توضیحات
تحلیل عملکرد الگوریتم مدل اعتماد پویا با استفاده از سیستم استنتاج فازی برای کنترل دسترسی
عنوان اصلی مقاله:
Performance analysis of the dynamic trust model algorithm using the fuzzy inference system for access control
شبیه سازی در محیط متلب 2020a انجام شده است.
شبیه سازی مشابه مقاله با سیستم فازی نوع 1 انجام شده و با سیستم فازی نوع 2 نیز شبیه سازی و مقایسه شده است.
دارای گزارش ورد 15 صفحه ای می باشد.
دارای پاورپوینت با فرمت ساده و 52 اسلایدی است.
دارای گزارش ویدیویی 10 دقیقه ای می باشد.
توضیحات پروژه ارائه الگوی مدل اعتماد پویا (DTMA) با استفاده از سیستم فازی
شبیه سازی مطابق مقاله با فازی نوع 1 انجام شده است و فازی نوع 2 آن نیز پیاده سازی و مقایسه صورت گرفته است.
چکیده
در این پروژه به ارائه الگوی مدل اعتماد پویا (DTMA) با استفاده از سیستم فازی نوع 2 پرداخته میشود. طبق مقاله پایه [1]، هدف از این پروژه یافتن رفتار ناپایدار یک کارمند در دوره های مختلف با استفاده از محاسبات ریاضی میباشد. این مدلسازی بر اساس چهار ورودی به نام عملکرد (P)، مشاهده مستقیم (DO)، اعتماد مورد انتظار (ET) و بازخورد (F) انجام میگیرد و هدف آن مدیریت رفتار تغییر عمدی کارکنان متخاصم، بر حسب محاسبه یک ارزش اعتماد پویا (TV) و در نتیجه، محدود نمودن اقدامات مضر آنها است. در مقاله پایه، این کار با استفاده از سیستم فازی نوع 1 انجام شده است ولی در این جا به منظور بهبود کار، از سیستم فازی نوع 2 استفاده میشود.
مقدمه
امروزه منطق فازی، کاربردهای فراوانی در همه زمینه ها پیدا کرده است و میتوان در مدلسازیها و ارائه الگوهای متفاوت از آن استفاده های فراوانی نمود. یکی از این زمینه ها ایجاد کنترل دسترسی برای منابع سازمان در یک محیط پویا به دلیل تغییر در رفتار انسانی و قابلیت اعتماد است که از اهمیت فراوانی برخوردار میباشد. دلیل این امر، سر و کار داشتن پرسنل یک سازمان با شرکتهای دیگر و احتمال سواستفاده از منابع میباشد.
سیستمهای فازی به این گونه عمل مینمایند که تعدادی ورودی را دریافت میکنند. سپس این ورودیها را به متغیرهای زبانی تبدیل نموده و پس از اعمال قوانین فازی بر روی آن ورودی های زبانی، آنها را تبدیل به یک خروجی مینمایند. برای این پروزه، پارامترهای مانند عملکرد (P)، مشاهده مستقیم (DO)، اعتماد مورد انتظار (ET)، و بازخورد (F) مرتبط با 100 داوطلب در 6 مقطع زمانی متفاوت جمعآوری شدهاند. عملکرد (P) دانش، مهارت و اثربخشی یک فرد را نشان می دهد. “DO” نظارت بر فعالیت های رفتاری، اثربخشی در کار و مجموعه مهارت های یک فرد است. “ET” بین اعتماد اخیر (Rt) و اعتماد تاریخی (Ht) محاسبه می شود. در نهایت، بازخورد (F) توسط دو پارامتر اضافی، مانند توصیه (Rec) و شهرت (Rep) محاسبه شده است. تعداد توصیه‌کنندگان «n» توصیه‌هایی در مورد یک شخص ارائه می‌کند و توصیه‌ها بر اساس وزن اعتماد آنها «w» طبقه‌بندی می‌شوند. 30 قانون فازی برای محاسبه ارزش اعتماد پویا (TV) یک فرد که خروجی سیستم میباشد، در مقاله پایه پیشنهاد شده است. متغیر TV پویا رفتار کارمند متخاصم را برای محدود کردن امتیاز دسترسی به منابع پیش بینی می کند. همچنین، به کارمندان قابل اعتماد اجازه داده می شود تا در مواقع بحرانی به منابع دسترسی داشته باشند تا تولیدات و سود کسب و کار را حفظ و به حداکثر برسانند.
