رمز، علم حفاظت اطلاعات محرمانه در هنگام ذخیره یا انتقال داده ها تحت شرایط ناامن می باشد. علم رمز از دو شاخه اساسی تشکیل شده است، در شاخه ایی که رمزنگاری نامیده می شود سعی برآن است که روش ها و الگوریتم های جدیدی برای به رمز درآوردن داده ها به وجود آید، در شاخه ای دیگر به تحلیل و بررسی الگوریتم های رمزنگاری پرداخته می شود تا نقاط ضعف الگوریتم های موجود شناسایی و برطرف شوند. در سال های اخیر با گسترش علم هوش مصنوعی و ظهور الگوریتم های هوشمند دوره ی جدیدی در تمام علوم آغاز شده است وکم کم الگوریتم های هوشمند در حال گسترش در تمام علوم می باشند. در این پایان نامه سعی شده است با استفاده از الگوریتم های هوشمند به تحلیل الگوریتم های رمزنگاری پرداخت شود. در ابتدا به تحلیل و بررسی روش های موجود برای تحلیل الگوریتم کلاسیک جانشینی پرداخته و در ادامه روش جدیدی برای ارزیابی در فرآیندهای تحلیلی ارائه شده که باعث افزایش کارایی در حد 70 درصد شده است و زمان تحلیل را به صورت چشم گیرکاهش داده است. همچنین در جهت افزایش کارایی از الگوریتم های چند هدفه استفاده به عمل آمده است . در ادامه الگوریتم های احتمالی مورد تحلیل و بررسی قرار گرفته اند، الگوریتم هایی که متن رمز ایجاد شده توسط آن ها به ازای یک متن اولیه واحد در اجراهای مختلف متفاوت می باشد. سپس به تحلیل یکی از الگوریتم های احتمالی نوظهور به نام mrvlk پرداخته شده و نقاط ضعف الگوریتم مذکور مورد تحلیل قرارگرفته اند. در این راستا و با توجه به اهمیت الگوریتم های احتمالی سعی شده است الگوریتمی جدیدی در این حوزه ارائه گردد که علاوه بر منطق احتمال، دارای قابلیت های خوبی از لحاظ امنیتی و سرعت می باشد .

در روش های سنتی طبقه بندی داده ها، تمرکز بر روی داده های برچسب دار بوده است. اما در بسیاری از کاربردها، برچسب گذاری همراه با هزینه زیاد، زمانبر و نیازمند حضور خبرگان خواهد بود. در این کاربردها معمولا در کنار تعداد کم داده های برچسب دار، تعداد بسیار زیادی داده ی بدون برچسب وجود دارد. روش های نیمه نظارتی تعداد زیادی از داده های بدون برچسب را برای بهبود طبقه بندی استفاده می کنند. اغلب الگوریتم های یادگیری ماشین برای انجام طبقه بندی، نیازمند تعداد زیادی از داده های آموزشی هستند. بنابراین زمانی که این الگوریتم ها برای طبقه بندی نیمه نظارتی اعمال می شوند، طبقه بند نمی تواند به درستی داده های جدید را طبقه بندی کند.. در این پایان نامه، از تئوری مجموعه فازی و ناهموار به منظور انجام طبقه بندی نیمه نظارتی استفاده شده است که دلیل این امر، موفقیت آن ها در زمینه یادگیری بانظارت است. در این پایان نامه سه روش برای بهبود طبقه بندی نیمه نظارتی پیشنهاد می دهیم. در روش اول با استفاده از میانگین درجه عضویت نمونه ها در تقریب های پایین و بالای فازی-ناهموارِ هر یک از کلاس های تصمیم، عمل طبقه بندی نمونه انجام می گیرد و روش دوم و سوم با استفاده از مفاهیم موجود در تئوری فازی-ناهموار و رابطه تشابه فازی، برای هر یک از همسایگان نمونه ی بدون برچسب، وزنی را در نظر می گیرند و با استفاده از مجموع وزن همسایه ها طبقه بندی نمونه را انجام می دهند. روش پیشنهادی سوم، جزو روش های مشهور یادگیری خودفراگیر است. نتایج حاصل از اعمال سه روش پیشنهادی، نشان دهنده ی برتری آنها نسبت به روش های مقایسه شونده است. با توجه به نتایج تست های آماری، در میان این سه روش،روش پیشنهادی سوم کارایی بهتری به نسبت دو روش دیگر دارد.

