یکی از مسائل مهم در شبکه‌های کامپیوتری پویا از قبیل شبکه‌های اینترنت اشیاء که در آن هزینه اتصالات به‌طور پی‌درپی تغییر می‌کند، ایجاد توازن بار ترافیکی و افزایش سرعت‌ انتقال بسته‌ها در شبکه است. بطوری که بسته‌های داده از مسیرهایی با حداقل تراکم به مقصد برسند؛ درنتیجه یکی از روش‌های اصلی برای حل مسائل مسیریابی و توازن بار استفاده از الگوریتم‌های مبتنی بر مورچه است.با استفاده از روشی جدید مبتنی بر بهینه‌سازی کلونی مورچه چندگانه ، هدف این پژوهش ارائه یک الگوریتم مسیریابی مناسب در جهت کوتاه کردن و بهبود بخشیدن مسیر با توجه به پارامترهای تأخیر انتها به انتها ، نرخ اتلاف بسته ،پهنای باند و نرخ مصرف انرژی است تا داده ی حس شده در سیستم‌های اینترنت اشیاء به مقصد برسد. این روش در نرم‌افزار متلب پیاده‌سازی شده است . نتایج حاصل از آزمایش‌ها، بهبود در پارامترهای مذکور را نشان میدهد. تفاصيل المقالة

در حملات فیشینگ یک وبگاه جعلي از روي وبگاه اصلي جعل ميگردد که ظاهر بسیار شبیه به وبگاه اصلي دارد. فیشر یا سارق آنلاین براي هدایت کاربران به این وبگاهها، معمولا لینکهاي جعلي را در ایمیل قرار داده و براي قربانیان خود ارسال نموده و با روشهاي مهندسي اجتماعي سعي در فریب کاربران و مجاب نمودن آنها براي کلیک روي لینکهاي جعلي دارد. حملات فیشینگ زیان مالي قابل توجهاي دارند و بیشتر روي بانکها و درگاههاي مالي متمرکز هستند. روشهاي یادگیري ماشین یک روش موثر براي تشخیص حملات فیشینگ است اما این مشروط به انتخاب بهینه ویژگي است. انتخاب ویژگي باعث ميشود فقط ویژگيهاي مهم به عنوان ورودي یادگیري در نظر گرفته شوند و خطاي تشخیص حملات فیشینگ کاهش داده شود. در روش پیشنهادي براي کاهش دادن خطاي تشخیص حملات فیشینگ یک طبقهبندي کننده شبکه عصبي مصنوعي چند لایه استفاده شده که فاز انتخاب ویژگي آن با الگوریتم بهینهسازي شیرمورچه انجام ميشود. ارزیابي و آزمایشها روي مجموعه داده Rami که مرتبط با فیشینگ است نشان ميدهد روش پیشنهادي داراي دقتي در حدود 98.53 % است و نسبت به شبکه عصبي مصنوعي چند لایه خطاي کمتري دارد. روش پیشنهادي در تشخیص حملات فیشینگ از روشهاي یادگیري BPNN ، SVM ، NB ، C4.5 ، RF و kNN با سازوکار انتخاب ویژگي توسط الگوریتم PSO دقت بیشتري دارد. تفاصيل المقالة