنت اشیاء (IoT ) به ویژه بخش مراقبت­های بهداشتی در مرکز توجهات و تحقیقات زیادی قرار گرفته و به کارگیری گسترده از این تکنولوژی، امکان بروز تهدیداتی جدی علیه امنیت و حریم خصوصی کاربران وجود خواهد داشت. بنابراین، تمایل به حفظ امنیت و صحت اطلاعات بیش از پیش مورد توجه افراد قرار گرفته و مسائل مهمی برای کاربردهای IoT بوده، و همچنان با چالش­های بزرگی جهت امنیت و یکپارچگی اطلاعات پزشکی برای برنامه­های خدمات بهداشتی مواجه می­باشد. در این راستا، برای تحقق اهداف مذکور از روش جدید رمزنگاری و نهان ­نگاری دیجیتال به عنوان یک راه حل برای ایمن­ سازی داده ­های محرمانه بیمار ارائه شده است که بدین شرح می­باشد: در مدل ارائه شده ابتدا با استفاده از الگوریتم­های رمزگذاری ترکیبی نامتقارنRSA  و متقارن AES داده­ ها قبل از نهان­ نگاری اطلاعات رمزگذاری می­شود و سپس با استفاده از تکنیک  نهان­ نگاری، اطلاعات رمز شده بوسیله الگوریتم تبدیل کسینوس گسسته که یکی از روش­های تکنیک حوزه تبدیل فرکانس در نهان­نگاری می­باشد در تصویر دیجیتال قرار داده می­شود. به این صورت که با تقسیم تصویر به بخش­هایی با درجه اهمیت­های مختلف، امکان ایجاد تغییرات در بخش­هایی را ایجاد می­کند و اطلاعات در کم ارزش­ترین بیتها و ضرایب حاصل از تبدیل DCT جاسازی شده است. در این پایان نامه روشی پیشنهاد شده است که از ایده جاسازی اطلاعات با روش کوانتیزه کردن استفاده می­کند و گیرنده می­تواند داده را به صورت کامل استخراج کند. نتایج حاصل، نشان دهنده­ی عملکرد مناسب روش پیشنهادی در مقایسه با روش­های مدرن و روش­های انجام شده پیشین توسط محققین دیگر می­باشد که جاسازی این روش با PSNR در حدود 51 و خطای تست0.4در مقابل حملات شبکه­ای بهترین نتیجه را نشان می­دهد. و از نظر امنیت و پنهان کردن داده­ های محرمانه بیمار در یک تصویر با مقاومت بالا تا حد نسبتاً مطلوبی امنیت در سیستم­های نظارت بر بیمار در اینترنت اشیاء را بهبود می­دهد.

کلیدواژه:رمزنگاری، نهان­نگاری، تبدیل کسینوس گسسته، RSA ، AES .

تاریخ دفاع: پاییز 1399

نام و نام خانوادگی: فرزاد جعفریان
عنوان پایان نامه: ارائه مدلی ترکیبی مبتنی بر بلاکچین در خانه هوشمند برای بهبود سرعت و امنیت
رشته تحصیلی: مهندسی کامپیوتر -شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما:دکتر سعید نصری

چکیده: رشد روزافزون و پررنگ شدن نقش اینترنت در زندگی بشر، رخدادهای جدیدی را رقم زده است که فرآیند انجام کارها را به شکل جدیدی تغییر داده است. اتصال کاربران به اینترنت و تباد­­ل اطلاعات، ارتباط اشیا از طریق حسگرها، شبکه­ای از اشیا ایجاد کرده است که در هر زمان و مکانی اتصال و ارتباط بین اشیا را فراهم آورده است. امروزه اینترنت اشیا موجب تسهیل توسعه­ی برنامه­های جدید در زمینه­های مختلف و بهبود برنامه­های موجود ثبت شده است. برخورداری از فناوری مدرن اینترنت اشیا یکی از شاخص­های توسعه و رشد اقتصادی در کشورها محسوب می­شود که یکی از مصادیق آن شهرهای هوشمند می­باشد.

