حاتم عبدلی

در حالی که اینترنت اشیاء تعداد زیادی از دستگاه های کوچک ناهمگون را در یک شبکه بزرگ متصل می کند و شامل بسیاری از برنامه های کاربردی و محیط های مختلف و متنوع است، فراهم کردن امنیت گره ها در IoTبه یک مسئله مهم تبدیل شده است. این چالش برای دستگاه های IoT تعبیه شده به دلیل انتشار فراگیر آنها در دنیای امروز و همچنین منابع محدود آنها (سخت افزار و انرژی) سخت تر است. اکثر سیستم های رمزنگاری کلید عمومی فعلی مانند RSA و ECC، در برابر حملات کامپیوترهای سریع کوانتومی ناامن هستند. با این دیدگاه که کامپیوترهای کوانتومی در مقیاس بزرگ در 15-10 سال آینده در دسترس خواهند بود،NIST فرآیند استانداردسازی رمزنگاری پسا کوانتومی را به منظور یافتن الگوریتم های کلید عمومی جدید و مقاوم در برابر رایانه های کوانتومی آغاز کرد. در میان انواع مختلف طرح های رمزنگاری مقاوم در برابر کوانتوم، رمزنگاری مبتنی بر مشبکه به عنوان یک طرح مقرون به صرفه و کارا، در حال گسترش است. طرح های پیشنهادیPQC مبتنی برمشبکه براساس مساله LWE و نوع سبک BR-LWE با هدف قرار دادن برنامه های کاربردی با منابع محدود، برای کاهش اندازه کلید و دستیابی به مساحت کمتر، خطاهای باینری را به کار می گیرند و در عین حال امنیت کافی برای برنامه های سبک وزن را نیز حفظ می کنند. پیاده سازی این الگوریتم با چالش هایی مانند زمان اجرا و منابع مورد نیاز روبه رو است. با این حال، کارهای موجود به خوبی جنبه های مختلف مربوط به طرح رمزنگاری BR-LWE، به ویژه در پیاده سازی سخت افزاری با پیچیدگی کم را پوشش نداده است. این پایان نامه بر توسعه کارآمد پیاده سازی سخت افزاریPQC و به طور خاص، اجرای طرح رمزگذاری مبتنی برInvBR-LWE تمرکز دارد. در این پایان نامه معماری کارآمدی مبتنی برLFSR برای اجرای موازی و موثر ضرب چندجمله ای و کاربرد آن در طرحINVBR-LWE ارائه شده است. با تجزیه ضرایب چندجمله ای A و B به گروه های متعدد و اجرای همزمان در دو مدار موازی، کاهش زمان اجرای کل الگوریتم را میسر شده است. نتایج سنتز بر روی تراشهFPGA نشان می دهد که طرح پیشنهادی نسبت به کارهای مشابه، به دلیل کاهش سیکل اجرا، تاخیر کل کمتری دارد و به طور کلی معیار ADP روش پیشنهادی تا 35% کاهش یافته است. با توجه به نتایج حاصل شده، طرح پیشنهادی می تواند برای استفاده در کاربردهای سبک وزن گسترش یابد.

چکیده: کامپیوترهای کوانتومی توان محاسباتی خیلی بیشتری نسبت به کامپیوترهای کلاسیک دارند و این مسئله باعث ایجاد چالش در حوزه رمزنگاری کلید عمومی شده است، به طوری که پیش بینی می شود حدودا تا سال 2030 کامپیوترهای کوانتومی به اندازه ای قدرتمند شوند که بتوانند الگوریتم های رمزنگاری کلید عمومی را بشکنند. به منظور حل این مشکل NIST فراخوانی را برای رمزنگاری پساکوانتوم منتشر کرد. پیاده سازی این الگوریتم ها با چالش هایی مانند زمان اجرا و منابع مورد نیاز روبه رو است. یکی از الگوریتم های راه یافته به دور سوم، الگوریتم CRYSTALS-KYBER است در این الگوریتم با بهینه سازی واحد NTT می توان زمان اجرا را کاهش داد. در حالت عادی پیاده سازی NTT با مبنای دو صورت گرفته ولی در روش پیشنهادی از مبنای چهار استفاده شده است و این امر باعث کاهش زمان اجرا شده است. برای پیاده سازی NTT مبنای چهار مناسب Kyber لازم است تغییراتی در NTT رخ دهد. برای پیاده سازی NTT از DIT و برای پیاده سازی INTT از DIF استفاده می شود. در فرمول NTT و INTT تغییراتی در twiddle factor ها داده شده و مقادیر twiddle factor ها در ROM ذخیره شده است. در ادامه واحد پروانه مبنای دو با واحد پروانه مبنای چهار مقایسه شده است. در ادامه با استفاده دوباره از مقادیر در واحد پروانه CT و GS تعداد ضرب ها از پنج به چهار، تعداد تفریق ها از شش به چهار و تعداد جمع ها از شش به چهار کاهش یافته است و به نحوه ساختار واحد پروانه مبنای چهار اشاره شده است. در واحد حافظه به منظور افزایش سرعت خواندن و نوشتن از هشت RAM استفاده شده که چهار عدد از آنها برای نوشتن و چهارتای باقیمانده برای خواندن است. در بخش تولید آدرس، پیشتر آدرس ها به صورت دوتایی تولید می شد ولی در روش پیشنهادی به صورت چهارتایی تولید می شود و هم-چنین لازم است در پارامترهای NTT اصلاحاتی انجام شود که برای پیاده سازی روی Kyber مناسب باشد. در ادامه، روش پیشنهادی را روی دو FPGA Artix-7 و Virtex-7 با استفاده از نرم افزار Vivado پیاده سازی کردیم که در ازای افزایش جزیی منابع موردنیاز، زمان اجرا در Artix-7 در مقایسه با پیاده سازی های مشابه 28.74 درصد و 12.34 درصد کاهش یافته است.

