آینده بلاک چین برای امنیت اینترنت اشیا: یک مقاله موقعیت

A blockchain future for internet of things security: a position paper

چکیده
1. مقدمه
3. بحث و بررسی
4. زنجیره‌ی بلوکی برای IoT
5. آینده‌ای با زنجیره‌ی بلوکی؟
منابع

چکیده
دستگاه‌های اینترنت اشیا به‌طور فزاینده‌ای در زمینه‌های غیرنظامی و نظامی، از شهرهای هوشمند و شبکه‌های هوشمند گرفته تا اینترنت پزشکی اشیا ، اینترنت رسانگرها ، اینترنت نظامی اشیا ، اینترنت میدان نبرد اشیا و غیره، دیده می‌شوند. در این مقاله به بررسی و مرور مقالاتی در زمینه‌ی راه‌حل‌های امنیتی IoT پرداخته‌ایم که از ژانویه‌ی سال 2016 به زبان انگلیسی چاپ شده‌اند. از مشاهدات ما، عدم وجود مجموعه‌داده‌های IoT با دسترسی عمومی، جهت استفاده در جوامع تحقیقاتی و شغلی است. با توجه به ماهیت حساس بالقوه‌ی مجموعه‌داده‌های IoT، نیاز به تدوین و توسعه‌ی استاندارد اشتراک‌گذاری مجموعه‌داده‌های IoT میان جوامع تحقیقاتی و شغلی و سایر ذینفعان احساس می‌شود. بنابراین، ابتدا به پتانسیل فن‌آوری زنجیره‌ی بلوکی در تسهیل امنیت اشتراک‌گذاری مجموعه‌داده‌های IoT (مثلاً استفاده از زنجیره‌ی بلوکی برای اطمینان از یکپارچگی مجموعه‌‌داده‌های به اشتراک گذاشته شده) و امن کردن سیستم‌های IoT، قبل از ارائه‌ی دو روش مفهومی مبتنی بر زنجیره‌ی بلوکی پرداخته‌ایم. در انتهای این مقاله، 9 سوال تحقیقاتی بالقوه ارائه کرده‌ایم.

2. بررسی و مرور IoT موجود و روش‌های امنیتی مربوطه
2.1. روش‌های شناسایی و پیشگیری از نفوذ
طراحان بدافزار امروزی و مهاجمین سایبری خلاق و نوآور بوده و به‌طور مداوم به‌دنبال دور زدن اقدامات موجود هستند (برای مثال، تولید نسخه‌های مختلف بدافزار با استفاده از جهش ). اکثر روش‌های IDS و IPS موجود برای شناسایی تلاش‌های دسترسی غیرمجاز و حملات محروم‌سازی از سرویس توزیع‌شده طراحی شده‌اند. به‌عنوان مثال، آل‌سونبول و همکاران [11] یک سیستم دفاعی شبکه برای شناسایی و پیشگیری از تلاش‌های دسترسی غیرمجاز، با تولید پویای پروتکل جدید جهت جایگزینی پروتکل استاندارد ارائه کرده‌اند. هدف این امر، مغشوش کردن تلاش‌های پویش است. همچنین مسیر شبکه متناوباً برای جلوگیری از دسترسی غیرمجاز و پویش ترافیک تغییر می‌کند. با این حال، تعداد بسته‌های تولیدی می‌تواند بیش از حد باشد. در روش زیتا ، نرودا و وویتک [19]، از رزپری ‌پای 3 برای امن کردن بازخوان‌های سامانه‌ی بازشناسایی با امواج رادیویی فرکانس‌ فرابالایی استفاده شده که از پروتکل بازخوان سطح‌پایین استفاده می‌کنند. به‌طور خاص، دو نرم‌افزار Fail2ban و سوریکاتا به‌دلیل عملکرد و مقیاس‌پذیری بالا به‌عنوان راه‌حل انتخاب شدند. Fail2ban از معماری پیچیده پشتیبانی می‌کند؛ بنابراین، مناسب پیاده‌سازی در محیط ابری با حسگرها و سرورهای متعدد است. عملکرد سوریکاتا بهتر از اسنورت بوده و پردازش چندریسمانی مورد نیاز CPU چندهسته‌ای رزبری پای 3 را فراهم می‌کند. پارک و آن [50] شناسایی و عملکرد اسنورت و سوریکاتا را هنگام مواجهه با حملات DoS را تحلیل و مقایسه کرده و نتیجه گرفتند مصرف CPU اسنورت کمتر است. هرچند، سوریکاتای چندریسمانی عملکرد شناسایی تک‌هسته‌ای و چندهسته‌ای بهتری دارد.

در ادامه به بررسی سامانه‌های شناسایی و/یا پیشگیری از نفوذ پرداخته‌ایم. برای سادگی از IDPS جهت ارجاع به سامانه‌های شناسایی و/یا پیشگیری از نفوذ استفاده شده است.