به تازگی فناوری بلاکچین توجهات زیادی را در میان مالکان صنایع مختلف به خود جلب کرده است. با توجه به اینکه اینترنت اشیا شاهد رشد نمایی در پژوهش و صنایع بوده اما هنوز هم از جانب نقاط ضعف امنیتی و محرمانگی رنج می­برد. بلاکچین اخیرا به منظور ارائه امنیت و محرمانگی در سیستم­­هایی با توپولوژی­های مشابه اینترنت اشیا مورد استفاده قرار گرفته است. با این وجود روش­های بلاکچین­ اغلب از دیدگاه محاسباتی، پرهزینه بوده و شامل سربار پهنای باند و تاخیرهای بالایی می‌شوند که برای سیستم­های اینترنت اشیا مناسب نیستند. بنابراین باید در پی روشی ترکیبی بود که بتوان بر این مشکلات فایق آمد.

مديريت شبكه‌های كامپيوتری يكي از مسايل مهم و موثر در علم شبكه است. چالش‌هايي چون برقراری ارتباط امن، پايدار و كارا باعث گرديده است تا توجه بسياری از پژوهشگران را به خود جلب كند. روش‌های بسياری به منظور بهبود مديريت شبكه‌های كامپيوتری ارائه شده‌اند اما به دلیل عدم تطبیق با ساختار شبکه، عدم در نظر گرفتن تمامی فاکتور‌های تاثیر‌گذار و همچنین هزینه های بالای زمانی و مالی نتوانسته‌اند كارايي لازم را داشته باشند.

برای دستیابی به کارایی بالا و نشان دادن محدودیتهای موجود، معماری پیشنهادی در این پایان نامه به دو بخش شبکه هسته ‌و شبکه حاشیه تقسیم شده است. از طریق طراحی یک معماری ترکیبی، معماری پیشنهادی در این پایان نامه هر دو خصوصیت معماری های شبکه ی توزیع شده و متمرکز را شامل می شود. در این پایان نامه همچنین شماتیک اثبات کار برای تضمین امنیت و شخصی سازی ارایه می شود.

کلیدواژه: مدلی ترکیبی، بلاکچین، خانه هوشمند، بهبود سرعت ، امنیت

تاریخ دفاع: تابستان 1399

نام و نام خانوادگی:فائزه سادات سنبلستان
عنوان پایان نامه: بهبود مسیریابی در شبکه‌‌های بین خودرویی با استفاده از الگوریتم پیشنهادی مبتنی بریادگیری
رشته تحصیلی: مهندسی کامپیوتر -شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما: دکتر مهدی اکبری

چکیده: شبکه ­های بین خودرویی یک بستر جذاب برای حمل و نقل هوشمند ارائه می دهند یکی از پروتکل‌‌های مسیریابی شناخته شده در شبکه‌های بین خودرویی، پروتکل مسیریابی AODV است. اعمال این پروتکل مسیریابی بر روی شبکه‌‌های بین خودرویی نیز دارای مشکلاتی است که با افزایش مقیاس شبکه و تعداد گره‌‌ها، تعداد پیام‌‌های کنترلی در شبکه افزایش می‌‌یابد. پروتکل مسیریابی AODV برای انتخاب مسیر از معیار کمترین تعداد گام در مسیر استفاده می‌کند که باعث کاهش کارایی شبکه و عدم انتخاب مسیر‌های پایدارتر می‌‌شود. در این تحقیق دو روش برای مسیریابی ارائه شده است که تا حدودی مشکلات ذکر شده را بهبود می‌‌دهند. روش پیشنهادی اول یک روش مبتنی بر خوشه­بندی است که برای کاهش تعداد پیام­های کنترلی پیشنهاد شده است.روش‌‌پیشنهادی دوم برای حل مشکل انتخاب مسیر ارائه شده‌اند که با استفاده از الگوریتم بیزین این مشکل را حل نموده­ایم. معیار‌های که برای ارزیابی عملکرد این روش‌‌ها استفاده شده افزایش نرخ تحویل بسته وکاهش نرخ گم شدن بسته و میانگین تاخیر انتها به انتها می‌‌باشد. زمانی که ما این ارزیابی ها را انجام می­دهیم روش پیشنهادی میانگین تاخیر انتها به انتها نسبت به روش پایه 1درصد تاخیر کمتری دارد. و زمانی که نرخ تحویل بسته را محاسبه می­کنیم به میزان 8 درصد روش پیشنهادی نسبت به روش پایه افزایش می­یابد و نرخ گم­شدن بسته را که محاسبه می­کنیم به میزان 20 درصد الگوریتم پیشنهادی نسبت به روش پایه کاهش می­یابد.

