دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 22 Detecting attacks in Internet of Things infrastructure using improved chimpanzee algorithm and deep learning تشخیص حملات در زیرساخت اینترنت اشیاء با استفاده از الگوریتم بهبودیافته شامپانزه و یادگیری عمیق 1 22 210036 10.47176/ECDJ.2025.1588 FA رویا زارع فرخادی دانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران کامبیز مجیدزاده استادیار،گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران 0000-0001-5118-8910 محمد مصدری استادیار،گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران علی غفاری دانشیار،گروه مهندسی کامپیوتر، دانشکده کامپیوتر، دانشگاه آزاد اسلامی،ارومیه، ایران 0000-0001-5407-8629 Journal Article 2025 07 22 The increase in the number of Internet of Things devices, high speed, and large volume of generated data has led to network security issues and the identification of cyber-attacks in these networks becoming one of the key challenges in this area. Intrusion detection systems have been proposed as a solution to tackle this problem. Proper selection of features in creating intrusion detection models can significantly increase detection accuracy. In this article, a binary algorithm and an improved chimpanzee algorithm have been designed for feature selection. The chimpanzee algorithm is designed for solving continuous problems and cannot be efficient in solving binary problems. It also suffers from local optima and slow exploration, exploitation, and convergence in this algorithm. Therefore, changes need to be made in this algorithm to solve binary problems. Hence، in this article an improved version of the chimpanzee algorithm for discrete problems and feature selection has been designed and implemented for intrusion detection and network-based attacks in Internet of Things networks. The proposed method reduces features by an average of 60 percent and successfully detects attacks with ac curacies of 99.3%, 99.6%, and 99.9% in the Ton-IoT، UNSW-NB15، and IoTID20 datasets, significantly reducing the false alarm rate of detected attacks. Statistical analysis using the Kruskal-Wallis test showed that the proposed method converges faster compared to the comparison methods. افزایش تعداد دستگاه‌های اینترنت اشیا، سرعت‌بالا و حجم زیاد اطلاعات تولیدشده، باعث شده است که مسئله امنیت شبکه‌های اینترنت اشیا و شناسایی حملات سایبری در این شبکه‌ها، به یکی از چالش‌های مهم در این حوزه تبدیل شود. سامانه‌های تشخیص نفوذ به‌عنوان یکی از راهکارهای ارائه‌شده برای مقابله با این مشکل است. انتخاب صحیح ویژگی‌ها در ایجاد مدل‌های تشخیص نفوذ می‌تواند باعث افزایش چشمگیری در دقت تشخیص شود. در این مقاله الگوریتم دودویی و بهبودیافته شامپانزه‌ها برای انتخاب ویژگی طراحی‌شده است. الگوریتم شامپانزه برای حل مسائل پیوسته است و در حل مسائل دودویی نمی‌تواند کارآمد باشد. همچنین دارای مشکل افتادن در دام محلی است و اکتشاف و بهره‌وری و همگرایی در این الگوریتم کند است. بنابراین نیاز است تغییراتی در این الگوریتم برای حل مسائل دودویی انجام شود. ازاین‌رو در این مقاله یک نسخه بهبودیافته شامپانزه برای مسائل گسسته و انتخاب ویژگی و رفع موارد ذکرشده، در تشخیص نفوذ و حملات مبتنی بر شبکه‌های اینترنت اشیا طراحی و پیاده‌سازی شده است. روش پیشنهادی به‌طور میانگین 60 درصد ویژگی‌ها را کاهش داده و به ترتیب با دقت‌های3/99 ،6/99 و9/99درصد در مجموعه داده‌های ToN-IoT، UNSW-NB15 و IoTID20 ، موفق به تشخیص حملات شده است و به‌طور چشمگیری باعث کاهش نرخ هشدار کاذب حملات شده است. تحلیل آماری آزمون کراس کال واریس نشان داد که روش پیشنهادی نسبت به روش‌های مورد مقایسه با سرعت بیشتری همگرا می‌شود

https://ecdj.ihu.ac.ir/article_210036_075c2425bd64dac938b68c9b864fca3b.pdf

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 22 Self-Supervised Anomaly Detection in Multivariate Time Series using Transformer Encoder تشخیص ناهنجاری خود نظارت در سری‌های زمانی چند متغیره با استفاده از رمزگذار ترانسفورمر 23 38 210372 10.47176/ECDJ.2025.1612 FA فرزانه طاهری زاده دانشجوی دکتری ،دانشگاه یزد، یزد، ایران ولی درهمی استاد،دانشگاه یزد، یزد، ایران 0000-0003-4691-0643 Journal Article 2024 10 04 Anomaly Anomaly detection in multivariate time series data is essential for various applications, including industry, medicine, and urban management. However, quickly and accurately identifying anomalies is challenging due to the absence of labels, complex temporal and spatial relationships, and high-dimensional data. Despite recent advances in deep learning, few methods can effectively address these challenges. This article