2.1.1. طبقه‌بندی بر اساس روش‌ها
رمزنگاری یک روش رایج است که برای تامین محرمانگی و یکپارچگی داده، همانند روش‌های امنیتی چندلایه‌ای گزارش شده در [27، 32]، استفاده می‌شود. به‌طور خاص، چانگ و راماچاندران [27] یک راه‌حل امنیتی چندلایه برای محاسبات ابری پیشنهاد داده‌اند. اولین لایه‌ی امنیتی، دیوار آتش و کنترل دسترسی است که برای اطمینان از دسترسیِ تنها کابران مجاز و معتبر به سیستم‌ها و داده‌ها، طراحی شده است. وظیفه‌ی لایه‌ی دوم، مدیریت هویت و پیشگیری از نفوذ، جهت شناسایی مجدد کاربران و حذف تمامی پرونده‌های مخرب شناسایی شده، است. لایه‌ی سوم رمزنگاری همگرا است که یک خط‌مشی امنیتی از بالا به پایین را ارائه می‌دهد. برای ارزیابی روش پیشنهادی، نویسندگان آزمایش نفوذ روی 10 پتا‌بایت داده از مراکز داده انجام داده‌اند. با توجه به نتایج آزمایش، زمان مورد نیاز برای بازیابی بعد از تلاش دسترسی غیرمجاز حداقل 125 ساعت است. مککائوئی و همکاران [32] یک مدل امنیتی و حفظ حریم شخصی ابری چندلایه ارائه کرده‌اند که شامل پنج لایه است: لایه‌ی امنیت فیزیکی و محیطی ، لایه‌ی امنیتی زیرساخت ابری ، لایه‌ی امنیتی شبکه ، لایه‌ی داده و لایه‌ی کنترل دسترسی و مدیریت امتیاز .

در مورد فشرده سازی مدل های عمیق با رتبه پایین و تجزیه کم رتبه

On Compressing Deep Models by Low Rank and Sparse Decomposition

چکیده
1 مقدمه
2 کار مرتبط
3 مدل فشرده‌سازی عمیق
4 بهینه‌سازی
5 تجزیه و تحلیل نظری
6 آزمایشات
1 6 تجزیه و تحلیل در کل شبکه‌ها
2 6 تجزیه و تحلیل در لایه‌های پیچشی
7 نتیجه‌گیری
منابع

چکیده
فشرده‌سازی عمیق اشاره به حذف افزونگی پارامترها و نقشه‌های ویژگی برای مدل‌های یادگیری عمیق دارد. تقریب رتبه پایین و هرس‌‌سازی برای ساختارهای تنک در بسیاری از کارهای فشرده‌سازی نقش مهمی ایفا می‌کند. با این حال، فیلترهای وزن تمایل دارند هم رتبه پایین و هم تنک باشند. نادیده‌گیری هر بخشی از این اطلاعات ساختاری در روش‌های قبلی منجر به آموزش مجدد تکرارشونده، به خطر انداختن دقت و نرخ فشرده‌سازی پایین خواهد شد. در اینجا ما چارچوبی یکپارچه را برای ادغام تجزیه تنک و رتبه پایین از ماتریس‌های وزنی با بازسازی نقشه‌های ویژگی را پیشنهاد می‌دهیم. مدل ما شامل روش‌هایی مانند اتصالات هرس‌کننده به عنوان موارد خاص است و توسط یک الگوریتم SVDfree سریع بهینه‌سازی شده است. به لحاظ نظری ثابت شده است که با استفاده از نمونه کوچک، به علت قابلیت تعمیم‌دهی آن، مدل ما می‌تواند نقشه‌های ویژگی‌ را در هر دو مجموعه آموزشی و تست بازسازی کند که در نتیجه آن شاهد در معرض خطر قرارگیری دقت کمتری پیش از آموزش مجدد بعدی خواهیم بود. با چنین «شروع گرمی» برای بازآموزی، روش‌ فشرده‌سازی همواره دارای چندین کیفیت و ویژگی خاص است از جمله: الف) نرخ فشرده‌سازی بالاتر (ب) اتلاف کم دقت و (ج) دور‌هایی کمتر برای فشرده‌سازی مدل‌های عمیق نیاز دارد. نتایج تجربی در چندین مدل محبوب مانند AlexNet، VGG-16 و GoogLeNet حاکی از آن است که مدل ما می‌تواند به طور قابل توجهی پارامترهای هر دو‌ی لایه‌های پیچشی و کاملا متصل را کاهش دهد. در نتیجه، مدل ما اندازه VGG-16 را 15 برابر کاهش می‌دهد و بهتر از سایر روش‌های فشرده سازی جدیدی است که از یک استراتژی واحد استفاده می‌کنند.

2- کار مرتبط
فشرده‌سازی توسط هرس‌‌سازی
هان و همکاران [8] روش هرسی ساده اما موثر را پیشنهاد کردند که با استفاده از آستانه سخت تعیین شده توسط انحراف معیار وزنی بود که در یک اسکالر ضرب شده بود. این آستانه کمک می‌کند تا کم‌اهمیت‌ترین وزنها با مقادیر مطلق کوچک را حذف کنید. یک مورد خاص از مدل ما زمانی است که ما شرایط بازسازی داده‌ها و رتبه پایین را نادیده می‌گیریم، سادگی روش ما به اندازه روش آستانه‌سازی سختی کاهش‌ می‌یابد که در [8] به آن اشاره شده است.

با این حال، رویکرد ما دارای دو مزیت عمده است [8]. نخست، به دلیل شرایط بازسازی نقشه ویژگی ما، مدل ما مقداردهی اولیه بهتری برای آموزش مجدد را فراهم می‌سازد. ما معمولا می‌توانیم همه لایه‌های پیچشی را در مدل‌هایی مانند AlexNet و VGG-16 به جای تکرار هرس و آموزش مجدد در یک دور فشرده کنیم. دوما با بهره‌گیری از هر دوی مولفه هموار و وزن‌های مهم، ما وزن‌های دیگری را در لایه های پیچشی کاهش می‌دهیم و مولفه‌های حاصل از آنها بسیار ضعیف‌تر از آنچه است که در [8] وجود داشته است. این مقدار بالقوه برای شتاب‌دهی مراحل استنتاج در مدل‌های عمیق است.