یک دسته بند مبتنی بر یادگیری جمعی، شامل مجموعه ای از دسته بندها است که بر روی داده های آموزشی، آموزش داده شده اند. در این پایان نامه، دو روش جدید جهت بهبود کارایی دسته بند جمعی مبتنی بر خوشه بندی، ارائه شده است. علاوه بر آن، روش سومی که از زیرمجموعه های مختلف از ویژگی ها جهت آموزش دسته بندها استفاده می کند، ارائه شده است. همچنین برای محاسبه تنوع در بین دسته بندهای یک یادگیر جمعی، چند معیار تنوع فازی، ارائه شده است. در دو روش پیشنهادی اول، با تعریف خوشه های فازی-شده بهینه، سعی شده است که با در نظر گرفتن همپوشانی مناسب برای مرز خوشه ها، کارایی دستهبندی را افزایش داد. در این دو روش، متناظر با هر خوشه فازی، یک دسته بند آموزش داده می شود و در نهایت دسته بندهای آموزش داده شده، با استفاده از روش رأی اکثریت وزن دار، ترکیب می شوند. این دو روش، جهت تنظیم پارامترهای مدل های ارائه شده، از الگوریتم های بهینه سازی تکاملی، استفاده می کنند. در روش پیشنهادی سوم، به منظور تقسیم کردن فضای ویژگی ها و ایجاد زیرمجموعه های آموزشی، از مفهوم درجه وابستگی استفاده می شود. نتایج آزمایش ها نشان می دهد که روش های پیشنهادی اول و دوم با در نظر گرفتن همپوشانی مناسب برای زیرمجموعههای آموزشی ایجاد شده، در مقایسه با سایر روش های مبتنی بر خوشه بندی، از نظر دقت دسته بندی عملکرد بهتری دارند.

چکیده: یکی از مهمترین مباحثی که در بحث مدیریت امنیت اطلاعات در سازمان ها مطرح است بحث مدیریت امنیت دارایی های اطلاعاتی می باشد .هدف مدیریت امنیت اطلاعات در یک سازمان، حفظ سرمایه های (نرم افزاری، سخت افزاری، اطلاعاتی، ارتباطی، و نیروی انسانی) سازمان در مقابل هر گونه تهدید (اعم از دسترسی غیر مجاز به اطلاعات، خطرات ناشی از محیط و سامانه ، و خطرات ایجاد شده از سوی کاربران) است و برای رسیدن به این هدف، نیاز به یک برنامه منسجم دارد. بر این اساس،هدف اصلی حاضر ارائه یک مدل برای بهبود مدیریت امنیت دارایی های اطلاعاتی سازمان در سیستم مدیریت امنیت اطلاعاتی ادارات دولتی شهر کرمان، بوده است. روش تحقیق حاضر روش توصیفی- پیمایشی بوده، جامعه ی آماری این تحقیق شامل کلیه کارکنان حوزه فناوری اطلاعات، حراست، بازرسی و مدیریت ادارات دولتی شهر کرمان به تعداد 1915 نفر می باشند. حجم نمونه با استفاده از فرمول کوکران 322 بوده و روش نمونه گیری تصادفی طبقه ای بوده است. ابزار جمع آوری داده ها شامل یک پرسشنامه محقق ساخته می باشد، این پرسشنامه داری 90 سوال 5 گزینه ای به طیف لیکرت بوده است. روایی محتوایی و صوری این پرسشنامه با 82/0 و پایایی ضریب آلفای کرونباخ 97/0 بدست آمد. برای تجزیه و تحلیل داده ها از آماره های توصیفی (جدول و نمودار آماری) و آماره های استنباطی (آزمون t تک نمونه ای) و مدل معادلات ساختاری با نرم افزارهای spss20 و amos18 استفاده شده است. یافته های پژوهش حاکی از آن است که 19 عامل ایجاد ساختار سازمانی،تدوین خط مشی و سیاستهای امنیت اطلاعات، حمایت مدیریت ارشد، مدیریت صحیح دارایی ها، شناسایی و اولویت بندی و هماهنگی دارایی ها،آموزش و اطلاع رسانی برای کابران اطلاعاتی سازمان، ارزیابی درست ارزش اطلاعات، مدیریت ریسک امنیت اطلاعات، رمزگذاری اطلاعات و استفاده از امضاء دیجیتال، استفاده مستمر از تستهای نفوذ پذیری، بازرسی مرتب از تجهیزات سیستم های اطلاعاتی، توجه به فرهنگ سازی امنیت اطلاعاتی در بین کاربران ،انطباق روش استقرار امنیت اطلاعات با فرهنگ سازمانی، تبعیت از استاندارد های بین المللی امنیت اطلاعات، استفاده از خدمات مشاورین خارجی، ایجاد انگیزه و خود باوری در کارکنان سازمان جهت توجه به امنیت اطلاعات، تعهد مدیریت و تعیین مسئولیتها، تهیه لیست دارایی ها و ارزشگذاری دارایی ها باعث بهبود امنیت دارایی های اطلاعاتی می شود.

