مقاله استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID

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

  مقاله استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID دارای ۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID  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 استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله استفاده از یادگیری ماشین مبتنی بر ژنتیک برای ایجاد خودکار قوانین فازی در امنیت RFID :

چکیده

سیستم های فازی۱ توانایی خود را برای حل انواع مختلـف مسـائل در حوزه ی برنامه های کاربردی نشان داده انـد در حـال حاضـر علاقـهی وافری برای تکمیل و تقویت سیستمهای فازی با استفاده از یـادگیری و تطبیق قابلیت ها وجود دارد. دو مورد از موفق ترین رویکردهایی کـه برای ترکیب سیستمهای فازی و روشهـای یـادگیری کـه در عرصـه محاسبات نرم ارائه شدهاند، سیستمهای فازی-عصبی و سیسـتمهـای فازی- ژنتیکی هستند.

برنامههای کاربردی مختلفی از تکنولوژی شناسایی اجسام توسـط فرکـانس رادیـویی(RFID) 2 ایجـاد شـدهانـد، بـا ایـن حـال تکنولوژی RFID مستعد ابتلا به انواع مشکلات امنیتی مانند اسـتراق سمع، محرومیت از خدمات، ردیـابی کـاربر و شـبیهسـازی برچسـب۳
اسـت. یکـی از روشهـای ممکـن بـرای رسـیدگی بـه شـبیه سـازی برچسب، سیستم تشخیص نفوذ است. ما در این تحقیـق بـه توصـیف یک سیستم فازی مبتنی بر ژنتیک، برای تشخیص نفـوذ در سیسـتم های RFID میپردازیم که در آن از الگوریتم ژنتیکی۴، بـرای ایجـاد قوانین اگر-آنگاه فازی مورد استفاده در تشخیص ناهنجـاری اسـتفاده میکنیم.
واژه های کلیدی

سیستم های فازی – شناسایی اجسام توسط فرکـانس رادیـویی –

شبیهسازی برچسب – الگوریتم ژنتیکی

مقدمه

همسـانسـازی هویـت شـیء، بـه خـاطر اثـر اجتمـاعی و اقتصـادی جهانی اش مسئله جدی است. بر طبـق نتـایج بدسـت آمـده از گـروه تحقیق آبردین [۱]، زیان های سرقتی هویت جهـانی در سـال ۲۰۰۲، ۷۳/۸ بیلیون دلار بودند که تا پایان سـال ۲۰۰۵ بـه ۲ تریلیـون دلار رسید [۲] و انتظار می رفت که این عدد در سال هـای آینـده افـزایش یابد.

بر طبق گزارش ارائه شده توسط سازمان بهداشت جهـانی
(WHO)، تعداد محصولات جعلی که وارد بازارهای جهانی می شـوند هر سال افزایش می یابد .[۳] تعداد رویدادهای جعلی در سـال ۲۰۰۷

ده برابر سال ۲۰۰۰ شده بود. جعل کردن محصـولات پزشـکی بـرای بیماران خطرات سـلامتی جـدی و یـا حتـی مـرگ بـه دنبـال دارد و

همچنین باعث زیان های اقتصادی بـالایی بـرای صـنایع تولیدکننـده محصولات اصل میشود.

RFID یک تکنولوژی نویدبخش است، که برای مبـارزه بـا همسان سازی هویت شیء، در کاربردهایی مثـل زنجیـره هـای عرضـه دارو استفاده می شود، زیرا قابلیت دید ردیـابی و پیگیـری را افـزایش می دهد. RFID در کاربردهای مختلفی مثـل پرداخـت خودکـار کـه ایمنی بالایی مورد نیاز است، نیز به طور افزایشی استفاده میشود.

برای این که یک سیسـتم RFID بـه طـور موفقیـت آمیـزی در یـک محیط استفاده شود، هزینه برچسب یکی از عوامل مهمـی اسـت کـه باید در نظر گرفته شود. هزینه برچسب های RFID باید پـایین باشـد تا در بسیاری از موارد کاربرد عملی داشته باشند. بعضـی از برآوردهـا پیشنهاد می دهند که با تولید مقیاس بزرگ، هزینه برچسب EPC تـا کمتر از پنج سنت می تواند پایین بیاید. هرچند، بـه خـاطر مبادلـه ی بین هزینه و توانـایی محاسـباتی، ایمـن سـازی سیسـتم هـای RFID

کم هزینه، یک چالش چشمگیر، در جامعه تحقیـق شـده اسـت. ایـن عمدتاً بدان علت است، که کاهش در ذخیره سازی برچسب و ظرفیـت پردازش توانایی برچسب را، بـرای فـراهم کـردن منـابع کـافی، بـرای اجرای الگوریتم های رمزی نگاشـتی فشـرده محاسـباتی امـا امـن تـر، محدود میکند.

اجزای سیستم های تشخیص نفوذ در RFID یک رویکـرد نویدبخش، به عنوان یک لایه امنیتی اضافی، در بـالای پروتکـل هـای ایمنی، موجود است. در این مقاله ما به توصیف یـک مکـانیزم جهـت ایجاد خودکار قواعد فازی با استفاده ازالگوریتم ژنتیک میپردازیم، که به نرخ شناسایی بالا و نرخ هشـدار غلـط پـایینی در تشـخیص نفـوذ سیستم RFID برسد، سپس نتایج حاصل از ایـن مکـانیزم را بررسـی میکنیم.