سیستمهای فازی نوع 2، مزیتهایی را نسبت به سیستم های نوع 1 دارند. به طور خلاصه، دلایل ظهور فازي نوع 2 را میتوان در پنج قسمت بیان کرد: 1 . عدم توانایی توصیف ریاضی سیستم هـایی که مکانیزم تولید داده در آن به صورت متغیـر بـا زمـان اسـت ، مانند مخابرات سیار؛ 2 . عدم توانایی توصیف ریاضی انـدازه نویز غیر ثابت ماننـد نسـبت سـیگنال بـه نویز؛ 3 . عدم توانایی توصیف ریاضی ویژگیها در کاربردهـاي بازشناخت الگو که داراي خواص آماري غیر ثابت مـی باشـند، ماننــد طبقــه بنــدي قــانون پایــه تصــاویر ترافیــک ؛ 4 . دانــش به دست آمده از تعدادي فرد خُبـره بـه وسـیله سـوالاتی، حـاوي کلماتی که داراي عدم قطعیت هسـتند ؛ 5 . اسـتفاده از عبـارات زبانی که داراي دامنه غیر قابل اندازه گیري باشند. در این مقاله، به منظور بهبود کار انجام شده در پروژه پایه و به دلیل مزایایی که سیستم نوع 2 دارد، از این نوع سیستم در مدلسازی استفاده شده است.
توسعه سیستم فازی نوع 2 در سالهای اخیر در شکل 1 نمایش داده شده است.
شکل 1. توسعه سیستم نوع 2 فازی در سالهای اخیر
کارهای پیشینیان
در حال حاضر، کنترل دسترسی بر اساس مدل اعتماد در محاسبات فراگیر افزایش یافته است. داس و همکاران [2] یک اعتماد مطمئن از مدل محاسباتی پویا برای یافتن تغییر اعتماد در رفتار یک عامل مخرب پیشنهاد کرد و فقط به صورت عمومی ارائه شد. ژونگ و همکاران [3] یک مدل اعتماد پویا پیشنهاد کرد که اعتماد یکپارچگی را از اعتماد شایستگی برای یک کاربر ناپایدار متمایز می کند. با ارزیابی تغییرات رفتار متولی، یک ارزش اطمینان به امتیاز اعتماد اضافه می شود. هوگندورن و همکاران [4] یک اعتماد نسبی را برای پیش‌بینی رفتار مبتنی بر اعتماد انسانی تأیید کرد که نتایج بهتری نسبت به مدل معیار نشان میدهد. این مدل از نظر اعتماد و تجربه غیرخطی است و تجزیه و تحلیل آن دشوار است. قوي پور و همکاران [5] آزمایش‌هایی را بر روی یک مجموعه داده شبکه اعتماد واقعی انجام داد تا قابلیت اعتماد یک کاربر ناشناخته را با استفاده از خودکار یادگیری توزیع شده (DLA) استنتاج کند. گوپتا و همکاران [6] یک مدل اعتماد مبتنی بر شهرت برای جمعآوری بازخورد درباره رفتار گذشته یک فرد ارائه کرد که به یافتن اینکه به چه کسی اعتماد و به چه کسی بی اعتمادی شود کمک می‌کند. این سیستم برای تغییرات استاتیک و نه پویا در رفتار کاربر است. راجگانش و همکاران [7] یک سرویس محاسبات ابری هوشمند مبتنی بر فازی را برای ارزیابی بازخورد مشتری برای ارائه حریم خصوصی به داده‌ها پیشنهاد کرد، شریا شاشی و کاکالی چاترجی. [8] چارچوبی را پیشنهاد کرد که مجموعه اعتماد مشتری را مشخص می‌کند و وزن هر مشتری در تجارت الکترونیک محاسبه شده است. اما آنها نتوانستند آن را در سناریوهای مختلف نشان دهند.
