بخشی از مقاله
چکیده
سیستم هاي فازي1 توانایی خود را براي حل انواع مختلـف مسـائل در حوزه ي برنامه هاي کاربردي نشان داده انـد در حـال حاضـر علاقـهي وافري براي تکمیل و تقویت سیستمهاي فازي با استفاده از یـادگیري و تطبیق قابلیت ها وجود دارد. دو مورد از موفق ترین رویکردهایی کـه براي ترکیب سیستمهاي فازي و روشهـاي یـادگیري کـه در عرصـه محاسبات نرم ارائه شدهاند، سیستمهاي فازي-عصبی و سیسـتمهـاي فازي- ژنتیکی هستند.
برنامههاي کاربردي مختلفی از تکنولوژي شناسایی اجسام توسـط فرکـانس رادیـویی(RFID) 2 ایجـاد شـدهانـد، بـا ایـن حـال تکنولوژي RFID مستعد ابتلا به انواع مشکلات امنیتی مانند اسـتراق سمع، محرومیت از خدمات، ردیـابی کـاربر و شـبیهسـازي برچسـب3
اسـت. یکـی از روشهـاي ممکـن بـراي رسـیدگی بـه شـبیه سـازي برچسب، سیستم تشخیص نفوذ است. ما در این تحقیـق بـه توصـیف یک سیستم فازي مبتنی بر ژنتیک، براي تشخیص نفـوذ در سیسـتم هاي RFID میپردازیم که در آن از الگوریتم ژنتیکی4، بـراي ایجـاد قوانین اگر-آنگاه فازي مورد استفاده در تشخیص ناهنجـاري اسـتفاده میکنیم.
واژه هاي کلیدي
سیستم هاي فازي - شناسایی اجسام توسط فرکـانس رادیـویی -
شبیهسازي برچسب - الگوریتم ژنتیکی
مقدمه
همسـانسـازي هویـت شـیء، بـه خـاطر اثـر اجتمـاعی و اقتصـادي جهانی اش مسئله جدي است. بر طبـق نتـایج بدسـت آمـده از گـروه تحقیق آبردین [1]، زیان هاي سرقتی هویت جهـانی در سـال 2002، 73/8 بیلیون دلار بودند که تا پایان سـال 2005 بـه 2 تریلیـون دلار رسید [2] و انتظار می رفت که این عدد در سال هـاي آینـده افـزایش یابد.
بر طبق گزارش ارائه شده توسط سازمان بهداشت جهـانی
(WHO)، تعداد محصولات جعلی که وارد بازارهاي جهانی می شـوند هر سال افزایش می یابد .[3] تعداد رویدادهاي جعلی در سـال 2007
ده برابر سال 2000 شده بود. جعل کردن محصـولات پزشـکی بـراي بیماران خطرات سـلامتی جـدي و یـا حتـی مـرگ بـه دنبـال دارد و
همچنین باعث زیان هاي اقتصادي بـالایی بـراي صـنایع تولیدکننـده محصولات اصل میشود.
RFID یک تکنولوژي نویدبخش است، که براي مبـارزه بـا همسان سازي هویت شیء، در کاربردهایی مثـل زنجیـره هـاي عرضـه دارو استفاده می شود، زیرا قابلیت دید ردیـابی و پیگیـري را افـزایش می دهد. RFID در کاربردهاي مختلفی مثـل پرداخـت خودکـار کـه ایمنی بالایی مورد نیاز است، نیز به طور افزایشی استفاده میشود.
براي این که یک سیسـتم RFID بـه طـور موفقیـت آمیـزي در یـک محیط استفاده شود، هزینه برچسب یکی از عوامل مهمـی اسـت کـه باید در نظر گرفته شود. هزینه برچسب هاي RFID باید پـایین باشـد تا در بسیاري از موارد کاربرد عملی داشته باشند. بعضـی از برآوردهـا پیشنهاد می دهند که با تولید مقیاس بزرگ، هزینه برچسب EPC تـا کمتر از پنج سنت می تواند پایین بیاید. هرچند، بـه خـاطر مبادلـه ي بین هزینه و توانـایی محاسـباتی، ایمـن سـازي سیسـتم هـاي RFID
کم هزینه، یک چالش چشمگیر، در جامعه تحقیـق شـده اسـت. ایـن عمدتاً بدان علت است، که کاهش در ذخیره سازي برچسب و ظرفیـت پردازش توانایی برچسب را، بـراي فـراهم کـردن منـابع کـافی، بـراي اجراي الگوریتم هاي رمزي نگاشـتی فشـرده محاسـباتی امـا امـن تـر، محدود میکند.
اجزاي سیستم هاي تشخیص نفوذ در RFID یک رویکـرد نویدبخش، به عنوان یک لایه امنیتی اضافی، در بـالاي پروتکـل هـاي ایمنی، موجود است. در این مقاله ما به توصیف یـک مکـانیزم جهـت ایجاد خودکار قواعد فازي با استفاده ازالگوریتم ژنتیک میپردازیم، که به نرخ شناسایی بالا و نرخ هشـدار غلـط پـایینی در تشـخیص نفـوذ سیستم RFID برسد، سپس نتایج حاصل از ایـن مکـانیزم را بررسـی میکنیم.