فشرده‌سازی با تقریب رتبه پایین: کاهش ابعاد پارامترها به وسیله تقریب رتبه‌پایین سبب حفظ فضای ‌ذخیره‌سازی می‌شود و در عین حال سبب کاهش پیچیدگی زمانی در حین آموزش و تست می‌شود. بیشتر روش‌ها [4، 12] به تخمین یک تانسور با کمینه‌سازی خطای بازسازی پارامترهای اصلی می‌پردازند. با این حال، این رویکردها هنگامی که لایه‌های چندگانه فشرده به صورت متوالی تکرار می‌شوند، خطاهای تجمعی دارند، و نقشه‌های ویژگی‌های خروجی از مقادیر اولیه با افزایش لایه های فشرده‌شده فاصله می‌گیرند.

رمزگذاری بر اساس ویژگی های متن رمزی

Ciphertext-Policy Attribute-Based Encryption

چکیده
1 مقدمه
2 تحقیقات مرتبط
3 پیش‌زمینه
4 ساختار سیستم ما
5 پیاده‌سازی
6 نتیجه‌گیری و جهت گیری های آزاد
منابع

چکیده
در سیستم‌های توزیع‌شده متعدد، کاربر باید تنها در صورت داشتن مجموعه مشخصی از گواهی‌نامه‌ها یا ویژگی‌ها، به داده‌ها دسترسی داشته باشد. در حال حاضر، تنها روش جهت اجرای این سیاست‌ها، استفاده از یک سرور مطمئن جهت نگهداری داده‌ها و واسطه قرار دادن کنترل دسترسی است. بااین‌حال، درصورتی‌که هر نوع سرور نگهدارندِ داده‌ها با خطر مواجه شود، در این صورت محرمانگی داده‌ها با خطر مواجه خواهد شد. ما در این مقاله، سیستمی را جهت تحقق کنترل دسترسی پیچیده بر روی‌ داده‌های رمزنگاری‌شده ارائه می‌کنیم که آن را رمزنگاری مبتنی بر ویژگی سیاست متن رمزی نام‌گذاری می‌کنیم. می‌توان با استفاده از تکنیک‌های خود، داده‌ها را به‌صورت محرمانه حتی در صورت قابل‌اطمینان نبودن سرور ذخیره، حفظ کرد؛ علاوه براین، روش‌های ما در برابر حملات تبانی امن خواهند بود. سیستم‌های رمزنگاری مبتنی بر ویژگی از ویژگی‌هایی جهت بیان داده‌های رمزنگاری‌شده استفاده کرده و سیاست‌هایی را در کلیدهای کاربر ایجاد کردند؛ درحالی‌که ویژگی‌های سیستم ما به‌منظور بیان گواهی‌نامه‌های کاربر مورداستفاده قرارگرفته و گروهی که اقدام به رمزنگاری داده‌ها می‌کند، سیاستی را در مورد افراد واجد شرایط جهت رمزگشایی تعیین می‌کند. بنابراین، روش‌های ما ازنظر مفهومی به روش‌های کنترل دسترسی مرسوم مانند کنترل دسترسی مبتنی بر نقش (RBAC) نزدیک‌تر هستند. علاوه براین، ما پیاده‌سازی سیستم خود را ارائه کرده و اندازه‌گیری‌های عملکردی خود را نشان می‌دهیم.

2- تحقیقات مرتبط
ساهای و واترز رمزنگاری مبتنی بر ویژگی (ABE) را به‌عنوان ابزاری جدید برای کنترل دسترسی رمزنگاری‌شده معرفی کردند. در یک سیستم رمزنگاری مبتنی بر ویژگی، متن‌های رمزی لزوماً نسبت به یک کاربر مشخص همانند رمزنگاری کلیدی عمومی معمول رمزنگاری نمی‌شوند. از طرف دیگر، رمزهای شخصی کاربران و متن‌های رمزی مرتبط با مجموعه‌ای از ویژگی‌ها یا یک سیاست نسبت به ویژگی‌ها خواهند بود. یک کاربر هنگامی قادر به رمزگشایی از یک متن رمزی خواهد بود که بین رمز شخصی او و متن رمزی، تطابق وجود داشته باشد. ساهای و واترز در سیستم اصلی خود، یک سیستم ABE نهایی را ارائه کردند که طی آن متن‌های رمزی با مجموعه‌ای از ویژگی‌های S برچسب‌گذاری شده و رمز شخصی یک کاربر با پارامتر نهایی k و مجموعه دیگر ویژگی‌های S’ مرتبط می‌شود. به‌منظور رمزگشایی یک متن رمزی از سوی کاربر، لازم است تا حداقل k ویژگی میان متن رمزی و رمزهای شخصی او همپوشانی داشته باشند. یکی از انگیزه‌ها و اهداف اصلی این موضوع، طراحی یک روش رمزنگاری هویت محور (یا فازی) تحمل‌کننده خطا بوده است که می‌تواند از هویت‌های بیومتریک استفاده کند.

مانع اصلی سیستم ABE آستانه‌ای ساهای-واترز در این مورد است که معناشناسی نهایی چندان گویا نبوده و ازاین‌رو با محدودیت‌هایی جهت طراحی سیستم‌های جامع‌تر مواجه است. گویال و همکاران ایده سیستم رمزنگاری مبتنی بر ویژگی سیاست کلیدی جامع‌تری را معرفی کردند. در ساختار آنها، یک متن رمزی مرتبط با مجموعه‌ای از ویژگی‌ها بوده و کلید کاربر می‌تواند مرتبط با هر ساختار درخت دسترسی یکنواخت باشد. می‌توان ساختار موردنظر گویال و همکاران را به‌صورت رویکرد تعمیم‌یافته تکنیک‌های ساهای-واتر دانست که طی آن به‌جای قرار دادن روش به اشتراک‌گذاری داده‌های مخفی شامیر در رمز خصوصی، فرد روش به اشتراک‌گذاری کلی‌تری را برای درخت‌های دسترسی یکنواخت ارائه می‌کند. همچنین گویال و همکاران امکان ارائه یک روش ABE سیاست متن رمزی را پیشنهاد دادند، اما هیچ ساختاری را ارائه نکردند.