proposes a transformer encoder that efficiently models temporal and spatial complexity in high-dimensional data using self-supervised learning, thereby eliminating the need for anomaly labels. A novel anomaly score function has also been introduced to reduce false detections. Extensive experiments on a benchmark dataset demonstrate that our method surpasses state-of-the-art baselines in anomaly detection, particularly for anomalous events, achieving a 5% improvement in average composite F-score and a 15% reduction in training time. تشخیص ناهنجاری در داده‌های سری زمانی چند متغیره برای کاربردهای زیادی ازجمله صنعت، پزشکی و مدیریت شهری اهمیت زیادی دارد. برای این‌که یک روش بتواند نقاط و رویدادهای ناهنجار را به‌سرعت و با دقت مشخص کند، با چالش‌های بزرگی مانند عدم وجود برچسب‌های ناهنجاری، پیچیدگی روابط(وابستگی) زمانی و مکانی داده‌ها، ابعاد بالا و سرعت موردنیاز در کاربردهای مدرن روبرو است. علیرغم پیشرفت‌های اخیر روش‌های یادگیری عمیق برای تشخیص ناهنجاری، تنها تعداد کمی از آن‌ها می‌توانند همه این چالش‌ها را برطرف کنند. در این مقاله از رمزگذار ترانسفورمر مبتنی بر توجه برای مدل‌سازی پیچیدگی زمانی و مکانی داده‌های با ابعاد بالا در کمترین زمان ممکن استفاده می‌شود. این مدل با یادگیری خود نظارت آموزش داده می‌شود تا به برچسب ناهنجاری‌ها نیازی نباشد. همچنین تابع امتیاز ناهنجاری مناسبی برای جلوگیری از تشخیص اشتباه ناهنجاری معرفی‌شده است. آزمایش‌های گسترده‌ بر روی 28 سرور مستقل مجموعه داده‌ی SMD، تأیید می‌کند که روش ارائه‌شده از اکثر روش‌های پایه پیشرفته کنونی در تشخیص ناهنجاری مخصوصاً رویدادهای ناهنجار عملکرد بهتری دارد، به‌طور خاص میانگین امتیاز F ترکیبی 5 درصد بهبودیافته است و زمان آموزش 15 درصد کاهش می‌یابد.

https://ecdj.ihu.ac.ir/article_210372_25ba5cb0b2ce4e931c871e56548669a2.pdf

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 22 An Improved Method for Dynamic Opinion Maximization Based on Greedy Genetic Algorithms ارائه روش بهبودیافته در حداکثرسازی پویایی نظرات مبتنی بر الگوریتم ژنتیک حریصانه 210386 10.47176/ECDJ.2025.1617 FA حسین رعیت پرور کارشناسی ارشد ، دانشگاه جامع امام حسین(ع)، تهران، ایران 0009-0007-0069-2237 محمدرضا حسنی آهنگر استاد ، دانشگاه جامع امام حسین(ع)، تهران، ایران 0000-0002-5815-5983 ابوالفضل سرکرده ئی دانشجوی دکتری ، دانشگاه جامع امام حسین(ع) ، تهران ، ایران Journal Article 2025 10 18 The analysis of online social network data represents a significant scientific challenge in contemporary research. Within the domain of user opinion analysis in these networks, dynamic opinion maximization has emerged as a nascent field of study. Prior investigations in this area have predominantly operated under the assumption of static, unchanging node opinions. Furthermore, the temporal evolution of user perspectives has received comparatively limited attention. This paper proposes a method for the dynamic opinion maximization problem, based on a greedy genetic algorithm, explicitly considering the dynamics of opinions and their evolution over time.The proposed method comprises two principal components: an activated opinion dynamics model and a seed node selection process. The activated opinion dynamics model is constructed by integrating the linear threshold model with stateless Q-learning, thereby explicitly accommodating the temporal fluctuations in opinions. A greedy genetic algorithm is employed for the selection of seed nodes. Following the identification of an initial seed node, the activated opinion dynamics model is initiated. During this phase, the seed node and its immediate neighbors are activated according to the linear threshold model. Subsequently, stateless Q-learning is utilized to update the opinions of the nodes. This iterative process continues until predefined termination criteria are satisfied. Experimental results on four signed social network datasets demonstrate that the proposed framework outperforms the state-of-the-art method by 14% in terms of the number of activated nodes and 27% in terms of average positive opinions. تحلیل داده‌های شبکه‌های اجتماعی برخط یکی از چالش‌های علمی مورد توجه در عصر حاضر است. در زمینه تحلیل نظرات کاربران در این شبکه‌ها، حداکثرسازی پویایی نظرات به‌عنوان یک حوزه پژوهشی جدید مطرح شده است. تحقیقات پیشین در این حوزه عمدتاً فرض کرده‌اند که نظرات گره‌ها ثابت و بدون تغییر هستند. همچنین، کمتر به تغییرات زمانی نظرات کاربران پرداخته شده است. در این مقاله، با درنظر گرفتن پویایی نظرات و تغییرات آن در طول زمان، روشی برای مسئله حداکثرسازی پویایی نظرات بر اساس الگوریتم