در تمام سیستم‌های پردازش اطلاعات، شناسایی حملات سایبری یک چالش اصلی محسوب می شود و با شناسایی به موقع حملات می‌توان اثرات آن را مسدود یا کم کرد. سیستم اینترنت اشیا نیز از این پدیده مستثنی نبوده و با پیشرفت رو به رشد این فناوری و گسترش زیرساخت های آن، نیاز به سیستم تشخیص نفوذ هوشمند با دقت و سرعت بالا یک امر ضروری است. شبکه‌های عصبی سیستم‌های مدرنی هستند که از روش‌های محاسباتی نوین برای یادگیری ماشین، نمایش دانش و در نهایت استفاده از دانش کسب‌شده برای به حداکثر رساندن پاسخ‌های خروجی سیستم‌های پیچیده استفاده می کنند. یکی از معایب استفاده از آموزش با روش های کلاسیک در شبکه های عصبی، گیرافتادن در نقاط بهینه محلی است. در این مقاله از الگوریتم فراابتکاری رقابت امپریال (ICA) برای آموزش شبکه های عصبی استفاده کرده، نشان دادیم که این الگوریتم در زمینه تشخیص نفوذ در سیستم اینترنت اشیا، می تواند عملکرد بسیار بهتری از منظر سرعت و دقت نسبت به روش های آموزشی کلاسیک داشته باشد .نتایج نشان می دهد روش پیشنهادی دارای دقت 90% می باشد که در مقایسه با روش شبکه عصبی کلاسیک که دارای دقت 75 درصد بوده عملکرد بهتری دارد. تفاصيل المقالة

Detecting attacks and anomalies is one of the new challenges in commercializing and advancing IOT technology. One of the most effective methods for detecting attacks is the machine learning algorithms. Until now, many ML models have been suggested to detect attacks and anomalies, all of them use experimental data to model the detection process. One of the most popular and efficient ML algorithms is the artificial neural network. Neural networks also have different classical learning methods. But all of these classic learning methods are problematic for systems that have a lot of local optimized points or have a very complex target function so that they get stuck in local optimal points and are unable to find the global optimal point. The use of evolutionary optimization algorithms for neural network training can be an effective and interesting method. These algorithms have the capability to solve very complex problems with multi-purposed functions and high constraints. Among the evolutionary algorithms, the particle swarm optimization algorithm is fast and popular. Hence, in this article, we use this algorithm to train the neural network to detect attacks and anomalies of the Internet of Things system. Although the PSO algorithm has so many merits, in some cases it may reduce population diversity, resulting in premature convergence. So, in order to solve this problem, we make use of the TLBO algorithm and also, we show that in some cases, up to 90% accuracy of attack detection can be obtained. تفاصيل المقالة

ارائه مدل کیفیت داده برای یک پورتال دانشگاهی با استفاده از دو تکنیک پویایی سیستم و گسترش عملکرد کیفیت است. این پژوهش روشی توصیفی – پیمایشی بوده که با هدف ارائه مدل و شناسایی این مفهوم و ابعاد آن برای یک پورتال دانشگاهی و با روشهای مطالعه کتابخانه ای و نیز روشهای میدانی نظیر پرسشنامه و همزمان روش تحلیل محتوا و روش دلفی فازی، صدای کاربران مختلف را در خصوص کیفیت داده جمع آوری کرد و در نهایت با تشکیل چهار ماتریس خانه کیفیت به الزامات طراحی منتهی شد..با بررسی خانه های کیفیت مشخص شد که می‌توان در طراحی پورتال، زبان برنامه نویسی مناسبی مانند XML انتخاب کرد تا هم بتوان به قابلیت انعطاف که یک الزام فنی مهم است، دست یافت و هم بتوان نیازمندیهای کاربران را مرتفع ساخت. مسئله مهمی که اینجا ابهام داشت، چگونگی ارتباطات درونی بین نیازمندیها بود. در نتیجه شبیه سازی این روابط مشخص گردید که چگونگی ارتباطات، کل نتایج را تحت الشعاع قرار می دهد.در زمان برنامه ریزی در زمینه کیفیت داده و ارائه مدلی در این خصوص می بایست این مسئله را در نظر گرفت که ممکن است عوامل دارای ارتباطاتی متضاد باشند و مرتفع ساختن و رسیدگی یک طرفه به یک نیازمندی یا مشخصه بدون توجه به ارتباطش با سایر موارد، می تواند نتیجه عکس داشته باشد و تلاش های مرتبط با آن نیز بی حاصل گردد. تفاصيل المقالة