Бидний тухай
Багш ажилтан
Интернэт орчин IPѵ6-руу шилжих шаардлага бий болоод удаж байна. Гэсэн хэдий ч IPv4 -ийн хэрэглээ буурахгүй байгаа нь энэхүү шилжилтийг удаашруулж байгаа билээ. Энэхүү ажлаараа их сургуулийн кампус сүлжээг ІРѵ6- only гэсэн төлөвт шилжүүлэхэд зорилготой хийгдэж буй алхамуудыг танилцуулж, тэдгээрийг нэвтрүүлэх үеийн гүйцэтгэлийг шинжилэх, харьцуулалт хийнэ. Бид эхлээд кампус сүлжээний хуулбар туршилтын орчин бүрдүүлж, хоёр хаяглалтын протокол болон шилжилтийн үе шатуудын хооронд round trip time (RTT) хоцрогдол, цэгээс цэгт нэвтрүүлэх чадамж гэсэн үзүүлэлтүүдээр харьцуулан үнэлсэн. Үр дүнгээс харахад дундаж хоцрогдол ойролцоо байсан ч IPѵ4 бага зэрэг илүү гарсан. RTT-ийн хувьд IPѵб нь IPѵ4-тэй (163.72 ms) харьцуулахад их (194.85 ms) байсан. Ялангуяа сүлжээний нэвтрүүлэх чадамжийн хувьд IPv6-only төлөв нь харьцангуй хурдан буюу хамгийн ихдээ 7571 KBpѕ гэсэн үр дүн үзүүлсэн. ІРѵ6 -руу шилжихэд сүлжээний дэд бүтцээс илүү системүүдийн шинэчлэлийг хурдан гүйцэтгэх хэрэгтэй болох нь ажиглагдсан. Төгсгөлд нь бодит сүлжээнд IPv4-only болон IPv6-only сүлжээнүүдийг байгуулж Интернэт байрлах сервертэй файл солилцох үеийн харьцуулалтыг хийсэн.
Abstract – Conditional Handover (CHO) is a state-of-the-art handover technique designed for 5G and beyond networks. It decouples the preparation and execution phases of the traditional handover process and aims to reduce wrong cell selection by utilizing a predefined list of target cells. Despite its advantages, the limitations of static parameter configuration compromise CHO performance. This paper proposes a self-optimization mechanism for CHO parameters in 5G networks. Our proposed mechanism is an automated method for estimating and optimizing CHO parameters, dynamically adjusting key parameters to fine-tune the conditions that trigger the execution phase of the handover process. In addition, we introduce a second handover trigger referred to as the cell outage condition. We compared the performance of our proposed mechanism with the baseline CHO, velocity-based, and cell-outage based mechanisms, using Ping-Pong Handovers (PPHO) and Radio Link Failures (RLF). The simulation results demonstrate reduction of up to 7% in RLF, a 0.15% decrease in handover errors, and an improvement of approximately 10% in handover performance at velocities of up to 200 km/h in high-mobility scenarios.
Conditional Handover (CHO), a state-of-the-art handover technique designed exclusively for 5G, decouples the preparation and execution phases of the traditional handover process and aims to reduce wrong cell selection by a list of target cells. Despite its advantages, static parameter configuration limitations compromise CHO performance. This paper introduces a parameter estimation mechanism for CHO in 5G networks. Our proposal, an autotuning parameter mechanism for CHO, is an automated method for estimating and optimizing CHO parameters, which can adjust key parameters in fine-tuning the conditions that trigger the execution stage of the handover process. We compared our proposal with CHO by Ping-Pong handovers and radio link errors in the simulation.
In this study, we present a static Android malware detection system using data mining and machine learning techniques that includes five feature selection methods: Information Gain, Binormal Separation, Chi-squared, Relief, and Principal Component Analysis; and four machine learning algorithms: Naive Bayes, SVM, J48, and Random Forest. To overcome the lack of usual signature-based antivirus products, we use static analysis to extract valuable features of Android applications. We extract permission and API call features of Android APK files. Afterward, the feature selection methods are used to select valuable feature subsets. This feature subset is selected by conducting extensive experimental analysis in which experimental thresholds select various feature subsets, and the subset trains the machine learning algorithms to find the best model. By adopting the concepts of machine learning and data mining, we construct a malware detection system that has an Overall Accuracy of 96%.
Дата төвийг байгууллагын онцлогт зориулан зохион байгуулах боловч өргөтгөл, шинэчлэлтийн асуудал зардал их юм. Мөн үүлэн тооцоолол, виртуалчлал зэрэг технологийг нэвтрүүлж байж дата төв нь өсөн нэмэгдэж байгаа хэрэгцээг хангах, ачаалал даах, найдвартай байдал сайжрах шаардлагатай болж байна. Энэхүү судалгааны ажлаараа бид сүлжээний уламжлалт архитектуртай дата төвийг программаар тодорхойлогддог сүлжээнд суурилсан архитектурт шилжүүлэх, үйл ажиллагааны талаар болон явцын дундах алдааг хэрхэн шийдсэн талаар танилцуулна. Дараа нь 2 болон түүнээс дээш дата төвийн сүлжээг программаар тодорхойлогдсон сүлжээнд нэвтрүүлэхдээ контроллерууд, чиглүүлэгчийн байршуулалтыг оновчтой зохион байгуулах замаар гүйцэтгэлийг нэмэгдүүлж, үр ашгийг бий болгосон шийдлийг танилцуулах болно.