ژنتیک حریصانه پیشنهاد شده است. این روش شامل دو بخش اصلی است. مدل پویایی نظرات فعال‌شده و فرایند انتخاب گره‌های دانه. مدل پویایی نظرات فعال‌شده با استفاده از ترکیب مدل انتشار آستانه خطی و یادگیری Q بدون حالت طراحی شده است که تغییرات زمانی نظرات را در نظر می‌گیرد. برای انتخاب گره‌های دانه، الگوریتم ژنتیک حریصانه به‌کار گرفته شده است. پس از تعیین گره اولیه یا دانه، مدل پویایی نظرات فعال‌شده آغاز می‌شود. در این مرحله، گره اولیه و همسایگان آن براساس مدل انتشار آستانه خطی فعال‌سازی می‌شوند. سپس با بهره‌گیری از یادگیری Q بدون حالت، نظرات گره‌ها به‌روزرسانی می‌گردند. این فرآیند به صورت تکرارشونده ادامه می‌یابد تا زمانی که شرایط خاتمه مورد نظر برآورده شوند. نتایج تجربی حاصل از آزمایش بر روی چهار مجموعه‌داده‌ی شبکه‌های اجتماعی امضاشده نشان می‌دهد که روش پیشنهادی در مقایسه با بهترین روش‌های موجود، در معیار تعداد گره‌های فعال 14 درصد و در معیار میانگین نظرات مثبت 27 درصد بهبود عملکرد داشته است.

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 22 Dark web text classification using BERT's Language Model دسته بندی داده های وب تاریک به کمک مدل زبانی BERT 210373 10.47176/ECDJ.2025.1624 FA براتعلی اختریان دانشجوی کارشناسی‌ارشد، دانشکده مهندسی کامپیوتر،دانشگاه صنعتی شاهرود ، شاهرود، ایران 0009-0009-1938-4706 محسن رضوانی استادیار،دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شاهرود، شاهرود، ایران 0000-0002-1172-1941 Journal Article 2025 09 19 The hidden nature and limited access of the dark web has led to the proliferation of many criminal activities, including cyber threats, arms sales, drug sales, and the sale of illegal tools. The emergence of large language models has created the hope that it will be possible to analyze the content on the dark web with proper accuracy. In this regard, the use of mass cyber data available in the dark web will be very useful and effective to prevent cyber threats and train language models. The technology of large language models requires a lot of high-quality data for better training and to achieve sufficient accuracy, and this is the challenge that researchers in the field of cyber security face due to the contamination of the data available on the dark web. Most of the researches in this field have been focused on all the characteristics of the dark web dataset and low-quality data and have not been able to achieve high accuracy. In this thesis, we presented a new language model based on the BERT-based language model, which was trained on the data extracted from the dark web. The proposed model is a transformer-based text model that uses a two-way encoder of transformers for a learning approach and we evaluated it on a high - quality dataset, without repetitive data, free of unknown words, all in English and specifically on hacking and security data. Finally, by analyzing the evaluated values of the proposed model with the previous models, it was found that the proposed model was able to have better accuracy in data classification due to the injection of quality data compared to the previous models. ماهیت پنهان و دسترسی محدود وب‌تاریک، موجب گسترش فعالیت‌های مجرمانه بسیاری از جمله تهدیدات سایبری، فروش اسلحه، فروش مواد مخدر و فروش ابزارهای غیرقانونی شده است. ظهور مدل‌های زبانی بزرگ این امید را ایجاد نموده است که بتوان با دقت مناسبی به تحلیل مطالب موجود در وب تاریک پرداخت. در همین راستا استفاده از داده‌های انبوه سایبری موجود در وب‌تاریک برای جلوگیری از تهدیدات سایبری و آموزش مدل‌های زبانی بسیار مفید و مؤثر خواهد بود. تکنولوژی مدل‌های زبانی بزرگ برای آموزش بهتر و رسیدن به ‌دقت کافی، به داده زیاد و باکیفیت بالا نیاز دارند و این چالشی است که محققان حوزه امنیت سایبری با توجه ‌به آلوده بودن داده‌های موجود در وب‌تاریک روبرو هستند. اغلب تحقیقات در این زمینه، متمرکز بر روی تمام مشخصه‌های دادگان وب‌تاریک و داده‌های باکیفیت پایین صورت پذیرفته است و نتوانسته‌اند دقت بالایی را کسب کنند. در این پژوهش یک مدل ‌زبانی جدید بر پایه مدل زبانی پایه BERT که بر روی داده استخراج شده از وب‌تاریک آموزش‌دیده است، ارائه کردیم. مدل پیشنهادی یک مدل متنی مبتنی بر ترانسفورماتور است که از رمزگذار دوطرفه از ترانسفورماتورها برای رویکرد یادگیری استفاده می‌کند و آن را بر روی یک دادگان باکیفیت بالا، بدون داده تکراری، عاری از کلمات نامعلوم، تماماً به زبان انگلیسی و به طور مشخص بر روی داده‌های هک و امنیت ارزیابی نمودیم. در نهایت با تحلیل مقادیر ارزیابی‌شده مدل پیشنهادی با مدل‌های قبلی، مشخص شد که مدل پیشنهادی به علت تزریق داده‌های باکیفیت نسبت به مدل‌های قبلی، توانسته دقت بهتری در دسته‌بندی داده‌ها داشته باشد.