سیستم های رابط مغز-رایانه (bci) به عنوان ابزاری جهت ایجاد ارتباط مستقیم بین مغز و دنیای خارج شناخته می شوند. برای دستیابی به چنین ارتباطی، یک سیستم bci باید قادر به تبدیل سیگنال های مغزی به دستورات کنترلی باشد. اگر سیستم bci به عنوان یک سیستم شناسایی الگو در نظر گرفته شود، مهمترین مسئله در چنین سیستمی شامل استخراج ویژگی و طبقه بندی سیگنال های مغزی خواهد بود. کارایی یک سیستم شناسایی الگو، وابستگی زیادی به ویژگی های استخراج شده و همچنین قدرت تعمیم الگوریتم طبقه بندی مورد استفاده دارد. یکی از روش های دستیابی به طبقه بندی دقیق و قدرتمند، تنظیم پارامترهای طبقه بندها می باشد. بر همین اساس با استفاده از روش پیشنهادی اول در این تحقیق، میزان تأثیرگذاری تنظیم پارامترهای طبقه بند در خروجی یک سیستم bci مورد آزمایش قرار گرفته است؛ بدین منظور با استفاده از یک الگوریتم فرا-اکتشافی کارا (r3pso)، که از خانواده ی الگوریتم های بهینه سازی ازدحام ذرات می باشد، به تنظیم پارامترهای طبقه بندها پرداخته شده است. برای ارزیابی روش های پیشنهادی در این تحقیق، از دیتاست هایی از نوع تصورات حرکتی استفاده شده است؛ این دیتاست ها توسط گروه graz برای مسابقات جهانی bci تدارک دیده شده اند. نتایج آزمایش ها نشان داد که روش پیشنهادی اول کارایی مطلوبی دارد، به طوری که طبقه بند های تنظیم شده با آن توانستند نتایجی برتر از نتایج برندگان مسابقات bci و نتایج دیگر مطالعات انجام شده بر روی دیتاست های مذکور، داشته باشند. در آزمایش های بعدی این تحقیق، با استفاده از یک روش پیشنهادی مبتنی بر معیار gain-ratio به ارزیابی ویژگی های استخراج شده از سیگنال های خام eeg دیتاست های مذکور پرداخته شد. همچنین در گروه دیگری از آزمایش ها، با استفاده از دو روش انتخاب ویژگی از نوع فیلتر و رپر، ویژگی های برتر انتخاب شده و مورد تحلیل قرار گرفتند.

