CV


FA
Hamid Saadatfar

Hamid Saadatfar

Associate Professor

Faculty: Electrical and Computer Engineering

Department: Computer

Degree: Ph.D

CV
FA
Hamid Saadatfar

Associate Professor Hamid Saadatfar

Faculty: Electrical and Computer Engineering - Department: Computer Degree: Ph.D |

Dr. Hamid Saadatfar is currently an associate professor of Computer Engineering Department at University of Birjand. He has received his B.Sc., M.Sc., and Ph.D. degrees from Ferdowsi university of Mashhad in 2007, 2009 and 2014, respectively. His research interests include:

  • Parallel and Distributed Processing (Cluster, Grid and Cloud Computing),
  • Data Mining and Machine Learning,
  • Big Data Analysis (Data Mining Methods for Big Data)
  • and Power-aware Computing.

Show More

نظریه بازی‌های تکاملی برای دفاع در برابر هوش مصنوعی مخاصم در امنیت سایبری

Authorsحمید سعادت فر,علی اکبر کیانی,محمد ملک رئیسی
Conference Titleاولین کنفرانس ملی مرزهای هوش مصنوعی کاربردی
Holding Date of Conference2026-06-09
Event Placeبهشهر
Page number0-0
PresentationSPEECH
Conference LevelInternal Conferences
Keywordsامنیت سایبری, نظریه بازی‌های تکاملی (EGT), هوش مصنوعی خصمانه (Adversarial AI), سیستم تشخیص نفوذ (IDS), دینامیک تکثیر

Abstract

در این پژوهش، چارچوبی مبتنی بر نظریه بازی‌های تکاملی (Evolutionary Game Theory - EGT) برای دفاع در برابر حملات سایبری مبتنی بر هوش مصنوعی خصمانه (Adversarial AI) ارائه شده است. در مدل پیشنهادی، جمعیت‌های مهاجم و مدافع با استفاده از دینامیک تکثیر (Replicator Dynamics) تکامل یافته و استراتژی‌های بهینه را در طول زمان کشف می‌کنند. مهاجمان از دو دسته حمله شامل حملات تغییر شکل (Evasion/Perturbation) و مسموم‌سازی (Poisoning) استفاده می‌کنند و مدافعان نیز با سه استراتژی تنظیم تطبیقی سیستم تشخیص نفوذ (IDS)، استقرار Honeypot و تغییر پویای توپولوژی شبکه به مقابله می‌پردازند. نتایج شبیه‌سازی در افق 2۰۰ تکرار نشان می‌دهد که مدافعان به یک استراتژی تکاملی پایدار (Evolutionarily Stable Strategy - ESS) همگرا شده و نرخ تشخیص حملات خصمانه به بیش از ۸۵ ٪ می‌رسد. همچنین تاب‌آوری سیستم در مقایسه با دفاع‌های ایستا و غیرتطبیقی به ترتیب 3۰ ٪ و ۴۵ ٪ بهبود می‌یابد. یافته‌ها نشان می‌دهد که چارچوب پیشنهادی می‌تواند پایهای برای طراحی سیستم‌های دفاعی هوشمند و مقاوم در برابر حملات Adversarial Machine Learning فراهم آورد.

Paper URL