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 29 Energy Efficiency in Smart Vehicular Networks Using Dynamic Load Migration کاهش مصرف انرژی در شبکه‌های خودروی هوشمند با استفاده از مهاجرت پویای بار 210294 10.47176/ECDJ.2025.1632 FA زهرا شریفی کارشناسی ارشد، دانشگاه شهرکرد، شهرکرد، ایران عباس حری استادیار، دانشگاه شهرکرد، شهرکرد، ایران 0000-0001-7933-9266 لیلا صمیمی دهکردی استادیار، دانشگاه شهرکرد، شهرکرد، ایران Journal Article 2025 10 08 Modern smart vehicles are connected to complex communication networks and exchange a massive volume of data, leading to increased energy consumption in these networks. In this study, a novel method for optimizing energy consumption in smart vehicular networks is proposed. The proposed approach is based on two dynamic load balancing techniques: First, setting dynamic thresholds based on the average workload of virtual machines, second, predicting future workload using regression analysis. Simulation results demonstrate that using 10% and 20% higher than the average workload threshold reduces energy consumption and improves load balancing efficiency. Additionally, the workload prediction model shows only a 5% deviation between predicted and actual values, indicating high accuracy. This algorithm significantly reduces energy consumption and improves the success rate of virtual machine migrations. The proposed method can be further utilized for efficient resource management in smart vehicular networks, contributing to lower operational costs and environmental sustainability. خودروهای هوشمند امروزی به شبکه‌های ارتباطی پیچیده متصل شده و حجم عظیمی از داده را مبادله می‌کنند. این امر منجر به افزایش مصرف انرژی در این شبکه‌ها شده است. در این پژوهش، روشی نوین برای بهینه‌سازی مصرف انرژی در شبکه‌های خودروهای هوشمند ارائه شده است. روش پیشنهادی بر پایه دو تکنیک متعادل‌سازی بار پویا طراحی شده است: نخست، تعیین آستانه‌های پویا بر اساس میانگین بار کاری ماشین‌های مجازی، دوم، پیش‌بینی بار آینده با استفاده از تحلیل رگرسیونی. نتایج شبیه‌سازی نشان می‌دهد که آستانه 10% و 20% بالاتر از میانگین بار کاری ماشین‌ها، مصرف انرژی شبکه را کاهش داده و نرخ تعادل بار را بهبود می‌بخشد. همچنین، مدل پیش‌بینی بار آینده، اختلاف میان بار پیش‌بینی‌شده و بار واقعی را تنها 5% نشان می‌دهد که بیانگر دقت بالای این روش است. این الگوریتم توانست مصرف انرژی را به طور قابل ملاحظه‌ای کاهش دهد و نرخ موفقیت مهاجرت ماشین‌های مجازی را بهبود ببخشد. این روش می‌تواند در آینده برای مدیریت بهینه منابع در شبکه‌های خودروهای هوشمند به کار گرفته شود و به کاهش هزینه‌های اجرایی و آلودگی محیط زیست کمک کند.

