مقاله رویکردی ترکیبی مبتنی بر الگوریتم های انتخاب منفی و کلونی زنبورهای مصنوعی برای تشخیص ناهنجاری در شبکه های اقتضایی متحرک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله رویکردی ترکیبی مبتنی بر الگوریتم های انتخاب منفی و کلونی زنبورهای مصنوعی برای تشخیص ناهنجاری در شبکه های اقتضایی متحرک دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله رویکردی ترکیبی مبتنی بر الگوریتم های انتخاب منفی و کلونی زنبورهای مصنوعی برای تشخیص ناهنجاری در شبکه های اقتضایی متحرک  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله رویکردی ترکیبی مبتنی بر الگوریتم های انتخاب منفی و کلونی زنبورهای مصنوعی برای تشخیص ناهنجاری در شبکه های اقتضایی متحرک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله رویکردی ترکیبی مبتنی بر الگوریتم های انتخاب منفی و کلونی زنبورهای مصنوعی برای تشخیص ناهنجاری در شبکه های اقتضایی متحرک :

تعداد صفحات:۱۰

چکیده:

در شبکه های اقتضایی متحرک به علت تحرک گره ها همبندی شبکه به سرعت تغییر م یکند. بنابراین، یک چالش مهم برای این شبکه ها توسعه رویکردی است که با وجود تغییر پویای همبندی شبکه قادر باشد ناهنجاری ها در ترافیک شبکه را با دقت بالا تشخیص دهد. در این مقاله، یک رویکرد ترکیبی مبتنی بر الگوریتم های انتخاب منفی و کلونی زنبورهای مصنو عی، به نام BeeNS برای تشخیص ناهنجاری پویا در شبکه های اقتضایی متحرک با پروتکل مسیریابی AODV پیشنهاد می شود. در رویکرد پیشنهادی، ابتدا مجموعه ای از بردارهای ویژگی از ترافیک عادی شبکه استخراج می شود. هر بردار ویژگی توسط یک فراکره با شعاع ثابت در فضای ویژگی نمایش داده می شود. سپس با استفاده از الگوریتم انتخاب منفی NicheNABC مجموعه ای از شناساگرهای منفی برای پوشش فضای غیرعادی تولید می شود. از شناساگرهای منفی تولید شده که توسط فراکره ه ایی با شعا ع ها ی متغیر نمایش داده می شوند، برای تشخیص ترافیک شبکه ناهنجار استفاده می شود. با توجه به پویایی همبندی شبکه، این شناساگرها در بازه های زمانی مشخص با استفاده از یکی از دو روش به روزرسانی جزیی یا کلی به روزرسانی می شوند. نتایج آزمایش ها ی انجام شده با استفاده از شبیه سازNS2 نشان می دهند که رویکردBeeNS در مقایسه با سایر رویکردهای مشابه از کارآیی بالاتری در تشخیص حملات سیاه چاله، همسایه و سریع برخوردار است