پیرتی و همکاران پیاده‌سازی سیستم رمزنگاری ABE آستانه‌ای را ارائه کرده و کاربردهای مختلف روش رمزنگاری مبتنی بر ویژگی را نشان داده و چندین مفهوم اجرایی مانند لغو کلید را بیان کرده‌اند. چیس در تحقیق اخیر خود ساختاری را برای یک سیستم رمزنگاری مبتنی بر ویژگی چند نهادی ارائه کرده است که طی آن هر نهاد طیف مختلفی از ویژگی‌ها را مدیریت می‌کند. چالش اصلی در ایجاد ABE چند نهادی، جلوگیری از حملات تبانی میان کاربرانی است که مؤلفه‌های کلیدی را از نهادهای مختلف به دست می‌آورند. هرچند که سیستم چیس از سیستم ABE آستانه‌ای به‌عنوان سیستم ABE اصلی خود در هر نهاد استفاده کرده است، مسئله ABE چند نهادی به‌طورکلی با یافتن سیستم‌های ABE گویاتر، تلاقی دارد.

اپلیکیشن پلت فرم منبع باز برای ساختمان های هوشمند و کنترل های شبکه هوشمند

Open source platform application for smart building and smart grid controls

چکیده
1- مقدمه
2- پژوهش‌های مرتبط و مقاله‌های کمکی
3- معماری نصب
4- یوزکیس ها
5- نتایج و بحث
6- نتیجه گیری و چشم انداز
تامین مالی
اعلام منافع رقابت
قابلیت دسترسی داده
قدردانی
منابع

چکیده
در این پژوهش، یک دستگاه عامل منبع باز بر اساس چارچوب نرم افزاری FIWARE و دیگر مولفه های منبع باز استفاده می شود تا کنترل آزمایشی ابری روی دو یوزکیس از دامنه‌های ساختمان هوشمند و شبکه هوشمند صورت گیرد. تمامی ارتباطات میان دستگاه عامل و لایه میدانی از طریق اینترنت عمومی برقرار می شود و بنابراین اقداماتی نظیر رمزنگاری، تأیید هویت و مجوزدهی نصب می‌شوند. در یوزکیس اول، دمای تأمین یک مدار حرارتی معمولی کنترل می شود زیرا وظیفه‌ای مرسوم در دستگاه های انرژی ساختمان می‌باشد. در یوزکیس دوم، توازن توان یک شبکه کوچک شبیه‌سازی شده توسط دستگاه های اندازه‌گیری فازور با بهره گیری از یک کنترلگر، مورد بررسی قرار می‌گیرد تا استحکام شبکه نیز حفظ شود. مناسبیت دستگاه عامل با بهره گیری از مقرراتی که از منابع ادبی بدست آمده، اعتبارسنجی می شود. این دستگاه عامل قابل استفاده در هر دو مورد ذکر شده است. اگرچه محدودیت ها و زمینه‌های بالقوه جهت بهبود اظهار شده است.

2- پژوهش‌های مرتبط و مقاله‌های کمکی
در این قسمت، مفهوم حقیقی FIWARE توصیف شده و سپس پژوهش‌های کنونی که از راه‌حل‌هایی بر مبنای FIWARE استفاده می‌کنند بیان می شود. نهایتا، طبق نواحی ضعف شناسایی شده، مقالات کمکی مرتبط با این زمینه بیان می شود.

2-1 FIWARE
FIWARE بعنوان یک روش منبع آزادی است که از طریق اتحادیه اروپا به جهت «سرعت بخشیدن برای بهبود راه‌حل‌های هوشمند» برای زمینه‌های مختلف، فراهم می شود [۱۹]. نرم افزار FIWARE، با بهره‌گیری از ساختار نرم افزاری پیمانهار انعطاف‌پذیری زیادی را داراست، به همین دلیل می‌توان آن را برای یوزکیس‌ها سفارشی‌سازی کرد. FIWARE از پروتکل‌های معاوضه اطلاعات NGSI v2 [۱۲] و NEGSI-LD [۱۷] بهره می‌گیرد و واسطه‌های استانداردی از قبیل REST API را برای معاوضه اطلاعات با دستگاه های هوشمند و مؤلفه‌های نرم افزار یوزکیس قرار می‌دهد. ترکیبات نرم افزاری پیشنهادی در این نرم افزار «توانمند‌کننده‌های عمومی» نامگذاری می شود و می‌توان آنها را در لایه‌های مختلفی از جمله «مدیریت بافت هسته»، «پردازش متن، موفضای خالیی و مصورسازی»، «تعامل با سیستم‌های اینترنت اشیاء، رباتیک و شبکه‌های شخص ثالث» و نهایتا «مدیریت اطلاعات/رابط برنامه نویسی» تقسیم‌بندی کرد. می‌توان یک یا چند مؤلفه را از توانمندکننده‌های عمومی ارائه شده انتخاب و آن‌ها را به اقسام شخص ثالث یا خود نوشته مرتبط ساخت. نمای کلی از توانمندکننده‌های عمومی موجود و کد منبع در گیت‌هاب [۱۸] قابل استفاده است.