براگا و همکاران [9] یک بررسی کامل از اعتماد محاسباتی و مدل شهرت برای تعامل انسان با کامپیوتر ارائه کرد. راشی سریواستاوا و همکاران [10] چارچوبی را برای ارائه تجزیه و تحلیل سرویس ابری با مجموعه های مختلفی از پارامترها، مانند چابکی، مالی، قابلیت استفاده، امنیت و عملکرد سیستم با استفاده از منطق فازی پیشنهاد کرد. شونان و همکاران [11] یک مدل کنترل دسترسی پویا مبتنی بر اعتماد سناریو برای عواملی مانند زمان دسترسی، مکان، رفتار تاریخچه و استراتژی کنترل ریسک با استفاده از منطق فازی پیشنهاد کرد. جایاسینگه و همکاران [21] الگوریتمی مبتنی بر یادگیری ماشین برای طبقه بندی ویژگی های اعتماد برای تصمیم گیری ارائه کرد. سرووس و همکاران [13] چالش های پژوهشی فعلی در ABAC را پیشنهاد کرد. بوکرچه و همکاران [14] یک سیستم مدل اعتماد مبتنی بر شهرت را برای ردیابی رفتار یک مدل شبکه توضیح داد. جین و همکاران [15] یک مدل اعتماد را با پارامترهای کیفیت خدمات با استفاده از یک سیستم منطق فازی توضیح داد. آنها تنها چند پارامتر مانند در دسترس بودن، قابلیت اطمینان و زمان چرخش را در نظر گرفته اند. با این حال، تخصیص امنیت و زمان وجود ندارد. هو و همکاران [16] اصل و دستورالعمل ABAC را برای محیط کسب و کار مورد بحث قرار داده است، اما معیارهای مختلف اعتماد را مورد بحث قرار نداده است. چن و همکاران [17] یک مدل اعتماد استنتاج فازی برای محیط شبکه Peer to Peer (p2p) پیشنهاد کرد و تکنیک استنتاج فازی نوع ممدانی را در اعتماد همتا مورد بحث قرار داد. سامری و همکاران [18،19] یک ابزار گرافیکی همکاری برای سیاست های ABAC برای اعتماد پویا و ارزیابی حریم خصوصی ارائه کرد. ژائو و همکاران [20] روشی را برای ارزیابی اعتماد توصیه ارائه کرده و با استفاده از تئوری های مربوطه در تحقیقات تخصصی، تحلیل فازی و تحلیل همبستگی خاکستری، راه حلی برای مشکل تخصیص وزن به ویژگی های تصمیم ارائه کرده اند. اما این کمبود در مشکل پویا را نشان می دهد. این پویایی در مدل پیشنهادی برطرف شده است. سینگ و همکاران [21] ارزیابی اعتماد داده های پزشکی را پیشنهاد کرد، اما در مورد وضعیت بحران در کنترل دسترسی بحث نشده است. از این رو، با کاوش در آثار ادبی بالا، مشخص شد که در رفتار کاربران پر جنب و جوش کمبودی وجود دارد.
روش ارائه شده در مقاله مد نظر یک رویکرد ریاضی کلی برای مدل اعتماد در یک محیط پویا را نشان میدهد.
الگوریتم DTMA و سیستم فازی مقاله (نوع1)
در شکل 2 الگوریتم محاسبه TV بر حسب چهار ورودی نشان داده شده است. این چهار ورودی بر اساس مشاهدات مربوط به 100 کاربر به دست آورده شده است. این مشاهدات در 6 زمان متفاوت انجام شده و میانگین آن در (شکل 3) رسم گردیده است. همچنین در سیستم فازی، هر کدام از آنها توسط توابع عضویت ذوزنقه ای شبیه سازی شدهاند. سپس با دادن ورودی هر عضو، خروجی سیستم فازی که TV میباشد و آن هم توسط توابع عضویت ذوزنقه ای تعریف گردیده است، محاسبه میشود.
