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

تحلیل گیم تئوریک رفتار تطبیقی مهاجم و سامانه تشخیص نفوذ در دروازه‌های اینترنت اشیاء

Authorsحمید سعادت فر,مجتبی صندوقی,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
Keywordsاینترنت اشیاء, سامانه تشخیص نفوذ, نظریه بازی, یادگیری تطبیقی, امنیت شبکه

Abstract

با گسترش روزافزون اینترنت اشیاء و افزایش وابستگی زیرساخت‌های هوشمند به دروازه‌های ارتباطی، تأمین امنیت این دروازه‌ها در برابر حملات تطبیقی به یکی از چالش‌های اساسی در حوزه مهندسی کامپیوتر تبدیل شده است. در بسیاری از روش‌های موجود، رفتار مهاجم یا سامانه تشخیص نفوذ به صورت ایستا یا مستقل از رفتار طرف مقابل مدل‌سازی می‌شود، در حالی‌که در سناریوهای واقعی، هر دو طرف به طور مستمر در حال یادگیری و تطبیق هستند. در این پژوهش، یک چارچوب مبتنی بر نظریه بازی برای تحلیل رفتار تطبیقی مهاجم و سامانه تشخیص نفوذ (IDS) در دروازه‌های اینترنت اشیاء ارائه می‌شود. تعامل میان مهاجم و IDS به صورت یک بازی تکرارشونده با استراتژی‌های حافظه‌یک مدلسازی شده و فرایند یادگیری دوطرفه با استفاده از بهینه‌سازی تدریجی پرداخت بلندمدت هر عامل انجام می‌گیرد. علاوه براین، به منظور انطباق مدل با محدودیت‌های عملی اینترنت اشیاء، هزینه منابع پردازشی و انرژی سامانه IDS در تابع سود آن لحاظ شده است. نتایج شبیه‌سازی عددی نشان می‌دهد که عدم تقارن در سرعت یادگیری مهاجم و IDS نقش تعیین‌کننده‌ای در پایداری امنیت دروازه IoT ایفا میکند. به طور خاص، زمانی که IDS با سرعت بالاتری نسبت به مهاجم تطبیق می‌یابد، رفتار مهاجم به‌صورت معناداری مهار شده و احتمال حملات موفق کاهش می‌یابد، هرچند هزینه‌های عملیاتی IDS افزایش می‌یابد. در مقابل، برای مقادیر میانی سرعت یادگیری، یک پویایی رقابتی تطبیقی مشاهده می‎‌شود که در آن هیچیک از طرفین به مزیت پایدار دست نمی‌یابد. نتایج این پژوهش می‌تواند به‌عنوان یک ابزار تحلیلی برای طراحی و تنظیم سامانه‌های تشخیص نفوذ سبک وزن در دروازه‌های اینترنت اشیاء مورد استفاده قرار گیرد.

Paper URL