۲-۲ تحقیقات و برنامه های کارآمد بر مبنای FIWARE
در سال‌های اخیر، ثابت شد که چنین برنامه هایی و برنامه های کارآمد بر اساس نرم افزار‌های FIWARE، چارچوب مناسبی برای زمینه‌های مختلف نظیر کاربردهای کنترل کشاورزی [۳۲]، راهبری کشتی [۶۰]، کنترل سیستم انرژی‌های تجدیدپذیر [۶۱]، کنترل بر ماشین [۱۳] و کنترل ساختمان هوشمند هستند [۲۰،۳۳،۵۷،۵۹]. پوزو و همکاران [۴۳] بر روی موضوعات کنترل دسترسی و تاثیرش بر کارکرد معماری طبق FIWARE که از روش فناوری کانتینرسازی داکر1 مشتق شده‌، کار کردند. نویسندگان، شاخص‌های کارکرد امنیت و محافظت داده‌ای نرم افزار FIWARE را مورد برآورد قرار داده‌اند. بعلاوه، آنها پهنای باند، میزان استفاده از CPU و حافظه و مدت زمان تاخیر آن‌ها را برای این شاخص‌ها مورد بررسی قرار دادند. نتایج نشان می‌دهد که لایه‌های امن با بهره گیری از فریم ورک احزار هویتOAuth 2.0، تاثیری بر کارکرد سیستم ندارد.

عوامل موثر بر کیفیت خدمات ابری و رابطه آنها با رضایت و وفاداری مشتری

Factors influencing cloud service quality and their relationship with customer satisfaction and loyalty

چکیده
1- مقدمه
2- مروری بر ادبیات و فرضیات
3- روش تحقیق
4- نتایج و تحلیل
5- بحث
6- پیامدهای پژوهش
7- نتیجه گیری
8- محدودیت ها و دامنه ی مطالعات بعدی
منابع

چکیده
در دنیای امروز، کیفیت سرویس ابری، یک جنبه ی مهم برای موفقیت هر کسب و کار جهانی است. هدف این مقاله، یافتن فاکتورهای کیفیت سرویس ابری و  ارزیابی تاثیر کیفیت سرویس بر رضایت و وفاداری مشتری است. نظر سنجی از 419 کاربر/ کارشناس در هند، با استفاده از ابزار/ پرسشنامه ی سازمان یافته مبتنی بر مقیاس لیکرت انجام پذیرفت. پاسخ دهندگان کاربر/ کارشناس سرویس ابری بودند که از خدمات 5 ارائه ی دهنده ی برتر سرویس ابری در هند استفاده می کردند. فرضیات پژوهش با استفاده از مدلسازی معادلات ساختاریِ حداقل مربعات جزئی، بررسی شدند. مطالعه نشان داد که چابکی، اطمینان از خدمات، مقیاس پذیری، امنیت، پاسخگویی خدمات و کاربردپذیری، همگی تاثیر مثبت و معناداری بر کیفیت کلی سرویس ابری دارند. پژوهش، اثر واسطه ای جزئی رضایت مشتری را میان کیفیت سرویس و وفاداری مشتری نشان داد. لازم به توجه است که کیفیت خدمات، ارتباط مثبت و معناداری با وفاداری مشتری و رضایت مشتری دارد. این موضوع، اثر واسطه ای جزئی رضایت مشتری بر ارتباط میان کیفیت سرویس و وفاداری مشتری را ثابت می کند. در نهایت، مقاله به ارائه دهندگان سرویس/ کاربران/ کارشناسان ابری توصیه می کند تا هنگام کوچ به سرویس های ابری، توجه ویژه ای به این فاکتورها داشته باشند. 

2- مروری بر ادبیات و فرضیات
مرور ادبیات جامع، با جمع آوری بیش از 140 مقاله ی پژوهشی موجود در مجلات بین المللی و ملی مختلف، گزارشات، مشروح کنفرانس ها، سایت های مختلف اینترنت و کتاب ها انجام شد. فاکتورهای کیفیت سرویس ابری، رضایت مشتری، وفاداری مشتری، PLS-SEM و مدل معادلات ساختاری، کلیدواژه های مهم برای دستیابی به پژوهش های مناسب بودند. هدف اصلی مرور ادبیات این بود که فاکتورهای تاثیر گذار بر کیفیت سرویس ابری که پژوهشگران متعددی در کار پژوهشی شان بدان اشاره کرده بودند را یافته و ارتباط کیفیت سرویس با رضایت مشتری و وفاداری مشتری را ارزیابی نموده و نقش فاکتور میانجی (رضایت مشتری) بر ارتباط میان کیفیت سرویس و وفاداری مشتری را به دقت بررسی کند. سرویس ابری، با سرویس سنتی تفاوت دارد و از اینرو فاکتورهای کیفیت سرویس برای سرویس های ابری همانند سرویس های سنتی نیستند. محققان فاکتورهای متعددی برای کیفیت سرویس ابری مشخص نموده اند، با این حال، برخی از این فاکتورها مانند اطمینان از سرویس، قابلیت اعتماد و پاسخگویی سرویس همانند سرویس های سنتی است. رایج ترین فاکتورهای کیفیت سرویس ابری که پژوهشگران بدان ها اشاره نموده اند در جدول 2 نشان داده شده است.

ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری توسط نویسندگان تحقیقات بارها مورد بررسی قرار گرفته است. فاکتورهای کیفیت سرویس برای انواع مختلف سرویس ها متفاوت است، با این حال ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری در تمام انواع سرویس ها مانند هم است. این کیفیت خدمات است که باعث رضایت مشتری می شود و رضایت مشتری هم به نوبه ی خود منجر به وفادارماندن مشتری می گردد. پژوهشگران متعددی نشان داده اند که رضایت مشتری در ارتباط میان کیفیت سرویس و وفاداری مشتری، نقش متغیر میانجی را نیز بازی می کند. بنابراین نشان می دهد که ارتباط مستقیمی میان کیفیت سرویس و وفاداری مشتری وجود دارد. جدول 3، ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری را که نویسندگان مختلفی آن را کنکاش نموده اند نشان می دهد.

پس از شناسایی فاکتورها از طریق مرور کامل ادبیات، با استفاده از تکنیک دلفی برای استنتاج فاکتورهای نهایی کیفیت سرویس ابری، یک بحث اکتشافی با کاربران/ کارشناسان سرویس ابری صورت پذیرفت. جمعا 72 کاربر/ کارشناس سرویس ابری از حوزه های فنی و کارکردی متفاوت که با سرویس ابری سرو کار داشتند، مانند معماران، مشاوران طراحی، مدیران برنامه، مدیران پروژه و مهندسین سرویس ابری و کاربران سرویس ابری در تکنیک دلفی شرکت داده شدند. کوشاگرا و دینگرا (2019) [50]، برای شناسایی فاکتورهای پذیرش سرویس ابری در بخش دولتی هند، به تکنیک دلفی اشاره نموده اند. کاربران/ کارشناسان سرویس ابری درگیر در بحث، تجربه ی استفاده از نرم افزار به عنوان سرویس (SaaS)، پلتفورم به عنوان سرویس (PaaS)، و زیرساخت به عنوان سرویس (IaaS) را داشتند. این سه سرویس، یازده فاکتور را شناسایی نموده بودند که شامل چابکی، اطمینان از سرویس، دسترس پذیری، همکاری متقابل، تاخیر، قابلیت اعتماد، مقیاس پذیری، امنیت، توافق بر روی سطح خدمات، پاسخگویی سرویس و کاربردپذیری بود. در مباحثه ی بعدی با کارشناسان/ کاربران سرویس ابری، تعداد فاکتورهای کیفیت سرویس ابری به هفت مورد چابکی، اطمینان از سرویس، قابلیت اعتماد، مقیاس پذیری، امنیت، پاسخگویی سرویس و کاربردپذیری کاهش یافت.

طبقه بندی تصویر با یادگیری انتقال با استفاده از مجموعه داده سفارشی: مطالعه مقایسه ای

Image Classification with Transfer Learning Using a Custom Dataset: Comparative Study

چکیده
1 مقدمه
2 مدل‌های پیش‌آموزش دیده شده
3 مجموعه داده (Dataset)
4 پیش‌پردازش و معیارهای ارزیابی
5 بحث و نتایج
6 نتیجه گیری
منابع و ماخذ

چکیده
آموزش شبکه های عصبی عمیق کار بسیار پرهزینه ای می باشد، که نه تنها فرایندی بسیار زمان بر خواهد بود، بلکه نیازمند توان محاسباتی بالایی نیز می باشد که عموماً هم به مجموعه داده های زیادی برای آموزش نیاز دارد و ازین حیث ممکن است همیشه در دسترس نباشد. با این وجود می توان از راه حل های جایگزین دیگری همچون مدل های پیش آموزش دیده شده که در مجموعه داده‌های استاندارد تصویربرداری کامپیوتری توسعه یافته‌اند کمک گرفت تا به رفع این چالش ها بیانجامد. در روش یادگیری انتقالی، ما اساساً سعی می‌کنیم از آنچه در یک وظیفه (Task) یاد گرفته شده است، برای بهبود تعمیم در وظیفه دیگر استفاده نماییم. در واقع ارزش گذاری داده هایی که یک شبکه در ‘وظیفه الف’ با مقدار زیادی از آن آموزش برچسب گذاری شده است را به یک ‘وظیفه ب’ جدید که داده های زیادی ندارد، منتقل می نماییم. به بیان دیگر، دانشِ یک مدل از قبل آموزش دیده شده به یک مسئله متفاوت، اما با ارتباط نزدیک از طریق یادگیری انتقالی منتقل خواهد شد. به عنوان نمونه، اگر ما یک طبقه بندی ساده برای پیش بینی اینکه آیا تصویری حاوی غذا است آموزش دهیم، می توانیم از دانش آموخته های مدل، برای شناسایی اشیای دیگری همچون نوشیدنی ها استفاده کنیم. این دانش می تواند به صورت های مختلفی به وجود آید که وابسته به مسئله و داده ها خواهد بود. در اینجا مدل‌های برتر می‌توانند به‌طور مستقیم دانلود و استفاده شوند، یا حتی در یک مدل جدید که وظیفه تشخیص مشکلات مربوط به شناسایی اشیا در کامپیوترها را بر عهده دارند ادغام گردند. بنابراین، ما با سرعت بخشیدن به مرحله آموزش و عملکرد مدل یادگیری عمیق، حتی کار با مجموعه داده کوچک را نیز بهبود می‌بخشیم. در این کار، ما پیشنهاد می‌کنیم تا وظیفه طبقه‌بندی را با استفاده از سه مدل از پیش آموزش دیده که عبارتند از: MobileNet V2 ، Resnet50  و VGG19  انجام دهیم و نتایج را با استفاده از چهار معیار ارزیابی کلیدی مورد بحث قرار بدهیم. مجموعه داده ها، متشکل از یک شی خاص است تا بتواند عملکرد مدل‌ها را مقایسه کند.