شکل 1 نمودار جریان فرآیند که، یـک سیسـتم تشـخیص نفوذ مبتنی بر منطق فازي به کار رفتـه در سیسـتم RFID اسـت را نشان میدهد.
١
مکانیزم تولید
قوانین
اعتبار پایگاه
سنج داده
í قوانین
دفازي نتیجه فازي
خروجی گیري ورودي
سازي سازي
شکل :1 ساختار سیستم تشخیص نفوذ RFID مبتنی بر منطق فازي.
یادگیري ماشین مبتنی بر ژنتیک فازي
یک الگوریتم یادگیري ماشین مبتنی بر ترکیـب فـازي و ژنتیـک، دو الگوریتم یادگیري ماشین مبتنی بر ژنتیک که به عنـوان رویکردهـاي پیتسـبورگ و میشـیگان معـروف هسـتند را بـراي طراحـی سیسـتم طبقـهبنـدي کـه از قواعـد پایـه فـازي اسـتفاده مـیکننـد، ترکیـب میکند .[4] این الگوریتم از مزایاي الگوریتمهاي سـازنده بـراي ارائـه سیستم طبقهبندي با عملکرد بهتر استفاده میکند.
مزیت رویکرد میشیگان نسبت به رویکرد پیتسـبورگ ایـن است که توانایی جستجوي کلی، براي کشف بهترین قاعده فازي را در نمونه هاي آموزشی دارد. ضعف این رویکـرد، ایـن اسـت کـه توانـایی بهینه سازي پایینی براي قواعد پایه استفاده شده در سیستم دارد. بـه عبارت دیگر، رویکرد پیتسبورگ می تواند قواعـد پایـه اسـتفاده شـده براي سیستم طبقه بندي را بهینه کند. هرچنـد، رویکـرد پیتسـبورگ توانایی جستجوي کلی پایین تري بـراي قواعـد فـازي در نمونـه هـاي آموزشی دارد.
رویکرد ترکیبی از مزیت هر دو رویکرد اسـتفاده مـی کنـد.
عملگر هاي ژنتیک براي ایجاد قواعد فازي جدید با استفاده از رویکـرد میشیگان انجام می شوند تا به طور مکاشفه اي بهترین قواعـد فـازي را جستجو کنند در حالی که کل الگوریتم بر اساس رویکرد پیتسـبورگ است. نشان داده شده اسـت کـه رویکـرد ترکیبـی نسـبت بـه اجـزاء سازنده اش یعنی رویکردهاي پیتسبورگ و میشیگان توانـایی عملکـرد بهتري دارد .[4]
ایجاد قواعد پایه فازي اولیه
قواعد پایه فـازي معمـولاً بـا اسـتفاده از دانـش افـراد خبـره سـاخته می شوند که حیطه اي را که سیستم براي آن طراحی می شود را خیلی خوب می شناسـند. هرچنـد، بـه دسـت آوردن دانـش از کارشناسـان طاقت فرسا و گران قیمت است یا هنگام طراحی سیستم پیچیده اي که در آن مقدار اطلاعات مورد نیاز خیلـی زیـاد اسـت خطـا در آن زیـاد می شود. براي فائق آمدن بر ایـن چـالش، روش هـاي مختلفـی بـراي یادگیري خودکار قواعد فازي از داده ها پیشـنهاد شـده انـد.[7][6][5]
براي ایجاد قواعد فازي از داده هاي عددي در این تحقیق، مـا از روش
پیشـنهاد شـده توسـط ایشـیبوچی و همکـاران [8] بـراي مشـکلات طبقهبندي استفاده میکنیم.
طراحی مجموعه فازي مرجع
براي مشکل طبقه بندي، نوزاکی و همکاران [7] فرآیند ساخت قواعـد فازي از داده هاي آموزش را به دو مرحله تقسیم می کننـد. در مرحلـه اول یک فضاي الگو به صورت نشان داده شده در شکل 2، به فضاهاي فرعی فازي تقسیمبندي میشود.
تقسیم بندي فضاي الگو به فضاهاي فازي به گونه اي انجـام می شود که باعث ایجاد بخش هاي فـازي خیلـی کـم یـا خیلـی زیـاد نمی شود. تقسیم بندي خیلی ظریـف (دقیـق) و خیلـی ضـخیم (غیـر دقیق) یک فضاي الگو نامطلوب است زیرا باعث عملکرد ضعیف مـدل می شود. اگر تقسیم بندي خیلی ظریف باشد، مدل بـه خـاطر کمبـود داده هاي آموزشی، قواعد را براي بعضی از بخش ها ایجاد نمی کند. اگر بخش خیلی ضخیم است، پس مدل چند قاعده را ایجاد می کنـد کـه خیلی کلی هستند و باعث عملکرد ضعیف مدل میشوند.
شکل :2 تقسیمبندي فازي فضاي الگوي دو بعدي [9]
در شکل 2، مـا مجموعـه هـاي فـازي 5×5 داریـم کـه 25
بخش فازي در فضاهاي دو بعـدي دارنـد. بـالانویس K، در مجموعـه فازي مرجع AiK حداکثر تعداد فضاي فرعی را در هر محـور نشـان میدهد و i بخش فعلی را در محور معین نشان میدهد.