شکل ۱ نمودار جریان فرآیند که، یـک سیسـتم تشـخیص نفوذ مبتنی بر منطق فازی به کار رفتـه در سیسـتم RFID اسـت را نشان میدهد.

۱

مکانیزم تولید

قوانین

اعتبار پایگاه
سنج داده
قوانین

دفازی نتیجه فازی
خروجی گیری ورودی
سازی سازی

شکل :۱ ساختار سیستم تشخیص نفوذ RFID مبتنی بر منطق فازی.

یادگیری ماشین مبتنی بر ژنتیک فازی

یک الگوریتم یادگیری ماشین مبتنی بر ترکیـب فـازی و ژنتیـک، دو الگوریتم یادگیری ماشین مبتنی بر ژنتیک که به عنـوان رویکردهـای پیتسـبورگ و میشـیگان معـروف هسـتند را بـرای طراحـی سیسـتم طبقـهبنـدی کـه از قواعـد پایـه فـازی اسـتفاده مـیکننـد، ترکیـب میکند .[۴] این الگوریتم از مزایای الگوریتمهای سـازنده بـرای ارائـه سیستم طبقهبندی با عملکرد بهتر استفاده میکند.

مزیت رویکرد میشیگان نسبت به رویکرد پیتسـبورگ ایـن است که توانایی جستجوی کلی، برای کشف بهترین قاعده فازی را در نمونه های آموزشی دارد. ضعف این رویکـرد، ایـن اسـت کـه توانـایی بهینه سازی پایینی برای قواعد پایه استفاده شده در سیستم دارد. بـه عبارت دیگر، رویکرد پیتسبورگ می تواند قواعـد پایـه اسـتفاده شـده برای سیستم طبقه بندی را بهینه کند. هرچنـد، رویکـرد پیتسـبورگ توانایی جستجوی کلی پایین تری بـرای قواعـد فـازی در نمونـه هـای آموزشی دارد.
رویکرد ترکیبی از مزیت هر دو رویکرد اسـتفاده مـی کنـد.

عملگر های ژنتیک برای ایجاد قواعد فازی جدید با استفاده از رویکـرد میشیگان انجام می شوند تا به طور مکاشفه ای بهترین قواعـد فـازی را جستجو کنند در حالی که کل الگوریتم بر اساس رویکرد پیتسـبورگ است. نشان داده شده اسـت کـه رویکـرد ترکیبـی نسـبت بـه اجـزاء سازنده اش یعنی رویکردهای پیتسبورگ و میشیگان توانـایی عملکـرد بهتری دارد .[۴]

ایجاد قواعد پایه فازی اولیه

قواعد پایه فـازی معمـولاً بـا اسـتفاده از دانـش افـراد خبـره سـاخته می شوند که حیطه ای را که سیستم برای آن طراحی می شود را خیلی خوب می شناسـند. هرچنـد، بـه دسـت آوردن دانـش از کارشناسـان طاقت فرسا و گران قیمت است یا هنگام طراحی سیستم پیچیده ای که در آن مقدار اطلاعات مورد نیاز خیلـی زیـاد اسـت خطـا در آن زیـاد می شود. برای فائق آمدن بر ایـن چـالش، روش هـای مختلفـی بـرای یادگیری خودکار قواعد فازی از داده ها پیشـنهاد شـده انـد.[۷][۶][۵]

برای ایجاد قواعد فازی از داده های عددی در این تحقیق، مـا از روش

پیشـنهاد شـده توسـط ایشـیبوچی و همکـاران [۸] بـرای مشـکلات طبقهبندی استفاده میکنیم.

طراحی مجموعه فازی مرجع

برای مشکل طبقه بندی، نوزاکی و همکاران [۷] فرآیند ساخت قواعـد فازی از داده های آموزش را به دو مرحله تقسیم می کننـد. در مرحلـه اول یک فضای الگو به صورت نشان داده شده در شکل ۲، به فضاهای فرعی فازی تقسیمبندی میشود.

تقسیم بندی فضای الگو به فضاهای فازی به گونه ای انجـام می شود که باعث ایجاد بخش های فـازی خیلـی کـم یـا خیلـی زیـاد نمی شود. تقسیم بندی خیلی ظریـف (دقیـق) و خیلـی ضـخیم (غیـر دقیق) یک فضای الگو نامطلوب است زیرا باعث عملکرد ضعیف مـدل می شود. اگر تقسیم بندی خیلی ظریف باشد، مدل بـه خـاطر کمبـود داده های آموزشی، قواعد را برای بعضی از بخش ها ایجاد نمی کند. اگر بخش خیلی ضخیم است، پس مدل چند قاعده را ایجاد می کنـد کـه خیلی کلی هستند و باعث عملکرد ضعیف مدل میشوند.

شکل :۲ تقسیمبندی فازی فضای الگوی دو بعدی [۹]

در شکل ۲، مـا مجموعـه هـای فـازی ۵×۵ داریـم کـه ۲۵

بخش فازی در فضاهای دو بعـدی دارنـد. بـالانویس K، در مجموعـه فازی مرجع AiK حداکثر تعداد فضای فرعی را در هر محـور نشـان میدهد و i بخش فعلی را در محور معین نشان میدهد.