2- مدل‌های پیش‌آموزش دیده شده
2-1 موبایل نت V1
مدل MobileNet V1 از دسته مدل های CNN (شبکه عصبی کانولوشنال) است که برای استفاده در کاربردهای پردازش تصویر در تلفن همراه و سامانه های سیار طراحی شده است. ایده اصلی پشت MobileNet V1 این است که لایه های کانولوشنال، که برای وظایف بینایی رایانه ای ضروری هستند اما محاسبه آنها بسیار گران است، می توانند توسط کانولوشن‌های جداپذیر عمقی جایگزین شوند که در مقایسه با شبکه با کانولوشن‌های عادی با همان عمق در شبکه تعداد پارامترها را به طور قابل توجهی کاهش می‌دهد.

یک کانولوشن جداپذیر عمقی متشکل از دو کارکرد مختلف می باشد: کانولوشن عمقی و کانولوشن نقطه‌ای. کانولوشن عمقی ورودی را فیلتر می‌کند، در حالی که کانولوشن نقطه‌ای این مقادیر فیلتر شده را ترکیب نموده تا ویژگی‌های جدید ایجاد شود (کانولوشن نقطه‌ای لایه‌ای 1×1 است). ساختار بدنه MobileNet V1 در تصویر شماره 1 نشان داده شده است.

2-2 موبایل نت V2
MobileNet V2 نسخه بهبود یافته MobileNet V1 است که از بلوک‌های باقیمانده معکوس با امکان نیاز به فضای کمتر استفاده می‌کند. تعداد پارامترهای آن به طور قابل توجهی کمتر از MobileNet اصلی می باشد. MobileNet V2 بسیار سریعتر از MobileNet V1 بوده که به طور تقریبی دارای دو برابر دقت بیشتر و نیاز به پردازش کمتری نسبت به MobileNet V1 دارد.

به جای استفاده از کانولوشن از نوع جداپذیر عمقی به عنوان بلوک های ساختاری کارآمد، MobileNet V2 دو ویژگی جدید را به ساختار معماری اضافه می کند: گره های خطی بین لایه ها و اتصالات میان گره های خطی. ساختار بدنه MobileNet V2 در شکل 2 نشان داده شده است.

فناوری های حفاظت از امنیت و حریم خصوصی در ایمن سازی برنامه های بلاک چین

Security and privacy protection technologies in securing blockchain applications

چکیده
1 مقدمه
2 مروری بر بلاک چین
3 نظارت امنیتی
4 حفظ حریم خصوصی
5 مبادله داده
6 بحث و تحقیقات آینده
7 نتیجه گیری ها
منابع

چکیده
بلاک چین بعنوان یک فناوری کلیدی به منظور ایجاد شبکه های اعتماد و اجرای ارتباطات متقابل ارزشی موردتوجه زیادی قرار گرفته است. موارد استفاده فنی زیادی برای بلاک چین ها در زمینه های مختلفی مانند سیستم های ارز دیجیتالی، اینترنت اشیا (IOT)، شبکه های هوشمند، عرضه بلاک چین و امور مالی وجود دارد. با این حال، کاربرد گسترده بلاک چین نیز با مباحث امنیتی و حریم خصوصی مواجه است. این مقاله مرور و تحلیلی از حفظ حریم خصوصی، نظارت بر امنیت و تبادل داده در برنامه های مبتنی بر بلاک چین ارائه می دهد و تحلیل جامعی از کاربرد گسترده بلاک چین ارائه می دهد. علاوه بر این، جهت های تحقیقاتی آینده بلاک چین و روندهای توسعه را مورد بحث قرار می دهد. 

2- مروری بر بلاک چین
2-1- طبقه بندی بلاک چین
بلاک چین ها براساس تفاوت در مجوزهای خواندن و نوشتن و مجوزهای مدیریت داده به بلاک چین های عمومی، بلاک چین های مشارکتی (کنسرسیوم) و بلاک چین های خصوصی تقسیم می شوند که رایج ترین روش طبقه بندی است. ویژگی های بلاک چین عمومی، بلاک چین مشارکتی و بلاک چین خصوصی در ادامه معرفی می شوند.

بلاک چین عمومی: بلاک چین های عمومی نیز که با عنوان بلاک چین های بدون مجوز شناخته شده اند، دارای یک مجوز متمرکز نیستند. داده های مرتبط شامل مجموعه دسترسی های خواندن و نوشتن نمی شوند. هر گره در شبکه در هر زمان قابل دسترسی است و همه گره ها می توانند آزادانه در تراکنش های بلاک چین مشارکت کنند. آنها به طور کلی بعنوان بلاک چین هایی با عدم تمرکز کامل، ناشناس بودن زیاد و مقاومت در برابر دستکاری در نظر گرفته می شوند. بلاک چین های عمومی در مرکز بسیاری از برنامه های محبوب مانند بیت کوین قرار دارند.

بلاک چین مشارکتی: بلاک چین های مشارکتی نیز بعنوان بلاک چین های مجاز شناخته می شوند که بین بلاک چین های عمومی و بلاک چین های خصوصی قرار دارند. آنها یک روش غیرمتمرکز جزئی در ساختار در نظر می گیرند و به صورت مشترک توسط چندین شرکت یا نهاد مدیریت می شوند [20]. این شرکت کنندگان باید از قبل ثبت نام کنند و احراز هویت کنند و پیوستن به یک گره نیاز به مجوز سایر اعضای کنسرسیوم دارد. بلاک چین های کنسرسیوم در مقایسه با بلاک چین های عمومی شامل گره های مشارکتی کمتر هستند. این داده ها توسط شرکت کنندگان احراز هویت شده ای که حق دارند داده ها را بخوانند، ثبت و حفظ می شود.