چکیده: امروزه الگوریتمهای یادگیری ماشین و یادگیری عمیق در زمینه های مختلف بسیار پرکاربرد هستند. روش های متعددی برای حل مشکلات سرعت و زمان اجرای این الگوریتم ها پیشنهاد شده ولی تا کنون به نتیجه ای که بتوان این الگوریتم ها را در زمان مناسب اجرا کرد، نرسیده اند. از آنجایی که این الگوریتم ها در بسیاری از حوزه های هوش مصنوعی مانند بینایی ماشین، تشخیص گفتار، تشخیص جسم و ... کاربرد دارند، در این پژوهش قصد داریم با استفاده از حساب تقریبی، کارایی و همچنین بهره وری انرژی مصرفی آنها را بهبود دهیم. در این پایان نامه، نسخه ای جدید از روشهای حساب تقریبی برای کاهش زمان اجرا در الگوریتم های شبکه های عصبی ارائه شده است، از آنجایی که در این الگوریتم ها مسئله اصلی زیاد بودن زمان اجرای الگوریتم ها است، زمان اجرا را با استفاده از حساب تقریبی و رویکرد سنتز سطح بالا کم کرده ایم، بطوریکه دقت را تا حد ممکن قربانی زمان اجرای محاسبات می کنیم. از طرفی هم مطلع هستیم که شبکه های عصبی تحمل پذیری خطا دارند، پس لزومی ندارد که پیاده سازی الگوریتم های محاسباتی خیلی دقیق باشند؛ در نتیجه می خواهیم دقت محاسبات را به اندازه ای که مورد نیاز است و دقت محاسبات الگوریتم را مختل نمی کند، طراحی کنیم. نتیجه این کار باعث کوچکتر شدن مدار، بالا بردن سرعت پردازش یا فرکانس کاری و همچنین کاهش توان مصرفی مدار است. هدف از انجام این پایان نامه، بررسی عوامل موثر در بهبود سرعت و زمان اجرای الگوریتم های شبکه های عصبی کانولوشن در پردازش تصویر است. شبکه عصبی کانولوشن به عنوان یکی از بهترین و پرکاربردترین شبکهها در زمینه پردازش و کلاسبندی تصاویر است. نتایج این پژوهش نه فقط در بهبود کارایی کانولوشن، بلکه در بسیاری از کاربردها و الگوریتم های یادگیری ماشین قابل تعمیم است. ارزیابی نتایج این پژوهش، با استفاده از گوگل کولب، ابزار سنتز سطح بالای Vivado، و ALWANN framework محاسبه شده است. همچنین در این کار از الگوریتم های پردازش تکاملی و ژنتیک هم در پیاده سازی مدارها بهره برداری شده است و شبکه عصبی مورد استفاده در این پژوهش ResNet است. نتایج این پژوهش نشان می دهد که با داشتن دقت کلاس بندی 82 درصدی تصاویر، زمان انجام محاسبات، حداکثر تاخیر مدار ضرب کننده و توان مصرفی در مقایسه با کارهای مشابه، به ترتیب 2.5%، 33.5% و 41.93% کاهش داشته ا

تمرکز بر روی اینترنت اشیاء و مباحث مرتبط با آن، هر روز در حال افزایش است. شبکه های حسگر بی سیم یکی از مباحث مهم در اینترنت اشیاء به شمار می رود. امروزه شبکه های مبتنی بر نرم افزار به عنوان یک راهکار جدید بهره وری مصرف انرژی در شبکه های حسگر بی سیم محسوب می شوند. تابحال راه کارهای مختلفی بر اساس شبکه های مبتنی بر نرم افزار به منظور کاهش مصرف انرژی و افزایش طول عمر معرفی شده اند که هر کدام دارای معایب و مزایای خاص خود هستند. در این پایان نامه، یک روش بهبود مصرف انرژی مبتنی بر محتوا در کنار یک روش زمانبندی خواب و بیدار گره ها بر اساس شبکه های مبتنی بر نرم-افزار برای شبکه های حسگر بی سیم معرفی می شود. بهینه سازی مصرف انرژی مبتنی بر محتوا بر اساس سابقه فعالیت گره توسط کنترل کننده یادگرفته می شود و باعث کاهش تعداد بسته های ارسالی می شود. همچنین با استفاده از بهبود روش CKN یک زمانبند خواب و بیدار باش بهینه برای گره ها معرفی می شود که باعث کاهش مصرف انرژی و متوازن شدن آن می-شود. همچنین با استفاده از تجمیع داده ها بر اساس محتوا، می توان سرعت ارسال داده ها را افزایش داد و از ارسال چند باره داده ها جلوگیری کرد. شبیه سازی روش پیشنهادی در سیستم عامل contiki و شبیه ساز Cooja انجام گرفته است. ارزیابی روش پیشنهادی بر اساس معیارهای طول عمر شبکه، نسبت دوره بی ثباتی و تاخیر انتها به انتها انجام گرفته است. مقایسه نتایج بر روش های EC-CKN، OEE-SDN و SDN-CKN نشان می دهد که روش پیشنهادی در مجموع عملکرد بهتری دارد.