استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID
Publish place: Joint Convention on Computer Engineering and Mechanics
Publish Year: 1392
Type: Conference paper
Language: Persian
View: 1,998
This Paper With 5 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JCCEM01_013
Index date: 16 March 2014
استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID abstract
سیستمهای فازی1 توانایی خود را برای حل انواع مختلف مسائل در حوزه‌ی برنامه های کاربردی نشان داده‌اند در حال حاضر علاقهی وافری برای تکمیل و تقویت سیستمهای فازی با استفاده از یادگیری و تطبیق قابلیت‌ها وجود دارد. دو مورد از موفق‌ترین رویکردهایی که برای ترکیب سیستمهای فازی و روشهای یادگیری که در عرصه محاسبات نرم ارائه شدهاند، سیستمهای فازی-عصبی و سیستمهای فازی- ژنتیکی هستند. برنامههای کاربردی مختلفی از تکنولوژی شناسایی اجسام توسط فرکانس رادیویی2 (RFID) ایجاد شدهاند، با این حال تکنولوژی RFID مستعد ابتلا به انواع مشکلات امنیتی مانند استراق سمع، محرومیت از خدمات، ردیابی کاربر و شبیهسازی برچسب3 است. یکی از روشهای ممکن برای رسیدگی به شبیه سازی برچسب، سیستم تشخیص نفوذ است. ما در این تحقیق به توصیف یک سیستم فازی مبتنی بر ژنتیک، برای تشخیص نفوذ در سیستمهای RFID میپردازیم که در آن از الگوریتم ژنتیکی4، برای ایجاد قوانین اگر-آنگاه فازی مورد استفاده در تشخیص ناهنجاری استفاده میکنیم
استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID Keywords:
سیستمهای فازی - شناسایی اجسام توسط فرکانس رادیویی - شبیهسازی برچسب - الگوریتم ژنتیکی
استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID authors
علی رزم
دانشگاه آزاد اسلامی واحد علوم و تحقیقات خوزستان، گروه کامپیوتر
عنایت اله علوی
دانشگاه شهید چمران اهواز، گروه کامپیوتر
امیرمسعود بیدگلی
دانشگاه آزاد اسلامی واحد تهران شمال، گروه کامپیوتر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :