جایگذاری بهینه دوربین‌ها باهدف افزایش پوشش تصویری به کمک الگوریتم ژنتیک و جستجوی هارمونی

سامانه دوربین‌های مداربسته در انواع برنامه‌های کاربردی مانند نظارت بر ترافیک، جلوگیری از جرم و جنایت و اطمینان بخشی به ایمنی اماکن عمومی مورد استفاده قرار می‌گیرد. ازاین‌رو، پوشش ناحیه‌ای دوربین‌های مداربسته برای افزایش امنیت و کاهش هزینه، از بحث‌های چالش‌برانگیز در این زمینه می‌باشد. در روش‌های معمول برای جایگذاری دوربین‌ها اغلب از روش‌های طراحی و آزمون‌وخطا استفاده می‌شود که این روش نیازمند صرف زمان بیشتری بوده و همچنین تعیین مکان بهینه دوربین‌ها میسر نمی‌شود. ازاین‌رو، در این مقاله یک روش جدید برای جایگذاری بهینه دوربین‌ها بر اساس گرافیک رایانه ای و الگوریتم ژنتیک و جستجوی هارمونی ارائه ‌شده است که علاوه بر افزایش پوشش تصویری و امنیت، هزینه‌ها را نیز کاهش می‌دهد. در روش پیشنهادی، نقشه ساختمان به‌صورت فرمت‌های رایج تصویر به‌عنوان ورودی دریافت شده و سپس الگوریتم پیشنهادی با استفاده از محاسبه و تغییر زوایای دوربین‌ها و یافتن بهترین مکان قرارگیری آن‌ها ازنظر میدان دید، پوشش  ناحیه ای منطقه را افزایش می‌دهد. روش پیشنهادی به دو روش آمیزش نقطه‌ای و ماسک تصادفی انجام می‌گیرد که روش آمیزش نقطه‌ای، زمان جستجو را به‌طور قابل‌ملاحظه‌ای بهبود داده و روش ماسک تصادفی پوشش نزدیک به بهینه‌ای را ارائه می‌دهد. همچنین استفاده از تنوع‌گرایی جمعیت در روش ماسک تصادفی باعث رسیدن به جواب بهینه سراسری شده که مشکل اغلب روش‌های پیشین می‌باشد. روش پیشنهادی پوشش ناحیه‌ای را تا 40٪ بهبود داده است.

Optimal Placement of Cameras to Maximize Visual Coverage using Genetic Algorithm and Harmony Search

In our days, the need for secure protocols and devices seems to be one of the most important issues in the communication systems. Template attacks is a powerful kind of simple power analysis attack that is able to effectively identify and retrieve efficiently the instructions executed by a typical processor and the    Hamming weight of their operands. It is usually carried out by using templates that are created from the samples of power consumed by the device on a test platform and statistical analysis of real measurements. This paper describes practical implementation of this attack against the realization of the Advanced       Encryption Standard (AES) on ARMLPC processor. In order to mount the attack, the power samples of the cryptoprocessor processor during the execution of the AES was recorded and exported to the feature      extraction and reduction algorithm. Then, the reduced samples were categorized using the machine     learning algorithm. Due to more complex architecture, lower power consumption and larger number of pipeline stages compared to other microprocessors which make the attack more difficult, practical implementation of this attack on ARM processor has received less attention in related articles. The main contribution of this paper is efficient use of machine intelligence in improving the attack performance such that the improved attack is able to recover the Hamming weight of the output of the first AES SBox with 77% success rate and correct identification of the instructions of the processor with 55% success rate in average.