با افزایش حجم اطلاعات متنی، کاوش داده های متنی اهمیت پیدا کرده است. همچنین از آن جا که منابع متنی فارسی نیز حجم زیادی را دربر گرفته اند نیاز به کاوش متون فارسی نیز بسیار احساس شده است. اصطلاح متن کاوی به معنای تحلیل حجم عظیمی از متون به زبان طبیعی است که الگوهای زبانی یا لغوی متون را تشخیص می دهد تا اطلاعات مفید احتمالی آن را استخراج کند. یکی از قدیمی ترین و سخت ترین مسائل در هوش مصنوعی، پردازش زبان طبیعی است تا کامپیوتر هم مانند انسان قادر به تحلیل زبان طبیعی باشد.در این تحقیق، داده های متنی غزلیات مولانا هستند که دسته بندی شده اند و براساس این دسته بندی و با استخراج کلمات به عنوان ویژگی، قوانینی استخراج می شوند. این قوانین ما را در پی بردن به مفاهیم عمیق غزلیات یاری خواهند کرد. برای استخراج ویژگی ها از متدهای متن کاوی و الگوریتم های داده کاوی استفاده شده است. به طور کلی در میان روش ها و تکنیک های متن کاوی و با توجه به قوانین استخراجی از این تکنیک ها و با استفاده از سیستم استنتاج فازی، ماشینی ایجاد می شود که قادر به دسته بندی غزلیات فارسی می باشد. در بخش های آخر دو روش برای خوشه بندی ارائه شده است که نسبت به الگوریتم خوشه بندی k-means دارای برتری هایی می باشند. این روش ها برای خوشه بندی غزلیات نیز به کار گرفته شدند.

امروزه، پیشرفت درزمینه? مدارهای الکترونیک، باعث توجه دوباره به شبکه های عصبی مصنوعی با رویکردی جدید در یادگیری ماشین شده است. ارائه مدل هایی بر اساس عملکرد مغز پستانداران برای تشخیص الگوهای صدا و تصویر، دارای اهمیت بسیار بالایی شده است به همین منظور مدل های شبکه عصبی کانولوشنال ، با الهام گرفتن از سیستم بینایی مغز پستانداران ارائه شده اند. این شبکه ها عملکرد بسیار بالایی در تشخیص سریع الگو از خود نشان داده و ازنظر فنی، بسیار پیشرفته اند. به نظر می رسد در آینده این شبکه ها توسعه بیشتری یابند و در زمینه? معنا و تصمیم گیری در هوش مصنوعی جهت ساخت ربات های پیشرفته، استفاده شوند. در این پژوهش، آموزش شبکه عصبی کانولوشنال لِسان-5 با استفاده از فیلترهای تحلیل مولفه های غیر وابسته توپوگرافی و الگوریتم وراثتی مرتب سازی مغلوب نشده ها انجام شده است. با استفاده از الگوریتم های اکتشافی و بهبود روش ها و پارامترهای آن ها در دو مرحله ی پیش آموزش و میزان سازی خوب روی داده های اعداد دست نویس، تلاش برای پیدا کردن وزن های بهینه شبکه مذکور، محقق شده است. نتایج نشان می دهد که آموزش شبکه لِسان-5 با استفاده از الگوریتم وراثتی مرتب سازی مغلوب نشده ها و فیلترهای تحلیل مولفه های غیر وابسته توپوگرافی، منجر به پیدا شدن مجموعه ای از اوزان بهینه با دقت بالا در تشخیص الگو برای ساختار شبکه عصبی لِسان-5 می شود.

در دنیای امروز مسئله کلاس بندی داده های نا متوازن از اهمیت خاصی برخوردار است . کلاس بندی این داده ها به گونه ای است که ، کلاسی که از نظر دامنه کاربرد اهمیت زیادی دارد (کلاس اقلیت ) شامل تعداد حالات کمتری نسبت به کلاسی است که از اهمیت خاصی برخوردار نیست (کلاس اکثریت). به این مجموعه داده ها داده های نامتوازن می گویند. روش های مختلفی برای کلاس بندی این نوع داده ها ارائه شده است .در کلاس بندی این داده ها می کوشیم تا تعداد حالات کلاس اقلیت را نسبت به کلاس اکثریت افزایش دهیم .در این تحقیق به بررسی رویکرد های مختلف برای بهبود مسئله دسته بندی داده های نامتوازن با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. برای بهبود این مسئله به بررسی سه رویکرد اساسی در سطح داده ها ، الگوریتم ها و هزینه ها(ترکیب سطح داده ها و الگوریتم ها) پرداخته شده است. در این سه سطح از الگوریتم های تکاملی ، یادگیری ماشین و نمونه برداری و... استفاده شده و همچنین در این تحقیق یک روش جدید نمونه برداری برپایه الگوریتم رقابت استعماری و الگوریتم افزایش نمونه ها توسط نمونه های مصنوعی پیشنهاد گردیده است. در روش پیشنهادی از الگوریتم smote و الگوریتم رقابت استعماری برای نمونه برداری در دو سطح داده ها و الگوریتم ها استفاده شده است. به نوعی ترکیبی از دو سطح می باشد .این روش بر روی ده مجموعه داده پیاده سازی گردیده است . نتایج نشان می دهد که روش پیشنهادی با استفاده از الگوریتم های کلاس بندی درخت تصمیم و شبکه عصبی می تواند یک رویکرد مفید و موثر در حل مشکل دسته بندی داده های نامتوازن باشد . به نوعی خطای دسته بندی کلاس اقلیت را کاهش می دهند و دسته بندی آنها با دقت بالاتری انجام می شود.