کلیدواژه: شبکه ­های بین خودرویی، الگوریتم بیزین، پروتکل AODV، افزایش نرخ تحویل بسته، کاهش نرخ گم­شدن بسته، میانگین تاخیر انتها به انتها.

تاریخ دفاع: پاییز 1399

نام و نام خانوادگی: فریناز دادخواه جزی
عنوان پایان نامه: ارائه روش پیشنهادی جهت کاهش انرژی مصرفی در هنگام انتقال اطلاعات در محیط اینترنت اشیاء با استفاده از الگوریتم یادگیری عمیق
رشته تحصیلی: مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما:دکتر مهدی اکبری کوپائی

چکیده:در دهه گذشته، اینترنت اشیاء در مرکز توجهات و تحقیقات زیادی قرار داشته است. عمر و مصرف انرژی گره‌ها در اینترنت اشیا، از جمله مسایل مهمی برای کاربردهای اینترنت اشیاء  بوده و همچنان با چالش­های بزرگی مواجه است. چالش‌های بسیاری برای بهبود و مدیریت مصرف انرژی در اینترنت اشیا به وجودآمده است که می توان به خوشه بندی گره‌ها اشاره کرد. تحقیقات زیادی در زمینه مسیریابی در این حوزه وجود دارد که بعضا با استفاده از الگوریتم­های  یادگیری عمیق  و یا ترکیب این الگوریتم­ها با الگوریتم­های دیگر به کار می­روند. ولیکن در تمامی زمینه ها پیچیدگی الگوریتم­ها با هم متفاوت اند.در این پژوهش طرحی ارائه می­شود که در ابتدا بر اساس روش خوشه­بندی شبکه عمیق fcm خوشه­ها را تشکیل می­دهیم و سپس در این خوشه­ها، نودی که دارای میزان بیشتری انرژی است و فاصله کمتری تا ایستگاه پایه دارد را به عنوان سرخوشه انتخاب می­کنیم. نودها در ابتدا اطلاعات خود را برای سرخوشه ارسال می­کنند و برای انتقال از سرخوشه به ایستگاه پایه از روش  یادگیری عمیق استفاده می­شود. با استفاده از این روش طول عمر شبکه و تعداد نودهای زنده افزایش می­یابد و شبکه برد بیشتری را تحت پوشش قرار می‌دهد.

کلیدواژه:شبکه عصبی – اینترنت اشیاء ، مسیریابی، الگوریتم های یادگیری عمیق ، پوشش، خوشه بندی شبکه عمیق

تاریخ دفاع: بهمن 1399

نام و نام خانوادگی: سهیلا مناجاتی
عنوان پایان نامه: روشی جهت بهبود افزایش طول عمر شبکه های حسگر بی سیم مبتنی بر دوایر متحدالمرکز و گره چاهک با استفاده از الگوریتم تکاملی فرهنگی
رشته تحصیلی: مهندسی کامپیوتر- شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد ناپیوسته
استاد راهنما:  دکتر سعید نصری

