فهرست نشریات علمی دسترسی آزاد ایران

برای برآورده کردن الزامات ارتباطات فوق­العاده مطمئن با تاخیر کم در 5G، طرح­های دسترسی بدون تخصیص (GF) پیشنهاد شده است. در این طرح­ها، احتمال وجود داشتن گره­های بدرفتار وجود دارد. به همین دلیل تشخیص بدرفتاری در این طرح­ها اهمیت دارد. در این پژوهش به دنبال تشخیص بدرفتاری در روش دسترسی بدون تخصیص ALOHA شکاف­دار مبتنی­بر K بار ارسال مکرر هستیم. در پژوهش­های پیشین، امنیت MACهای سنتی مانند ALOHA بررسی شده است؛ اما امنیت دسترسی بدون تخصیص در شبکه­های نسل ۵ تا کنون بررسی نشده است. در این تحقیق، از یادگیری عمیق مبتنی­بر مدل حافظه کوتاه مدت طولانی (LSTM) برای تشخیص بدرفتاری استفاده می­شود و با تزریق دنباله­­های پنجره­بندی شده از سوابق دسترسی به کانال به مدل آموزش داده شده، وضعیت یک دستگاه از نظر بدرفتار بودن بررسی می­شود. مدل بدرفتاری که در این پژوهش برای گره­های بدرفتار در نظر گرفته شده است، شامل تغییر در احتمال ارسال و همچنین تغییر در تعداد ارسال مکرر پروتکل است. نتایج حاصل از شبیه­سازی حاکی از قابل قبول بودن دقت راهکار پیشنهادی در شناسایی دستگاه­های بدرفتار است. دقت روش پیشنهادی در مقایسه با یک روش پایه آماری به طور متوسط، ۳۸٪ بهبود یافته است که این بهبود در ازای هزینه تعلیم مدل یادگیرنده است.  همچنین، نتایج نشان می­دهد که تحت شرایط ثابت محیط، با افزایش تعداد گره­ها یا افزایش تعداد گره­های بدرفتار، دقت تشخیص بدرفتاری کاهش می­یابد. همچنین مشاهده شد که اگر بدرفتاری به صورت خاموش-روشن باشد، تشخیص آن دشوارتر است.