انتخاب ویژگی تمرکز بسیاری از حوزه¬های تحقیقاتی در سال¬های اخیر را به خود جلب کرده است. با پیشرفت سریع فنّاوری کامپیوتری، پایگاه¬ داده¬هایی با صدها و هزاران ویژگی در شناسایی الگو، داده کاوی، یادگیری ماشین و… به وجود آمده است. به¬طوری¬که پردازش مجموعه داده¬های بزرگ، یک کار چالش برانگیز شده است. انتخاب ویژگی این مشکل را با از بین بردن داده¬های بی¬ربط، زائد یا نویزی حل می¬کند. این عمل کارایی الگوریتم یادگیری را بهبود می¬بخشد و هزینه-های محاسباتی را کاهش می¬دهد. در این پایان نامه با توجه به ضرورت پردازش مجموعه داده های بزرگ، از الگوریتم ممتیک برای حل این مشکل استفاده شده است. الگوریتم ممتیک با ترکیب دو روش جستجوی سراسری و محلی موجب همگرایی و کاوش بهتر الگوریتم در محیط می شود. همچنین الگوریتم های یادگیری تقویتی از طریق تعامل مداوم با محیط برای حل مسائل بهینه سازی استفاده می شوند؛ که در مسئله انتخاب ویژگی می توانند در یافتن بهینه ترین زیرمجموعه ممکن مؤثر باشند. بر همین اساس، سه روش پیشنهادی مبتنی بر الگوریتم ممتیک و الگوریتم های یادگیری تقویتی ارائه شده است که در روش اول از یک الگوریتم ممتیک مبتنی بر pso-svm به همراه دو روش جستجوی محلی استفاده شده است که به¬طور همزمان زیرمجموعه ویژگی بهینه را انتخاب و پارامترهای svm را تنظیم می¬کند. در روش دوم، یک الگوریتم ممتیک خود تطبیق مبتنی بر عدم قطعیت متقارن ارائه شده است که از چهار روش گسسته سازی مختلف استفاده می کند. همچنین در این الگوریتم یک روش پیش پردازش جدید معرفی شده است که ویژگی های مرتبط با کلاس خروجی را انتخاب می کند و باعث سریع تر شدن و بهبود دقت طبقه بندی در داده های با ابعاد بالا می شود. در روش پیشنهادی سوم نیز یک الگوریتم جستجوی محلی مبتنی بر یادگیری تقویتی باهدف بهینه سازی و اصلاح ویژگی های هر یک از ذرات ارائه شده است. نتایج عددی و تحلیل های آماری نشان دهنده کارایی روش های مزبور در مقایسه با نسخه¬های دیگر بر روی دو معیار دقت طبقه بندی و تعداد ویژگی انتخابی در مجموعه داده¬های با ابعاد معمولی و ابعاد بالا است.