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 29 Enhancing Digital Password Security Using Machine Learning: A Comparative Analysis of Classification Algorithms افزایش امنیت گذرواژه دیجیتالی با استفاده از یادگیری ماشین: تحلیلی مقایسه‌ای بر الگوریتم‌های طبقه‌بندی 57 72 210662 10.47176/ECDJ.2025.1652 FA مهناز درودی کارشناسی ارشد گروه کامپیوتر, دانشکده فنی و مهندسی, دانشگاه میبد, میبد, ایران 0009-0001-6082-4437 سید حسن مرتضوی زارچ استادیار گروه کامپیوتر , دانشکده فنی و مهندسی ,دانشگاه میبد ، میبد ، ایران فاطمه زارع مهرجردی استادیار گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه میبد، میبد، ایران 0009-0001-3268-0114 محسن سرداری زارچی دانشیار گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه میبد، میبد، ایران Journal Article 2025 10 19 In the digital age, passwords remain one of the primary methods of authentication in information systems. Despite their critical role in protecting personal and organizational data, the use of weak passwords such as those that are overly simple, short, or repetitive poses a significant threat to cybersecurity. This study proposes a machine learning-based approach to enhance the accuracy of password security assessment. The proposed method consists of three main steps: preprocessing, new feature extraction and password classification. In this study, a dataset with 669,880 passwords is analyzed. First, in the preprocessing step, operations such as removing missing data, encoding text to number, and fixing the problem of unbalanced classes using smote are performed. After data cleaning, 10 new features are extracted from each password. Finally, the processed dataset is partitioned for training and testing operations and strength classification of passwords are predicted using various machine learning classifiers such as Decision tree, Random Forest, XGBoost, Logistic regression and others. Experimental results shows that the Random Forest and XGBoost algorithms achieved the highest F1-score with values of 99.665% and 99.642% respectively rather than other models. The outcome of this research is a scalable and efficient framework for identifying password vulnerabilities and reinforcing security policies in digital systems. This framework can play a key role in designing robust passwords and mitigating the risk of unauthorized access. در عصر دیجیتال، رمز‌های عبور هم‌چنان یکی از رایج‌ترین و حیاتی‌ترین روش‌های احراز هویت در سامانه‌های اطلاعاتی به شمار می‌آیند. با این حال، انتخاب و استفاده از رمزهای عبور ضعیف و غیرایمن، هم‌چون رمزعبورهای ساده، کوتاه یا تکراری، تهدیدی جدی برای امنیت سایبری محسوب می‌شود. این پژوهش با هدف بهبود دقت در ارزیابی سطح امنیت رمز‌های عبور، چارچوبی مبتنی بر یادگیری ماشین ارائه می‌دهد. روش پیشنهادی شامل سه مرحله‌ی اصلی پیش‌پردازش، استخراج ویژگی‌های جدید و طبقه‌بندی رمز‌های عبور است. در این پژوهش، مجموعه‌ای شامل 669880 رمز‌ عبور مورد تحلیل قرار گرفته است. ابتدا در مرحله پیش‌پردازش مراحلی مانند حذف داده‌های گم‌شده، کدگذاری متن به عدد و متعادل‌سازی داده‌های کلاس‌ها با استفاده از الگوریتم SMOTE انجام شده است. بعد از اینکه داده‌ها تمیز شدند از هر رمز عبور ده ویژگی ساختاری جدید استخراج شده است. در نهایت داده‌ها به دو دسته آموزش و آزمایش تقسیم شده و دسته‌بندی سطح امنیتی رمز‌های عبور در سه کلاس ضعیف، متوسط و قوی با استفاده از الگوریتم‌های یادگیری ماشین مانند درخت تصمیم، جنگل تصادفی، XGBoost و رگرسیون لجستیک و غیره صورت گرفته است. نتایج تجربی نشان داد که الگوریتم جنگل تصادفی و روش XGBoost با معیار F1 به ترتیب با مقدار 99.665% و 99.642% درصد عملکرد برتری نسبت به سایر مدل‌ها داشته‌‌اند. دستاورد این تحقیق، ارائه مدلی کارآمد و مقیاس‌پذیر برای شناسایی نقاط ضعف رمزهای عبور و ارتقاء سیاست‌های امنیتی در سامانه‌های دیجیتال است که می‌تواند به شکل مؤثری در طراحی رمز‌های عبور مقاوم، کاهش ریسک نفوذ، و ارتقاء سطح امنیت سایبری نقش‌آفرینی کند.

https://ecdj.ihu.ac.ir/article_210662_c24329ca3737222a2f9a4969744770cd.pdf

