CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۴۰ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: CSIV03_008
زبان مقاله: فارسی
حجم فایل: ۴۲۰.۹۳ کیلوبایت (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۶ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق

  عبدالله خلیلی - استادیار، هسته پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس،
  مصطفی محمدپورفرد - دانشجوی دکترا، بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز، شیراز،
  شهرام گلزاری - استادیار، هسته پژوهشی یادگیری عمیق، دانشگاه هرمزگان، بندرعباس،
    احمد احمدی - استادیار، گروه ریاضی، دانشگاه هرمزگان، بندرعباس، ریاست مرکز آپای دانشگاه هرمزگان

چکیده مقاله:

کشف حملات تزریق داده نادرست ( False Data Injection یا FDI )، یکی از مسایل چالش برانگیز در شبکه های برق ( Power Grids ) به شمار می رود. در سال های اخیر، از الگوریتم های طبقه بندی بدین منظور استفاده شده است. مشکل روش های طبقه بندی این است که بعضی از وضعیت های نرمال، بسیار مشابه وضعیت های حمله است. در نتیجه، دقت الگوریتم طبقه بندی پایین بوده و حملات کشف نمی گردند. در چند سال اخیر، از یادگیری عمیق ( Deep Learning ) برای مدلسازی روابط غیرخطی پیچیده و افزایش دقت در مسایل مختلف استفاده شده است. برای افزایش دقت الگوریتم های طبقه بندی در کشف حمله FDI ، برای اولین بار در این مقاله، از شبکه عصبی عمیق ( Deep Neural Network یا DNN ) استفاده شده است. برای این کار، پس از آماده سازی مجموعه داده ( با N ویژگی)، ابتدا با استفاده از DNN ، ارزشی به هر نمونه اعطا می گردد. این ارزش به عنوان یک ویژگی ( Feature ) به مجموعه داده اضافه شده و مجموعه داده با N+1 ویژگی آماده می شود. سپس الگوریتم طبقه بندی مورد نظر به جای آموزش بر روی مجموعه داده اصلی، بر روی مجموعه داده افزوده آموزش داده و تست می گردد. نتایج تست روش پیشنهادی نشان می دهند که با افزایش ویژگی به دست آمده از DNN ، دقت الگوریتم های طبقه بندی در کشف حملات FDI افزایش می یابد.

کلیدواژه‌ها:

شبکه برق، امنیت، کشف حمله، حمله تزریق داده نادرست، یادگیری عمیق، شبکه عصبی عمیق

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CSIV03-CSIV03_008.html
کد COI مقاله: CSIV03_008

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
خلیلی, عبدالله؛ مصطفی محمدپورفرد؛ شهرام گلزاری و احمد احمدی، ۱۳۹۶، افزایش دقت الگوریتم های طبقه بندی در کشف حملات تزریق داده نادرست به شبکه های برق با استفاده از یادگیری عمیق، سومین کنفرانس حوادث و آسیب پذیری های امنیت فضای تبادل اطلاعات، زاهدان، دانشگاه سیستان و بلوچستان -دانشگاه فردوسی مشهد (آزمایشگاه تخصصی آپا)، https://www.civilica.com/Paper-CSIV03-CSIV03_008.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (خلیلی, عبدالله؛ مصطفی محمدپورفرد؛ شهرام گلزاری و احمد احمدی، ۱۳۹۶)
برای بار دوم به بعد: (خلیلی؛ محمدپورفرد؛ گلزاری و احمدی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۲۱۱۱
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.