دانلود ترجمه مقاله تشخیص تداخل در شبکه های سنسور بی سیم و دستگاه های لبه ای GPS

1. مقدمه 2. کارهای مرتبط 3. آزمایش: شبیه سازی ZigBee 4. جمع آوری و آزمایش داده های زنده 5. نتایج: ZigBee و داده های GPS 6. نتیجه گیری

چکیده – علیرغم توسعه چشمگیر شبکه‌های سنسور بی‌سیم (WSN) در دهه گذشته، این شبکه‌ها، مانند اکثر شبکه‌های بی‌سیم، در معرض تداخل مخرب و همزیستی طیف قرار دارند. سایر آسیب‌پذیری‌ها در برنامه‌های WSN معمولاً با اتخاذ استانداردهای باز و تجهیزات تجاری در دسترس با محدودیت منابع و انرژی ایجاد می‌شوند. به کاراندازی این سامانه ها شامل برنامه های حیاتی امنیتی از قبیل اینترنت اشیا، اکتشافات پزشکی، هوافضا و فضا و دیپ سی می شود. به منظور مدیریت الزامات ایمنی و حفظ حریم خصوصی در پهنه متنوع بی سیم، باید امنیت دستگاه های لبه ای بی سیم بهبود یابد و در عین حفظ پیچیدگی آن ها پایین نگه داشته شود. این مقاله بواسطه ایجاد چارچوب جدید برای تشخیص تداخل هوشمند، امنیت دستگاه لبه ای بی سیم را بهبود می بخشد. منحصراً از نمونه‌های دریافتی هم فاز (I) و فاز تربیعی (Q) برای شناسایی حملات پارازیتی خام مدرن، ظریف و سنتی استفاده شده است. استفاده از نمونهI/Q موجب می شود تا به طور خود به خودی فعال شود و این نوع تصمیمی گیری از ویژگی‌های مرتبه پایین مطالعه قبلی برگزیده شده که بر طبقه‌بندی سیگنال‌های بی‌سیم معمولی GHz 2.5-2.4 متمرکز بوده است. از مدل‌های هوشمند بهینه و مرتبط به عنوان مبنایی برای کار این مقاله استفاده می‌شوند. در ابتدا، شبیه‌سازی‌های مونت‌کارلو متلب (Matlab Monte Carlo) به بررسی یک مورد ایده‌آل می پردازد که دربردارنده هیچگونه محدودیت سخت‌افزاری نمی باشد، این شبیه سازی نوع داده‌های مورد نیاز برای تعامل سیگنال را شناسایی می‌کند و انگیزه تحقیق سخت‌افزاری را فراهم می‌کند. رادیوهای نرم‌افزاری (SDR) داده‌هایI/Q مورد نیاز برای رمزگذاری هوایی زنده را جمع‌آوری می‌کنند و سیگنال تطبیقی (ZigBee) و تداخل موج پیوسته را به بسترهای آزمایشی و توسعه یافته بی‌سیمZigBee ارسال می‌کنند. مدل‌های ماشین یادگیری نظارت‌شده با پیچیدگی پایین، منحصراً بر اساس ویژگی‌های مرتبه پایین توسعه یافته‌اند و در بین مدل‌های توسعه‌یافته به دقت متوسط و بالای ۹۸% دست می یابند. روش طراحی شده شامل بررسی داده های رمزگذاری هواییZigBee در پارازیت مصنوعی و پارازیت SDR در سیگنال های ZigBee ارسال شده از SDR و منابع تجاری (XBee) است. این رویکرد، تکنیک طبقه بندی گره برحق و الگوریتم نهایی ابزارهای تشخیص تداخل دستگاه لبه ای بی سیم را به تفصیل شرح می دهد. این تحقیق شامل مدل‌های نوظهور ماشین بردار پشتیبانی،XGBoost و شبکه عصبی عمیق (DNN) است و در آن الگوریتمXGBoost ، الگوریتمی بهینه می باشد. انطباق مدل‌های بهینه‌شده با سیگنال‌های سیستم موقعیت‌یابی جهانی، انتقال پذیری روش طراحی‌شده را تصدیق می‌کند. پیاده‌سازی رویکردهای طراحی‌شده در دستگاه تعبیه‌شده رزبری پای (Raspberry Pi)، استقرار محدود به منابع را بررسی می‌کند. نقش اصلی این تحقیق، چارچوب تشخیص تداخل معتبر تجربی و واقعی آن می باشد که موجب عملکرد مستقل دستگاه می شود و نیازی به گونه فرضیه هدایت کننده، اطلاعات سطح شبکه یا تصاویر طیفی نیاز ندارد. مدل‌های توسعه‌یافته منحصراً از ویژگی‌های مرتبه پایین داده I/Q استفاده می‌کنند و در مورد داده‌های دیده نشده [ منظور از داده‌های دیده نشده، داده‌هایی است که برای آموزش مدل استفاده نشده‌اند و در واقع داده‌های جدیدی هستند که به مدل داده می‌شوند] به دقت و تعمیم بالایی دست می‌یابند.

Despite Wireless Sensor Networks (WSNs) significantly developing over the past decade, these networks, like most wireless networks, remain susceptible to malicious interference and spectrum coexistence. Other vulnerabilities arise as WSN applications adopt open standards and typically resource and energy-constrained commercial-off-the-shelf equipment. Deployments include safety-critical applications such as the internet of things, medical, aerospace and space and deep-sea exploration. To manage safety and privacy requirements across such a diverse wireless landscape, security on wireless edge devices needs improvement while maintaining low complexity. This paper improves wireless edge device security by developing a novel intelligent interference diagnostic framework. Received in-phase (I) and quadrature-phase (Q) samples are exclusively utilized to detect modern, subtle and traditional crude jamming attacks. This I/Q sample utilization inherently enables decentralized decision-making, where the low-order features were extracted in a previous study focused on classifying typical 2.4–2.5 GHz wireless signals. The associated optimal intelligent models are leveraged as the foundation for this paper’s work. Initially, Matlab Monte Carlo simulations investigate the ideal case, which incorporates no hardware limitations, identifies the required data type of signal interactions and motivates a hardware investigation. Software-defined radios (SDRs) collect the required live over-the-air I/Q data and transmit matched signal (ZigBee) and continuous-wave interference in developed ZigBee wireless testbeds. Low complexity supervised machine learning models are developed based exclusively on the low-order features and achieve an average accuracy among the developed models above 98%. The designed methodology involves examining ZigBee over-the-air data for artificial jamming and SDR jamming of ZigBee signals transmitted from SDR and commercial (XBee) sources. This approach expands to a legitimate node classification technique and an overall algorithm for wireless edge device interference diagnostic tools. The investigation includes developing Support Vector Machine, XGBoost and Deep Neural Network (DNN) models, where XGBoost is optimal. Adapting the optimized models to global positioning system signals establishes the transferability of the designed methodology. Implementing the designed approaches on a Raspberry Pi embedded device examines a relatively resource-constrained deployment. The primary contribution is the real experimentally validated interference diagnostic framework that enables independent device operation, as no channel assumptions, network-level information or spectral images are required. Developed models exclusively use I/Q data low-order features and achieve high accuracy and generalization to unseen data.

ترجمه این مقاله در 66 صفحه آماده شده و در ادامه نیز صفحه 56 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.