چکیده:  با پیشرفت تکنولوژی، طراحی و ساخت شبکه حسگر های بی سیم با تعداد زیادی گره، توان مصرفی پایین و انرژی محدود، اندازه کوچک، قیمت مناسب و توانایی کاربردی های گوناگون را ایجاد کرده است که وظیفه دریافت اطلاعات از محیط پیرامون خود، آنالیز، پردازش داده ها و نیز ارسال داده های حس شده به دیگر گره ها هستند و حسگر ها منابع آن محسوب می شوند. حسگر ها داده های خود را برای تحلیل و پردازش به یک یا چند چاهک انتقال می دهند. جمع آوری داده ها از نودهای حسگر به منظور تحلیل و پردازش یکی از وظایف اصلی در شبکه اصلی در شبکه های حسگر بی سیم است. هدف اصلی در این پژوهش ارایه یک روش مناسب و بهینه برای به حداقل رساندن مصرف انرژی توسط هر گره و افزایش میزان طول عمر شبکه حسگر پیشنهاد شده است. این امر به عنوان ایجاد چاله انرژی در شبکه حسگر معرفی می گردد. چاله انرژی زمانی رخ می دهد که تعداد زیادی گره به یک گره پیام می فرستند و طول عمر شبکه کاهش می یابد که چالش هایی را با خود به همراه دارد که برای رفع این چالش ها شبکه حسگر بی سیم تحت دوایر متحد المرکز و گره چاهک که در مرکز این دوایر است (کرونا) معرفی شده است. در واقع با بهینه سازی تعداد گره های شبکه حسگر بی سیم به منظور دستیابی به حداکثر میزان پوشش و استفاده از گره های رله جهت انتقال بسته های داده ای که سبب کاهش میزان افزونگی داده ها در پروسه انتقال، افزایش طول عمر شبکه و در نتیجه میزان مصرف انرژی مصرفی شبکه می شود. همچنین با نتایج تجربی نشان داده شد که روش پیشنهادی در این پژوهش نسبت به روش های موجود بهینه تر عمل کرده است.
کلیدواژه: شبکه های حسگر بی سیم، دوایر متحدالمرکز و گره چاهک طول عمر شبکه، کاهش انرژی
تاریخ دفاع: بهار 1399

نام و نام خانوادگی : سمیرا غلامی
عنوان پایان نامه : بهبود الگوریتم زمان بندی وظایف در محیط محاسبات ابری  جهت تخصیص منابع   برمبنای استراتژی زنبورعسل و مرغ مگس خوار
رشته تحصیلی : مهندسی کامپیوتر – شبکه های کامپیوتری
مقطع تحصیلی : کارشناسی ارشد
استاد راهنما : دکتر سعید نصری

چکیده: رایانش ابری تغییر اساسی در روش اطلاعات ناشناس و داده ­ها ‌ایجاد کرده است . آنچه که در ابر قرار  می‌گیرد مجموعه­ای از چندین سرور و کامپیوتر می‌‌­باشد که می‌‌­توان از طریق ‌اینترنت بدون نیاز به قرار دادن داده در کامپیوتر، دسترسی پیدا کرد . چالش سیستم رایانش ابری به منابع درخواست­های سیستم مربوط می‌‌­گردد . زمان‌بندی وظیفه در رایانش ابری ‌یک مسئله بهینه‌سازیNP سخت است.‌ یکی از مهم­ترین و نویدبخش­ ترین روش‌ها برای حل چنین مشکلاتی در سالهای اخیر‌ یک سری روش­های نوآورانه می‌‌‌باشد که از طبیعت الهام گرفته شده است .‌ این روش­ها با سیستم اجتماعی‌ یا طبیعی شباهت دارند. ما در تحقیق حاضر قصد داریم تا از الگوریتم کلونی زنبور­عسل در کنار الگوریتم مرغ ‌مگس‌خوار برای زمان‌بندی منابع استفاده کنیم. هدف ما دستیابی به تعادل‌ بار در سراسر ماشین‌های مجازی برای به رسیدن به­ حداکثر­­ بازدهی است. الگوریتم‌های پیشنهاد شده وظایف را بر اساس اولویت در ماشین‌های مجازی متعادل می‌‌‌کنند به گونه‌ای که مدت زمان انتظار وظایف در صف حداقل باشد. متوازن سازی بار وظایف مستقل انحصاری در ماشین‌های مجازی ‌یکی از جنبه‌های مهم زمان‌بندی وظیفه در ابر می‌‌‌باشد. هرگاه برخی ماشین‌های مجازی سربارگذاری شوند و سایر ماشین‌های مجازی با وظایف برای پردازش، کم‌بارگذاری شده باشند، برای رسیدن به بهره‌برداری بهتر از ماشین‌ها، بار سیستم باید تعدیل شود. با استفاده از روش پیشنهادی، روش مورد نظر دارای دقتی برابر با 93.55 درصد نسبت به سایر روش‌ها در بازه‌های مختلف بارگذاری می‌‌‌باشد.
کلید واژه‌ها : رایانش ابری، زمان‌بندی، تخصیص منبع، الگوریتم زنبور‌عسل، الگوریتم مرغ ‌مگس‌خوار