در اینترنت اشیا، ارتباط برقرار کردن بین اشیا به تنهایی کافی نیست، بلکه اشیا باید توانایی آموختن و درک محیط اطرافشان را نیز داشته باشند. یکی از مهم ترین ابزارهای کسب اطلاعات و درک محیط اطراف، فناوری شبکه های حسگر بی سیم است، که امروزه تحقیقات گسترده ای را به خود معطوف نموده است. این فناوری یکی از مهم ترین فناوری های اینترنت اشیاست که با وجود پیشرفت های صورت گرفته هنوز هم هزینه ی مصرفی بالایی دارد. بنابراین مهم ترین مساله در این تحقیق، بهبود روش های پیشنهادی در جهت افزایش کیفیت اطلاعات و افزایش دقت پیش بینی اطلاعات می باشد، تا در این راستا روش های پیشنهادی بتوانند تاثیر مثبتی بر کاهش هزینه ی شبکه های حسگر بی سیم نیز داشته باشند. بدین منظور، در این تحقیق پنج روش پیشنهادی همجوشی و یک روش داده کاوی اطلاعات، با کاهش نمونه های غیرضروری و توانایی پیش بینی اطلاعات یکسری از گره ها، کیفیت همجوشی و دقت پیش بینی اطلاعات را افزایش می دهند؛ هم چنین ارتباطات غیرضروری را برای ارسال داده های تکراری و نویزی به حداقل می رسانند و با غیرفعال نگه داشتن یکسری از گره های حسگر، در کاهش هزینه ی شبکه های حسگر نیز تاثیر مثبتی دارند. در این پنج روش پیشنهادی همجوشی اطلاعات، جهت حذف نمونه های نویزی و تکراری پیش پردازش اطلاعات انجام می شود. سپس با استفاده از روش های کاهش ابعاد داده ها، موثرترین ویژگی ها شناسایی می شوند. آنگاه توسط روش های دسته بندی به آموزش و پیش بینی داده های جدید پرداخته می شود. روش پیشنهادی داده کاوی نیز با خوشه بندی اطلاعات گره ها، اطلاعات دقیقی را از بین اطلاعات انبوه گره های حسگر کسب می کند؛ هم چنین با الگوریتم c&r tree، اطلاعات یکسری از گره ها را توسط سایر گره ها پیش بینی می نماید و نقش موثری را در بهبود دقت پیش بینی اطلاعات ایفا می کند. در بخش نتایج نیز براساس چهار پارامتر معرفی شده نتایجی به دست می آید، که این نتایج بر مبنای مجموعه داده های معتبر می باشد و حاکی از تاثیر گذار بودن این روش های پیشنهادی در بهبود کیفیت همجوشی اطلاعات و افزایش دقت پیش بینی اطلاعات دارد.

ردیابی اشیاء متحرک با استفاده از دوربین، مقوله ای بسیار چالش برانگیز و پیچیده در علم بینایی ماشین است. الگوریتم ها و رهیافت های بسیاری که هرکدام برای محیط و سخت افزار خاصی طراحی شده اند برای این امر موجود می باشند. الگوریتمی که در اینجا ارائه می دهیم اشیاء را بر اساس تکنیک حذف پس زمینه و تقسیم تصویر به بلاک ها تشخیص می دهد. در الگوریتم پیشنهادی سعی شده است تا با پارامترهای گوناگون از تشخیص اشتباه نویز و سایه به عنوان شی ء جلوگیری شود. همچنین با استفاده از سرعت و جهت حرکت اشیاء در فریم های قبلی، احتمال ظهور شیء در فریم بعدی در شعاع مربوطه بررسی می شود. سپس با سنجیدن شباهت ویژگی های متفاوت اشیاء در دو فریم، آن ها را به هم انتساب می دهیم. همچنین یک الگوریتم دیگر بر پایه حوزه مکانی برای پیدا کردن هم پوشانی ، ورود و خروج اشیاء معرفی می کنیم که باوجود محاسبات اندک نتایج قابل قبولی ارائه می دهد. با توجه به کاربرد ویژگی رنگ در این الگوریتم و تذکر این نکته که تکنیک حذف پس زمینه معمولاً در دوربین های ثابت بکار می رود این روش برای دوربین های ثابت رنگی طراحی شده است. بررسی توابع شایستگی متفاوت در الگوریتم تکاملی بهینه سازی ازدحام ذرات که برای تصحیح اوزان ویژگی های اشیاء بکار می بریم بخشی دیگر از فعالیت ما در این پایان نامه را تشکیل می دهد. ارائه یک ایده ابتکاری و جدید برای تنظیم وزن ویژگی ها به صورت هوشمند که از ابزار آماری همبستگی بهره می برد از نکات برجسته این نوشتار است. وزن هوشمند با استفاده از سه عامل گستردگی، یکنواختی و پایداری مقادیر هر ویژگی در اشیاء تصویر، وزنی مناسب برای آن ویژگی در نظر می گیرد. وزن هوشمند در چند هزارم ثانیه محاسبه می شود و تا 80 درصد خطای ردیابی را کاهش می دهد.