صنعتحملریليِ بار در ایران با چالش هایي روبروستکه عملکرد آنرا تحت تاثیرقرار داده است؛ به گونهايکه هر سال سهم بیشتري از حمل بار به نفعِ حملِ جاده اياز دست ميرود. یکي از راهکارهاي مدیریت این چالش ها در سایرکشورها، پیاده- سازيِ اینترنت اشیاء استکهدر ایران تاکنونکاربردهاي مح چکیده کامل
صنعتحملریليِ بار در ایران با چالش هایي روبروستکه عملکرد آنرا تحت تاثیرقرار داده است؛ به گونهايکه هر سال سهم بیشتري از حمل بار به نفعِ حملِ جاده اياز دست ميرود. یکي از راهکارهاي مدیریت این چالش ها در سایرکشورها، پیاده- سازيِ اینترنت اشیاء استکهدر ایران تاکنونکاربردهاي محدوديداشته و پژوهشينیز درباره اثراتپیادهسازي این فناوري بر عملکرد حمل ریلي بار درکشور یافت نشد. در پژوهش حاضر پس از مرور مباني نظري و پیشینهو روش تحقیق، مولفههاي مرتبط،شناسایيو دسته بندي و تناسب آنها برايسنجش اثر پیاده سازي اینترنت اشیاء بررسيو نتایج در قالبکارت امتیازي- متوازن مدلسازي شده است. جهتگردآوري دانشخبرگان از روشدلفيو براي انتخاب نمونهايمتشکل از بیست نفر از - تکنیکگلوله برفياستفاده شد. در تحلیلیافتهها از آزمونهاي دامنهبین چارکي، دوجمله اي، میانگین و سایرآزمون هاي متداول ستفاده شد. مولفههاي شناسائي شده به درجات متفاوت، بر ابعاد مختلفکارت امتیازي متوازن اثرگذارند.کمترین میزان اثرگذاري اینترنت اشیاء بهبعدِ ماليو بیشترین میزان آن به بعدِ فرایندهايارزشآفریناختصاص دارند. همچنین اثرگذاريِ اینترنت اشیاء بر مولفه هاي بهبود فرایندها، سیاست گذاريو رقابتپذیري از بالاترین اجماع خبرگان و اثرگذاريِ آنبر مولفه هاي نیرويانسانيو مخاطرات فني ازکمترین اجماعخبرگانبرخوردار هستند.نتایجپژوهشدر برنامهریزي استراتژیکصنعت حملریلي بار با به کارگیريعمليدستاوردهاي فناوري اطلاعات قابل استفاده است.
پرونده مقاله
با توجه به گسترش روز افزون استفاده از سامانههای اینترنتاشیاء صنعتی یکی از پرکابردترین مکانیزمهای امنیتی، سیستمهای تشخیص نفوذ در اینترنتاشیاء صنعتی میباشد. در این سیستمها از تکنیکهای یادگیری عمیق بهطور فزآیندهای برای شناسایی حملات، ناهنجاریها یا نفوذ استفاده م چکیده کامل
با توجه به گسترش روز افزون استفاده از سامانههای اینترنتاشیاء صنعتی یکی از پرکابردترین مکانیزمهای امنیتی، سیستمهای تشخیص نفوذ در اینترنتاشیاء صنعتی میباشد. در این سیستمها از تکنیکهای یادگیری عمیق بهطور فزآیندهای برای شناسایی حملات، ناهنجاریها یا نفوذ استفاده میشود. در یادگیری عمیق مهمترین چالش برای آموزش شبکههای عصبی، تعیین فراپارامترهای اولیه در این شبکهها است. ما برای غلبه بر این چالش، به ارائهی رویکردی ترکیبی برای خودکارسازی تنظیم فراپارامتر در معماری یادگیری عمیق با حذف عامل انسانی پرداختهایم. در این مقاله یک سیستم تشخیص نفوذ در اینترنتاشیاء صنعتی مبتنی بر شبکههای عصبی کانولوشن (CNN) و شبکه عصبی بازگشتی مبتنی بر حافظه کوتاه مدت (LSTM) با استفاده از الگوریتمهای فراابتکاری بهینهسازی ازدحام ذرات (PSO) و وال (WOA) ارائه شده است. این سیستم یک روش ترکیبی براساس شبکههای عصبی و الگوریتمهای فراابتکاری برای بهبود عملکرد شبکه عصبی در راستای افزایش نرخ تشخیص و کاهش زمان آموزش شبکههای عصبی میباشد. در روش ما با درنظر گرفتن الگوریتم PSO-WOA، فراپارامترهای شبکه عصبی بدون دخالت عامل انسانی و بهصورت خودکار تعیین شده است. در این مقاله از مجموعهدادهی UNSW-NB15 برای آموزش و آزمایش استفاده شده است. در این پژوهش، الگوریتم PSO-WOA با محدود کردن فضای جستجو، فراپارامترهای شبکه عصبی را بهینه کرده و شبکه عصبی CNN-LSTM با فراپارامترهای تعیین شده آموزش دیده است. نتایج پیادهسازی حکایت از آن دارد که علاوه بر خودکارسازیِ تعیین فراپارامترهای شبکهی عصبی، نرخ تشخیص روش ما 98.5 درصد بوده که در مقایسه با روشهای دیگر بهبود مناسبی داشته است.
پرونده مقاله