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 28 A Hybrid and Intelligent Model for Anomaly Detection in Internet of Things Using Ensemble Learning and Deep Autoencoders ارائه مدل ترکیبی و هوشمند برای تشخیص ناهنجاری در اینترنت اشیا با رویکرد یادگیری گروهی و رمزگذارهای عمیق 73 94 210623 10.47176/ECDJ.2025.1669 FA هادی ترازودار دانشجوی دکتری ، گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران 0009-0008-8742-2594 کرم اله باقری فرد دانشیار ، گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران صمد نجاتیان دانشیار ، گروه مهندسی برق ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران حمید پروین دانشیار ، گروه مهندسی کامپیوتر ، واحد نورآباد ممسنی، دانشگاه آزاد اسلامی، نورآباد ممسنی ، ایران راضیه ملک‌حسینی استادیار ، گروه مهندسی کامپیوتر ، واحد یاسوج، دانشگاه آزاد اسلامی، یاسوج، ایران Journal Article 2025 10 09 The Internet of Things (IoT), by providing a platform for automatic communication among millions of smart devices, has become one of the critical infrastructures of the modern world. With the dramatic increase in the diversity, scale, and mobility of these devices, security vulnerabilities have also escalated significantly. In particular, hidden and sophisticated threats emerging through unusual behavioral patterns in the network have underscored the necessity for advanced anomaly detection methods. In this research, a novel model utilizing an ensemble learning approach is presented, combining deep learning techniques with classical machine learning algorithms. After data preprocessing, key features are extracted using Stacked Autoencoder (SAE) and Deep Autoencoder (DAE). Subsequently, an ensemble framework composed of Decision Tree (DT), Multilayer Perceptron (MLP), Probabilistic Neural Network (PNN), and its weighted variant (WPNN) is employed for anomaly detection. Innovations in this study include the design of a dynamic feature selection mechanism within the encoder layer and the proposal of an adaptive weighting scheme for aggregating ensemble model outputs, which enhance the accuracy of detecting unknown attacks and reduce the false positive rate. The proposed model has been evaluated on several reputable datasets including NSL-KDD, BoT-IoT, IoT-NI, IoT-23, MQTT, MQTTset, and IoT-DS2, demonstrating significant performance improvements compared to baseline models اینترنت اشیا (IoT) با فراهم‌سازی بستری برای ارتباط خودکار بین میلیون‌ها دستگاه هوشمند، به یکی از زیرساخت‌های حیاتی دنیای مدرن دبل شده است. با افزایش چشمگیر تنوع، مقیاس و تحرک‌پذیری این دستگاه‌ها، آسیب‌پذیری‌های امنیتی نیز به‌طور فزاینده‌ای تشدید شده‌اند. به‌ویژه، تهدیدات پنهان و پیچیده‌ای که از طریق الگوهای رفتاری غیرمعمول در شبکه پدید می‌آیند، ضرورت بهره‌گیری از روش‌های پیشرفته‌ی تشخیص ناهنجاری را دوچندان نموده است. در این پژوهش، مدلی نوین با بهره‌گیری از رویکرد یادگیری گروهی ارائه گردیده که ترکیبی از تکنیک‌های یادگیری عمیق و الگوریتم‌های کلاسیک یادگیری ماشین را به کار گرفته است. پس از انجام پیش‌پردازش داده‌ها، ویژگی‌های کلیدی از طریق رمزگذار خودکار پشته‌ای (SAE) و رمزگذار خودکار عمیق (DAE) استخراج شده‌اند. در ادامه، یک چارچوب یادگیری گروهی متشکل از درخت تصمیم (DT)، پرسپترون چندلایه (MLP)، شبکه عصبی احتمالی (PNN) و نوع وزنی آن (WPNN) برای شناسایی ناهنجاری‌ها مورد استفاده قرار گرفته است.از نوآوری‌های این تحقیق می‌توان به طراحی یک سازوکار انتخاب پویای ویژگی در لایه رمزگذار و همچنین پیشنهاد یک طرح وزندهی تطبیقی برای ترکیب خروجی مدل‌های گروهی اشاره کرد، که موجب بهبود دقت در تشخیص حملات ناشناخته و کاهش نرخ مثبت کاذب شده است. مدل پیشنهادی بر روی چندین مجموعه‌داده معتبر از جمله NSL-KDD، BoT-IoT، IoT-NI، IoT-23، MQTT، MQTTset و IoT-DS2 ارزیابی شده و نتایج بهبود عملکرد قابل‌توجهی را در مقایسه با مدل‌های مرجع نشان داده‌اند.

https://ecdj.ihu.ac.ir/article_210623_f9e18d1c7fbb06171b30550106c413fa.pdf

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2026 01 04 Dalon: Proactive Cyber Defence with a Counter Attack Honypot Framework دالون: دفاع فرافعال سایبری با چارچوب تله سایبری هجومی 210774 FA مرتضی خیری دانشجوی دکتری، دانشگاه جامع امام حسین (ع)، تهران،ایران رضا جلایی استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران Journal Article 2025 10 08 Today, detecting, tracking, and taking deterrent action against cyber attackers is one of the main challenges in the field of cybersecurity and cyber defense. Traditional attack detection mechanisms, due to their reactive approach to defense and the high rate of false-positive alerts, have complicated the detection process.Various methods have been proposed to address this challenge, and the use of cyber deception traps is one of the effective approaches currently being developed and utilized for targeted and proactive detection of emerging threats. Existing cyber trap solutions, due to their passive structure and one-directional operation, do not lead to deterrence or identification of the origin of the attack. In this article, an enhanced hybrid trap-network framework called Daloon is proposed. Daloon, through its “Explosive Web Trap” component, enables counterattack and reverse intrusion against trapped attackers and, while identifying and tracking the