شکل 3. میانگین مشاهدات ورودی های سیستم فازی برای 100 کاربر
شکل 4. توابع عضویت ذوزنقه ای خروجی TV
در سیستم فازی، هر متغیر با پارامترهای زبانی توصیف میشود. پارامترهای زبانی مربوط به ورودی های سیستم فازی در جدول 2 مقاله نمایش داده شده اند.
در نهایت، هر سیستم فازی به یک سری قوانین که ربط دهنده ورودی ها و خروجی است نیاز دارد. برای این الگوریتم 30 قانون فازی در نظر گرفته شده است که در جدول 3 جمع آوری گردیده اند. همچنین تغییرات TV بر حسب دو ورودی DO و P در شکل 5 نشان داده شده است:
شکل 5. تغییرات سه بعدی خروجی با دو ورودی
شبیه سازی مقاله و نتایج
یک شبیه سازی در نرم افزار MATLAB با توجه به توضیحات ارائه شده در این گزارش انجام شده است. در این قسمت به توضیحات سیستم فازی شبیه سازی شده و مقایسه نتایج با نتایج مقاله می پردازیم.
سیستم فازی شبیه سازی شده در شکل 6 نشان داده شده است. ملاحظه میگردد که 4 ورودی و 1 خروجی برای سیستم قرار داده شده است. توابع عضویت یکی از ورودی ها (P) و خروجی در شکل 7 نمایش داده شده است. ملاحظه میگردد که این توابع عضویت دقیقا با توضیحات مقاله مطابقت دارد. در نهایت قوانین فازی در شکل 8 آورده شده است که دقیقا مطابق با مقاله میباشد.
نمودار مربوط به خطای قدرمطلق میانگین (MAE در رابطه 8) در شکل 9 نمایش داده شده است. ملاحظه میگردد که نمودار به دست آمده از شبیهسازی شباهت زیادی به مقاله دارد.
متغیر دقت (Precision در رابطه 9) در شکل 10 رسم شده است. خروجی به دست آمده از شبیه سازی با مقدار نشان داده شده در مقاله مطابقت زیادی دارد.
در این رابطه، TP معادل true positive و FP معادل false positive است.
کاربرانی که واقعاً اعتماد کرده‌اند، با موفقیت توسط الگوریتم DTMA توسط معادله مورد اعتماد پیش‌بینی می‌شوند. این متغیر با ناام Recall در رابطه 10 داده شده است و نتایج نیز در شکل 11 رسم شده اند. این نتایج نشان دهنده تطابق میان شبیه سازی و مقاله است.
متغیر F-Socre که در رابطه 11 نشان داده شده در شکل 12 رسم گردیده است. دقت زیاد نتیجه به دست آمده و مقاله مشاهده میشود.
ROC برای DTMA پیشنهادی به حداکثر پوشش همه متغیرهای اعتماد دست می یابد. DTMA پیشنهادی در محاسبات اعتماد عمل نموده است. نمودار ROC در شکل 13 نشان داده شده است. نمودارهای شبیه سازی و مقاله بسیار نزدیک هستند.
در زیر نتایج سمت چپ مربوط به مقاله و نتایج سمت راست مربوط به نتایج شبیه سازی با متلب است.
نمودار MAE و نمودار Precision
نمودار Recall و نمودار F-Score
نمودار ROC
نتیجه گیری
DTMA پیشنهادی مقدار TV یک شخص را محاسبه می‌کند و به عنوان یکی از ویژگیها در مجموعه داده کارکنان گنجانده میشود معیارهای عملکرد مانند MAE، Precision، Recall، F-Score و ROC محاسبه شده و با سایر الگوریتم‌های اعتماد پویا، یعنی SecTrust، DLATrust و DYTrust مقایسه گردیده اند. طبق نتایج به دست آمده، نتیجه گیری می شود که DTMA معیارهای عملکرد بهتری را برای به دست آوردن TV تولید می کند. علاوه بر این، DTMA پیشنهادی را می توان در هر حوزه محاسباتی همه جا حاضر مانند اینترنت اشیا، محاسبات ابری و داده های بزرگ اعمال کرد. برای این مقاله یک شبیه سازی در نرم افزار MATLAB انجام شد. نتایج این شبیه سازی نشان دهنده دقت بالای آن و نزدیکی نتایجش به نتایج مقاله دارد.
