وحدة كشف الدخلاء المرئية الداخلية على أساس الذاكرة الترابطية متعددة التوصيلات
محتوى المقالة الرئيسي
الملخص
ركزت معظم الدراسات الحديثة على استخدام التقنيات الذكية الحديثة مكانيًا ، مثل تلك التي تم تطويرها في وحدة اكتشاف الدخلاء (IDS). تم بناء هذه التقنيات اعتمادًا على وحدات حديثة قائمة على الذكاء الاصطناعي. هذه الوحدات تعمل مثل الدماغ البشري. وبالتالي ، كان ينبغي أن تكون لديهم القدرة على التعلم والتعرف على ما تعلموه. وجاءت أهمية تطوير مثل هذه الأنظمة بعد مطالب العملاء والمنشآت بالحفاظ على ممتلكاتهم وتجنب الإضرار بالمتطفلين. سيتم توفير ذلك من خلال وحدة ذكية تضمن الإنذار الصحيح. وبالتالي ، تم اقتراح وحدة كشف دخيل بصرية داخلية تعتمد على الذاكرة الترابطية متعددة التوصيلات (MCA). من خلال استخدام الذاكرة الترابطية MCA كإتجاه جديد ، تمر الوحدة المقترحة بمرحلتين: الأولى هي مرحلة التدريب (التي يتم تنفيذها مرة واحدة أثناء عملية تثبيت الوحدة) والثانية هي مرحلة التحليل. سيتم تطوير كلتا المرحلتين من خلال استخدام MCA ، كل حسب عمليتها. ستتم مرحلة التدريب خلال مرحلة التعلم في MCA ، بينما ستتم مرحلة التحليل من خلال مرحلة التقارب في MCA. يزيد استخدام MCA من كفاءة عملية التدريب للنظام المقترح باستخدام حد أدنى من صور التدريب لا يتجاوز 10 صور تدريبية من إجمالي عدد الإطارات بتنسيق JPG. تم تقييم الوحدة المقترحة باستخدام 11825 صورة تم استخلاصها من 11 مقطع فيديو تم اختباره. نتيجة لذلك ، يمكن للوحدة الكشف عن الدخيل بنسبة دقة تتراوح من 97٪ إلى 100٪. كان متوسط وقت عملية التدريب لمقاطع الفيديو التدريبية في حدود 10.2 ثانية إلى 23.2 ثانية.
Received 14/10/2021
Accepted 30/5/2022
Published Online First 20/9/2022
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Vincent M, Arumugam P, Prabhakara Rao G. Interior intrusion detection system. Proc - Int Carnahan Conf Secur Technol. 2019; 2019-Octob: 2–5.
Gong L, Yang W, Zhou Z, Man D, Cai H, Zhou X, et al. An adaptive wireless passive human detection via fine-grained physical layer information. Ad Hoc Networks [Internet]. 2016; 38: 38–50. Available from: http://dx.doi.org/10.1016/j.adhoc.2015.09.005
Ko S, Yu S, Kang W, Park C, Lee S, Paik J. Artifact-Free Low-Light Video Enhancement Using Temporal Similarity and Guide Map. IEEE Trans Ind Electron. 2017; 64(8): 6392–401.
Park S, Moon B, Ko S, Yu S, Paik J. Low-light image restoration using bright channel prior-based variational Retinex model. Eurasip J Image Video Process. 2017; 2017(1): 1–11.
Castro JL, Delgado M, Medina J, Ruiz-Lozano MD. Intelligent surveillance system with integration of heterogeneous information for intrusion detection. Expert Syst Appl [Internet]. 2011; 38(9): 11182–92. Available from: http://dx.doi.org/10.1016/j.eswa.2011.02.165
Wu D, Zhang D, Xu C, Wang H, Li X. Device-Free WiFi Human Sensing: From Pattern-Based to Model-Based Approaches. IEEE Commun Mag. 2017; 55(10): 91–7.
Liu H, Lang B. Machine learning and deep learning methods for intrusion detection systems: A survey. Appl Sci. 2019; 9(20).
Noor Adnan Ibraheem. Modifying Hebbian Network for Text Cipher. Baghdad Sci J [Internet]. 2011 Dec 4; 8(4 SE-): 1028–37. Available from: https://bsj.uobaghdad.edu.iq/index.php/BSJ/article/view/1325
Hussien Z K, Dahannon B N. Anomaly Detection Approach Based on Deep Neural Network and Dropout. Baghdad Sci J. https://doi.org/10.21123/bsj.2020.17.2(SI).0701
Emad I Abdul Kareem, Aman Jantan. MCA: A Developed Associative Memory Using Multi-Connect Architecture. Int J Intell Inf Process. 2011; 2(1): 49–62.
Emad I Abdul Kareem, Wafaa A.H. Ali Alsalihy, Aman Jantan. Multi-Connect Architecture (MCA) Associative Memory: A Modified Hopfield Neural Network. J Intell Autom Soft Comput. 2012; 18(3): 291–308.
Palipana S, Agrawal P, Pesch D. Channel state information based human presence detection using non-linear techniques. Proc 3rd ACM Conf Syst Energy-Efficient Built Environ BuildSys 2016. 2016; 177–86.
Qian K, Wu C, Yang Z, Liu Y, Fugui HE, Xing T. Enabling contactless detection of moving humans with dynamic speeds using CSI. ACM Trans Embed Comput Syst. 2018; 17(2): 1–18.
Soltanaghaei E, Kalyanaraman A, Whitehouse K. Peripheral WiFi vision: Exploiting multipath reflections for more sensitive human sensing. WPA 2017 - Proc 4th Int Work Phys Anal co-located with MobiSys 2017. 2017; 13–8.
Wu C, Yang Z, Zhou Z, Liu X, Liu Y, Cao J. Non-invasive detection of moving and stationary human with WiFi. IEEE J Sel Areas Commun. 2015; 33(11): 2329–42.
Zhou R, Lu X, Zhao P, Chen J. Device-Free Presence Detection and Localization with SVM and CSI Fingerprinting. IEEE Sens J. 2017; 17(23): 7990–9.
Zhu H, Xiao F, Sun L, Wang R, Yang P. R-TTWD: Robust Device-Free Through-The-Wall Detection of Moving Human with WiFi. IEEE J Sel Areas Commun. 2017; 35(5): 1090–103.
Nguyen DT, Li W, Ogunbona PO. Human detection from images and videos: A survey. Pattern Recognit [Internet]. 2016; 51: 148–75. Available from: http://dx.doi.org/10.1016/j.patcog.2015.08.027.
Song W, Yu J, Zhao X, Wang A. Research on action recognition and content analysis in videos based on DNN and MLN. Comput Mater Contin. 2019; 61(3): 1189–204.