رمز نگاری بصری روشی است که از ویژگیهای دید انسان استفاده مینماید و به دانش رمزنگاری و محاسبات پیچیده نیاز ندارد و پیادهسازی آن ساده است. مدلکاهشی، مدلی است که در آن، رنگها با استفاده از ترکیبی از پرتوهای منعکس شده از اجسام نمایش داده میشوند، با مخلوط فیروزهای،سر چکیده کامل
رمز نگاری بصری روشی است که از ویژگیهای دید انسان استفاده مینماید و به دانش رمزنگاری و محاسبات پیچیده نیاز ندارد و پیادهسازی آن ساده است. مدلکاهشی، مدلی است که در آن، رنگها با استفاده از ترکیبی از پرتوهای منعکس شده از اجسام نمایش داده میشوند، با مخلوط فیروزهای،سرخابی و زرد طیف گستردهای از رنگها ایجاد میشود. واقعیت آن است که باوجود معرفی روشها و الگوریتمهای گوناگون در زمینة رمزنگاری، این روشها همچنان نتواستهاند تا حدّ قابل قبولی رضایت کاربران را از امنیت سیستمها فراهم آورند. . این مقاله بر آن است که در عین مرور روشهای گوناگون رمزنگاری بصری، روشهای رمزنگاری بصری پیشنهادی خود را برای تصاویر رنگی ارائه نماید که تصویر رنگی را بعد از تبدیل به تصاویر هالفتون بر اساس رمزنگاری بصری سیاه و سفید به بخشهایی تقسیم مینماید و قوانین آن طبق مدلکاهشی رنگها است.
پرونده مقاله
در سالهای اخیر، با پیشرفت الکترونیک خودرو و توسعه وسایل نقلیه مدرن با کمک سیستم های نهفته و تجهیزات قابل حمل، شبکه های درون-خودرویی مانند شبکه ناحیه کنترل کننده (CAN) با مخاطرات امنیتی جدیدی مواجه شدهاند. از آنجا که گذرگاه CAN فاقد سیستم های امنیتی مانند تایید اعتبا چکیده کامل
در سالهای اخیر، با پیشرفت الکترونیک خودرو و توسعه وسایل نقلیه مدرن با کمک سیستم های نهفته و تجهیزات قابل حمل، شبکه های درون-خودرویی مانند شبکه ناحیه کنترل کننده (CAN) با مخاطرات امنیتی جدیدی مواجه شدهاند. از آنجا که گذرگاه CAN فاقد سیستم های امنیتی مانند تایید اعتبار و رمزگذاری برای مقابله با حملات سایبری میباشد، نیاز به یک سیستم تشخیص نفوذ برای شناسایی حملات به گذرگاه CAN بسیار ضرروی به نظر میرسد. در این مقاله، یک شبکه عصبی پیچیده متخاصم عمیق (DACNN) برای تشخیص انواع نفوذهای امنیتی در گذرگاههای CAN پیشنهاد شده است. به این منظور، روش DACNN که گسترش یافته روش CNN با استفاده از یادگیری خصمانه است، در سه مرحله به تشخیص نفوذ می پردازد؛ در مرحله نخست، CNN به عنوان توصیفگر ویژگی ها عمل نموده و ویژگیهای اصلی استخراج میشود و سپس، طبقه بندی کننده متمایزگر این ویژگیها را طبقهبندی می کند و در نهایت، به کمک یادگیری خصمانه نفوذ تشخیص داده میشود. جهت بررسی کارآمدی روش پیشنهادی، یک مجموعه داده منبع باز واقعی مورد استفاده قرار گرفت که ترافیک شبکه CAN را بر روی یک وسیله نقلیه واقعی در حین انجام حملات تزریق پیام ضبط نموده است. نتایج به دست آمده نشان میدهد که روش پیشنهادی نسبت به سایر روشهای یادگیری ماشین در نرخ منفی کاذب و میزان خطا عملکرد بهتری دارد که این میزان برای DoS و حمله جعل دنده محرک و حمله جعل RPM کمتر از 0.1 % می باشد و این میزان برای حمله فازی کمتر از 0.5% می باشد.
پرونده مقاله