نام و نام خانوادگی: حبیب الله وحیدی مهرجو
عنوان پایان نامه: بررسی مدیریت زیرساخت شبکه های اجتماعی به کمک شبکه های نرم افزار محور
رشته تحصیلی: مهندسی کامپیوتر – شبکه های کامپیوتری
مقطع تحصیلی: کارشناسی ارشد
استاد راهنما: دکتر سعید نصری

چکیده: مدیریت شبکه­ های اجتماعی مانند دیگر شبکه ­های بزرگ، پیچیده و دشوار است و همچنین دردسر­های مخصوص خود را دارد. یکی از آسان­ترین روش­های پیش­گیری از بروز مشکلات و پیچیدگی­های مدیریت شبکه­ های بزرگ، استفاده از محصولات یک تولید کننده در تمامی قسمت­های شبکه مورد نظر است. متکی شدن به یک شرکت تولید کننده علاوه بر اینکه هزینه­ های زیادی را به ما متحمل می­کند، خلاقیت را هم از ما دور می­کند. علاوه بر این، شبک ه­های بزرگ سازمانی و پرهزینه، این روزها تنها ابزار ممکن برای ارائه ­ی خدمات بهتر و ارائه نرم ­افزارهای کاربردی­ تر در سطح شبکه هستند. آزمایشگاه­های اجتماعی یک بستر آزمایش شبکه ­های اجتماعی می­باشد، که محققان با استفاده از این آزمایشگاه قادر هستند آزمایشاتی با پروتکل­های جدید و برنامه ­های کاربردی برای شبکه­های اجتماعی در یک محیط واقعی انجام دهند. با این وجود در این بسترهای آزمایشی انجام بعضی آزمایشات مانند آزمایش در لایه دوم شبکه مقدور نیست. برا­ی رفع این مشکل ما تصمیم گرفتیم که معماری را توسعه دهیم تا به محققان اجازه انجام آزمایش بر روی لایه دوم را نیز بدهد. که می­خواهیم این کار را با بهره ­گیری از تکنیک شبکه ­های نرم­­افزار­ محور انجام دهیم. شبکه­ های نرم ­افزار محور یک معماری است که از طریق جدا کردن منطق کنترل شبکه از روترها و سوئیچ ­ها، این امکان را به پژوهشگران می­دهد تا بتوانند بر روی لایه دوم شبکه آزمایش انجام دهند. برای رسیدن به این هدف ابتدا با شبکه ­های نرم­ افزار محور و معماری آن آشنا می­شویم، سپس در طی مراحل تحقیق به ارائه ­ی ساختار مناسب برای راه­اندازی محیطی آزمایشگاهی، مطالعه و آزمایش برروی لایه دوم در شبکه­های اجتماعی می­پردازیم. و در انتها به ارزیابی مدل پیشنهادی و کد بهینه شده­ی حاصل از آن می­پردازیم.
کلمات کلیدی: شبکه­ های اجتماعی ، شبکه ­های نرم ­افزار محور، پروتکل Open Flow