Нөхцөлт хэндовр нь 5G сүлжээнд зориулан хөгжүүлсэн хэндовр механизм юм. Энэхүү механизм нь уламж- лалт хэндоврийн бэлтгэх болон гүйцэтгэх үе шатуудыг салгах, бай үүрийн жагсаалт бий болгох замаар хэрэглэгчийн шилжин орох боломжтой үүрүүдийн тоог олон байлгаж RLF, HPP болон бэлтгэх шатанд гарах алдааг багасгах давуу талтай юм. Харин хяналтын мессежний тоо ихсэх, олон бай үүрээс сонголт хийх асуудал зэрэг сул талуудтай. Энэхүү судалгааны ажлаараа бид HPI-д суурилсан нөхцөлт хэндов- рийн механизм танилцуулна. Энэхүү механизм нь гүйцэтгэлийг сайжруулах, алдааг бууруулах зорилгоор хэндоврийн гүйцэтгэх шатыг эхлүүлэхэд хэрэглэдэг параметрүүдийн утгыг автоматаар тохируулах юм. Өгүүллийнхээ төгсгөлд бид туршилтын үр дүнг танилцуулж дүгнэлт хийнэ. Бид санал болгосон механиз- маа 3GPP-ийн стандарт хувилбартай харьцуулахад алдаа багассан, гүйцэтгэл тогтворжсон сайн талтай байсан.
Хураангуй—Ухаалаг төхөөрөмжийн хэрэглээ нэмэгдэхийн хэрээр мэдээлэлд илүү хялбар хандах боломжтой болж байгаа хэдий ч тэдгээрийн аюулгүй байдал чухал асуудлуудын нэг байсаар байна. Нөгөө талаараа хөнөөлт програмуудын тусламжтайгаар хэрэглэгчийн эмзэг, чухал мэдээлэлд зөвшөөрөлгүй хандах боломжийг бий болгож байдаг. Учир нь Google play store -д өөрийн бичсэн програмыг байрлуулах нь тийм ч хүндрэлтэй биш бөгөөд энэ нь хэрэглэгч аюул, заналд өртөх нөхцөлийг бүрдүүлэх хүчин зүйлсийн нэг болдог. Тиймээс энэхүү судалгааны ажлын хүрээнд андройдын цэвэр болон хөнөөлт програмыг зурагт хөрвүүлж гүн сургалтын Convolutional Neural Network (CNN) загвар ашиглан хөнөөлт програмыг илрүүлэхийг зорьсон. Судалгааны явцад 120 цэвэр програмыг цуглуулж бэлтгэсэн бөгөөд CICAndMal2017 датасетээс хоёр төрлийн хөнөөлт програмыг зурган файлд ижил аргаар хөрвүүлэн нэгтгэн гүн сургалтын арга ашиглан туршилтыг хийж гүйцэтгэсэн. Туршилтын үр дүнд зөвхөн сlasses.dex файлыг ашиглан андройд програмаас хөнөөлт програм мөн болохыг бусад аргатай харьцуулахад 92,7% -ийн нарийвчлалтай програмыг илрүүлж байгааг харуулсан болно.
Хураангуй— Нөхцөлт хэндовр нь 5G сүлжээнд зориулан хөгжүүлсэн хэндовр механизм юм. Энэхүү механизм нь уламжлалт хэндоврийн бэлтгэх болон гүйцэтгэх үе шатуудыг салгах, бай үүрийн жагсаалт бий болгох замаар хэрэглэгчийн шилжин орох боломжтой үүрүүдийн тоог олон байлгаж RLF, HPP болон бэлтгэх шатанд гарах алдааг багасгах давуу талтай юм. Харин хяналтын мессежний тоо ихсэх, олон бай үүрээс сонголт хийх асуудал зэрэг сул талуудтай. Энэхүү судалгааны ажлаараа бид HPI-д суурилсан нөхцөлт хэндоврийн механизм танилцуулна. Энэхүү механизм нь гүйцэтгэлийг сайжруулах, алдааг бууруулах зорилгоор хэндоврийн гүйцэтгэх шатыг эхлүүлэхэд хэрэглэдэг параметрүүдийн утгыг автоматаар тохируулах юм. Өгүүллийнхээ төгсгөлд бид туршилтын үр дүнг танилцуулж дүгнэлт хийнэ. Бид санал болгосон механизмаа 3GPP-ийн стандарт хувилбартай харьцуулахад алдаа багассан, гүйцэтгэл тогтворжсон сайн талтай байсан.
In recent years, a deep neural network has been solving a variety of complex problems of science and engineering fields ranging from healthcare to transportation. Among them, one of the most crucial issues is to protect a network against cyber threats. In this article, we present a two-stage IDS framework based on a single-layer Sparse Autoencoder (SAE) and Long Short-Term Memory (LSTM), to design an effective network intrusion detection. Initially, the single-layer SAE learns new feature representations of the data through the nonlinear mapping, following that, the new feature representations are fed into the LSTM model to classify network traffic whether it is being normal or attack. The proposed framework was evaluated on the benchmark NSL-KDD dataset, where the mean accuracy of the proposed method was achieved 84.8%. The experimental results show that the two-stage IDS framework achieved better classification accuracy than the existing state-of-the-art methods.