attacker, provides the capability for punitive action that results in cyber deterrence. Daloon is implemented by designing a fake web trap and simulating the HMI of a SCADA industrial control system and contaminating it with a fake and intentionally crafted code-injection vulnerability as well as several other vulnerabilities. Experimental results show that Daloon performs successfully in detecting and responding to three types of offensive techniques and has successfully carried out reverse intrusion and “counterattack.” The proposed Daloon hybrid trap, with reverse-intrusion capability, leads to the adoption of a proactive cyber defense approach—i.e., defense during the attack—and, in addition to reducing false positives in attack analysis, transforms the one-way process of traditional cyber traps, which are purely defensive and passive, into a two-way process that is offensive and deterrent. امروزه شناسایی، تعقیب و اقدام بازدارنده علیه مهاجمین سایبری، یکی از چالش‌های اصلی در حوزه امنیت و دفاع سایبری است. سازوکار‌های سنتی تشخیص حملات به دلیل رویکرد واکنشی به مسئله دفاع و نرخ بالای هشدارهای مثبت نادرست، فرایند تشخیص را پیچیده کرده است. روش‌های متعددی برای حل این چالش ارایه شده است و استفاده از تله‌های سایبری، یکی از روش‌های مؤثری است که در تشخیص هدفمند و پیش از موعد تهدیدات در حال توسعه و بهره‌برداری است. راه‌کارهای موجود تله‌های سایبری به‌دلیل ساختار منفعلانه و یک‌طرفه عمل نمودن، منجر به بازدارندگی و شناسایی منشاء وقوع حمله نمی‌گردند. در این مقاله، یک چارچوب توسعه‌یافته شبکه‌ تله ترکیبی‌ به نام دالون پیشنهاد می‌شود. دالون از طریق بخش «تله وب انفجاری»، قابلیت ضدحمله و نفوذمعکوس علیه مهاجمین به‌دام‌افتاده را فراهم می‌کند و ضمن شناسایی و تعقیب مهاجم، امکان اقدام تنبیهی که منجر به بازدارندگی سایبری می‌شود را فراهم می‌کند. دالون با طراحی تله وب‌ جعلی و شبیه‌سازی HMI سیستم کنترل صنعتی اسکادا و آلوده‌سازی آن به آسیب‌پذیری جعلی و عمدی تزریق‌کد و چندین آسیب‌پذیری دیگر پیاده‌سازی شده است. نتایج آزمایش‌ها نشان می‌دهد که دالون عملکرد موفقی در شناسایی و برخورد با سه مورد از روش‌های تهاجمی دارد و اقدام نفوذ معکوس و «ضدحمله» را با موفقیت انجام داده است. طرح پیشنهادی تله ترکیبی دالون، با قابلیت نفوذ معکوس، منجر به اتخاذ رویکرد دفاع فرافعال سایبری یعنی دفاع حین حمله می‌شود و علاوه بر کاهش فرایند مثبت غلط در تحلیل حملات، فرایند یک‌طرفه تله‌های سایبری معمول را که صرفاً دفاعی و منفعل هستند، به فرآیند دوطرفه که هجومی و بازدارنده هستند، تبدیل می‌کند.

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 22 Joint Sensing and Transmission Strategy Considering Imperfect Signal Cancellation in Cognitive Radio Communications طیف سنجی و ارسال داده به طور همزمان با در نظر گرفتن حذف ناقص سیگنال در شبکه های رادیوشناختگر 210782 FA جواد زراعتکارمقدم استادیار ،گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایران 0000-0002-6952-609X محمد سروری مربی، گروه مهندسی برق ، دانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند ، ایران محمد صادقیان پژوهشگر،دانشگاه صنعتی مالک اشتر، اصفهان، ایران Journal Article 2025 10 14 Recently, the smartening of electronic warfare using cognitive radio technology can be very useful. Among the results of the application of this technology, the ability to understand the surrounding environment includes the automatic detection of friendly signals from the enemy, identification of jamming threats and transmission operations to different frequencies in order to prevent jamming attacks. In common cognitive radio systems, the secondary user detects the presence or absence of the primary user's signal by using suitable spectrometric patterns before starting the conversation. However, one of the challenges of this method is the reduction of the secondary user throughput, because no data is sent in the spectrum sensing time frame. In this paper, the idea of joint spectrum sensing and information transmission is studied, which is achieved with the cooperation of the secondary transmitter and receiver. First, the secondary transmitter signal is decoded by the secondary receiver. Then, it is subtracted from the total received signal and finally the presence or absence of the primary user is detected from the remaining signal. Contrary to common methods, in this work, Imperfect Decoding of the signal and the effect of decoding errors on the spectrum sensing reliability is evaluated. Then, analytical expressions for the probability of false alarm are obtained. The simulation results show that the proposed method improves the spectral efficiency of the cognitive radio system. Comparing