الگوریتم DTMA و سیستم فازی نوع 2
همانطور که ذکر شد، الگوریتم ارائه شده دارای چهار ورودی و یک خروجی است که برحسب اندازه گیری هایی از 100 کاربر و در 6 مقطع زمانی به دست آمده اند.
نتایج زیر مربوط به شبیه سازی مقاله با سیستم فازی نوع 2 است:
تغییرات خروجی سیستم با دو ورودی اول به صورت سه بعدی در شکل 5 رسم شده است.
شکل 5. تغییرات سه بعدی خروجی با دو ورودی
ROC برای DTMA پیشنهادی به حداکثر پوشش همه متغیرهای اعتماد دست می یابد. DTMA پیشنهادی در محاسبات اعتماد عمل نموده است. نمودار ROC در شکل 13 نشان داده شده است. نمودار شبیه سازی نسبت به مقاله بهتر می باشد.
شکل 9. نمودار MAE
نمودار Precision و نمودار Recall
شکل 12. نمودار F-Score
شکل 13. نمودار ROC
نتیجه گیری نهایی
در این پروژه به بهبود الگوریتم ارائه شده در مقاله و جایگزینی سیستم فازی نوع 2 با سیستم فازی نوع 1 پرداخته شده است. الگوریتم DTMA پیشنهادی مقدار TV یک شخص را محاسبه می‌کند و به عنوان یکی از ویژگیها در مجموعه داده کارکنان گنجانده میشود. معیارهای عملکرد مانند MAE، Precision، Recall، -Score F و ROC محاسبه شده و با سایر الگوریتم‌های اعتماد پویا، یعنی SecTrust، DLATrust و DYTrust مقایسه گردیده اند. طبق نتایج به دست آمده، نتیجه گیری می شود که DTMA معیارهای عملکرد بهتری را برای به دست آوردن TV تولید می کند. به علاوه، روش بهبود داده شده، نسبت به مقاله خروجی های مطلوبتری را تولید نموده است. همچنین، DTMA پیشنهادی را می توان در هر حوزه محاسباتی همه جا حاضر مانند اینترنت اشیا، محاسبات ابری و داده های بزرگ اعمال کرد. برای این مقاله یک شبیه سازی در نرم افزار MATLAB انجام شد. همانطور که ذکر گردید، روش بهبود داده شده، نتایج بهتری نسبت به مقاله و سایر روش های مقایسه ای به همراه داشت.
شاید به موارد زیر نیز علاقه مند باشید:
- کنترل پاندول معکوس با استفاده از روش برنامه ریزی پویا با و بدون اغتشاش
- در مورد تأثیر افق پیش بینی در کنترل ماتریس پویا
- دسترسی به نقطه بیشینه توان ماکزیمم در سیستم توربین بادی متصل به ژنراتور سنکرون مغناطیس دائم با استفاده از الگوریتم هوشمند
کلیدواژه:
Trust model, Access control, Attribute Based Access Control, Performance, Direct Observation, Expected Trust, Feedback, Dynamic Trust Model Algorithm
الگوی اعتماد, کنترل دسترسی, کنترل دسترسی مبتنی بر ویژگی, کارایی, مشاهده مستقیم, اعتماد مورد انتظار, فیدبک, الگوریتم مدل اعتماد پویا
تحلیل عملکرد الگوریتم مدل اعتماد پویا با استفاده از سیستم استنتاج فازی برای کنترل دسترسی با متلب
طبق توضیحات فوق توسط کارشناسان سایت متلبی تهیه شده است و به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.