the proposed method with the conventional sensing method, as well as with the antenna splitting, power splitting, and joint antenna splitting and energy harvesting methods, shows that at different sensing times, the proposed method achieves higher throughput than the other mentioned methods, and a maximum throughput of 2 b/s/Hz can be achieved which is independent of the sensing time. امروزه، هوشمند‌سازی جنگ الکترونیک با استفاده از فناوری رادیوشناختگر می‌تواند بسیار مفید باشد. از نتایج کاربرد این فناوری، توانایی درک محیط اطراف شامل تشخیص خودکار سیگنال‌های دوست از دشمن، شناسایی تهدیدات جمینگ و عملیات انتقال به فرکانس‌های مختلف به منظور جلوگیری از حمله جمینگ می باشد. در سیستم‌های رادیوشناختگر رایج، کاربر ثانویه قبل از شروع گفتگو، با استفاده از الگوهای طیف سنجی مناسب، حضور یا عدم حضور سیگنال کاربر اولیه را تشخیص می دهد. با این حال، از چالش های این روش، کاهش گذردهی کاربر ثانویه است، زیرا هیچ ارسال داده‌ای در بازه زمانی طیف سنجی انجام نمی شود. در این مقاله، با در نظر گرفتن همکاری بین فرستنده و گیرنده ثانویه، شبکه ای شامل طیف سنجی توأم با ارسال اطلاعات مدنظر قرار گرفته است. ابتدا، سیگنال فرستنده‌ ثانویه توسط گیرنده‌ ثانویه کدگشایی می‌شود. سپس، آن را از مجموع سیگنال دریافتی کم می‌کند و در نهایت تشخیص حضور یا عدم حضور کاربر اولیه، از سیگنال باقیمانده انجام می‌شود. برخلاف روش‏های متداول، در این مقاله، حذف ناقص سیگنال و تأثیر خطاهای کدگشایی بر قابلیت اطمینان طیف سنجی ارزیابی و عبارت‌های تحلیلی برای احتمال هشدار خطا حاصل می شود. نتایج شبیه سازی نشان می دهد که ایده‌ی پیشنهادی باعث بهبود بهره وری طیفی سیستم رادیوشناختگر می شود. مقایسه روش پیشنهادی با روش متداول طیف سنجی و همچنین روش های تقسیم آنتنی، تقسیم توانی و تقسیم آنتنی توأم با برداشت انرژی، نشان می دهد که در زمان های طیف سنجی مختلف، گذردهی بیشتری نسبت به سایر روش های ذکر شده حاصل می گردد؛ لذا حداکثر گذردهی 2b/s/Hz بطور مستقل از زمان طیف سنجی قابل دستیابی است.

دانشگاه جامع امام حسین (ع) پدافند الکترونیکی و سایبری 2322-4347 13 4 2025 12 22 Fuzzy-Enhanced Deep Kronecker Stacked Autoencoder for Robust Attack Detection in Social Internet of Things رمزگذار خودکار پشته‌ای کرونکر عمیق بهبود‌یافته با منطق فازی برای تشخیص مقاوم حملات در اینترنت اشیاء اجتماعی 210783 FA محمد حسن نتاج صلحدار دانشجوی دکتری،پردیس صنعتی شهدای هویزه، دانشگاه شهید چمران اهواز، اهواز، ایران 0000-0002-8959-3345 Journal Article 2025 10 09 This paper proposes a novel hybrid model, the Fuzzy Deep Kronecker Stacked Autoencoder (FDKSAE), addressing the increasing complexity and dynamism of attacks in Social Internet of Things (SIoT) environments. Initially, raw network data were scaled using Z-score normalization. Subsequently, a deep neural network enhanced with the Gower similarity metric was employed for feature integration. In the detection phase, the deep Kronecker network architecture was combined with a multi-layer autoencoder and fuzzy logic to dynamically react to diverse attack patterns and varying network conditions. For performance evaluation, the N-BaIoT dataset, comprising over seven million samples and ten diverse attack classes, was utilized. Experimental results demonstrated that the proposed model achieved superior performance with simultaneous improvements in accuracy (92%), F1-score (91%), and prediction precision (91%), compared to conventional methods such as GAN, MH CNN AM, TM MLA, and HAD. These achievements underscore that the integration of fuzzy logic with deep architectures can effectively manage uncertainties associated with network traffic and attack patterns. در این پژوهش، با توجه به پیچیدگی‌ و پویایی روزافزون حملات در محیط‌های اینترنت اشیاء اجتماعی (SIoT)، یک مدل ترکیبی نوین به نام خودرمزگذار پشته‌ای کرونکر عمیق فازی (Fuzzy DKSA) پیشنهاد شده است. ابتدا داده‌های خام شبکه با استفاده از نرمال‌سازی Z Score به مقیاس یکسان رسانده شدند و سپس از یک شبکه عصبی عمیق (DNN) تقویت‌شده با معیار شباهت گوور برای ادغام ویژگی‌ها بهره گرفته شد. در فاز تشخیص، ساختار شبکه کرونکر عمیق (DKN) با رمزگذار خودکار چندلایه (DSA) همراه با منطق فازی ترکیب شد تا به صورت پویا نسبت به الگوهای متفاوت حمله و شرایط متغیر شبکه واکنش نشان دهد. برای سنجش عملکرد، مجموعه‌داده‌ی N BaIoT با بیش از هفت میلیون نمونه و ده کلاس حمله متنوع مورد استفاده قرار گرفت. نتایج تجربی نشان داد که مدل پیشنهادی با بهبود همزمان دقت (۹۲٪)، معیار ) F1۹۱٪( و دقت پیش‌بینی (۹۱٪)، نسبت به روش‌های مرسوم مانند GAN، MH CNN AM، TM MLA و HAD برتری دارد. این دستاوردها تأکید می‌کنند که ادغام منطق فازی با معماری‌های عمیق می‌تواند عدم قطعیت‌‌های مرتبط با ترافیک شبکه و الگوهای حمله را به‌طور مؤثری مدیریت کند.