آنالیز رمز پروتکل احراز هویت برای محیط اینترنت اشیا (IOT) به کمک ابر

Cryptanalysis of Authentication Protocol for Cloud Assisted IoT Environment

چکیده

1 مقدمه

2 طرح پیشنهادی لی و همکاران

3 تحلیل

4 نتیجه گیری و تحقیقات آینده

منابع

چکیده

امروزه حسگرها به دلیل مزایایی مانند هزینه کم، نگهداری اندک، محیط خصمانه و سایر موارد در برنامه های کاربردی مبتنی بر بی سیم نقش مهمی ایفا می کنند. از سوی دیگر فناوری های مبتنی بر ابر روز به روز در حال افزایش هستند تا به منظور پردازش بخش بزرگی از داده در زندگی افراد حضور داشته باشند. همچنین اینترنت اشیاء (IOT) با استفاده از حسگرها برای برنامه های کابردی مختلف مبتنی بر اینترنت و اتصال به آنها از طریق ابر مسیری باز می کند. موضوع اصلی در تمام این فناوری ها احراز هویت است یعنی کاربر از راه دور بتواند به سرور دسترسی داشته باشد و از طریق کانال ناامن احراز هویت انجام دهد. در حال حاضر، لی و همکاران طرح احراز هویت را در محیط مبتنی بر IOT با استفاده از حسگرها پیشنهاد کردند و ادعا کردند که در برابر حملات مختلف ایمن است. با این حال، ما در این تحقیق این طرح پیشنهادی را تحلیل کرده ایم و ثابت کرده ایم که هنوز مستعد کنترل کلید، هماهنگ سازی زمان و تایید کننده سرقت شده است. علاوه بر این، هزینه سرباری برای تایید وجود خواهد داشت که می تواند باعث حمله DoS برای راه اندازی بزرگ شود. 

3 تحلیل
ما در این بخش تحلیل مربوط به لی و همکاران [47] را به صورت زیر آورده ایم.
کنترل کلید: اینطور گفته می شود که اگر یک طرف موجودیت بتواند کلید جلسه را تنظیم کند، این طرح در برابر حمله کنترل کلید آسیب پذیر است. در طرح پیشنهادی لی و همکاران دستگاه سنجش (SD_j ) مرحله h(N_sd∥K_gs) را انجام می دهد که در آن هر دو متغیر تنها با SD_j انتخاب می شوند. بنابراین، طرح پیشنهادی لی و همکاران نسبت به حمله کنترل کلید آسیب پذیر است.

همگام سازی زمان: اینطور گفته می شود که اگر نیاز باشد که موجودیت های درگیر از ساعت یکسانی استفاده کنند، در برابر همگام سازی زمانی بیمه می شوند. در طرح پیشنهادی لی و همکاران، U_i و SD_j نیاز به ساعت مشابهی برای تایید تمام ارتباطات پیام دارند. بنابراین، هرگونه تاخیر در پیام و همچنین همگام سازی ساعت یکسان نیاز به پشتیبانی مداوم اینترنت دارد. بنابراین، طرح پیشنهادی لی و همکاران در برابر حمله همگام سازی زمانی آسیب پذیر است.

حمله تکراری: اینطور بیان می شود که اگر ارسال پیام مشابه دیر تشخیص داده شود، در برابر حمله تکراری ایمن خواهد بود و نیاز به قدرت محاسباتی موجودیت های درگیر دارد. نسخه گسترده تر این حمله باعث حمله انکار سرویس (DoS) می شود. در طرح پیشنهادی لی و همکاران، عملیات موردنیاز به صورت زیر هستند.

مسیریابی وزن پویا و الگوریتم کد نوری بر اساس شبکه نرم افزار محور (SDN)

Dynamic weight routing and optical-code algorithm based on SDN

چکیده
1 مقدمه
2 سیستم سوئیچینگ نوری چند دانه ای بر اساس SDN
3 الگوریتم توزین دینامیکی بر اساس منابع کد نوری و درجه تطبیق بین درخواست خدمات و کانال
4 شبیه سازی و تحلیل الگوریتم
5 نتیجه
منابع

چکیده
شبکه ‌های انتقال نوری در مسیر تکامل به سمت سوئیچ چند دانه ‌ای و مدیریت نرم ‌افزار قرار دارند، ولیکن لازم است که معماری صفحه کنترل موجود با نیازهای مدیریت چند خدماتی و شبکه با هم سازگار شوند. به همین منظور، الگوریتم توزین دینامیکی بر اساس منابع کد نوری و میزان تطابق آن با درخواست خدمات و شبکه در یک سیستم سوئیچینگ نوری چند سطحی، مطرح شده است. در این روش، کنترلگر شبکه تعریف‌ شده نرم ‌افزار (SDN) اطلاعات منبع شبکه را در زمان واقعی جمع آوری می‌کند، به صورت مداوم وزن هر مسیر را تغییر می‌دهد و از آن برای محاسبه مسیر استفاده می‌کند، مسیر سازگار تری را بر اساس توازن بار فراهم کرده و وزن ‌های منطبق شبکه را به جهت تخصیص منابع، ترکیب می‌کند. نتایج شبیه ‌سازی نشان دهنده این موضوع است که سیستم سوئیچینگ چند دانه ‌ای با الگوریتم مطرح شده قادر است به طور چشمگیری تولید قطعات کد نوری را کاهش داده و بهره گیری از منابع را بهبود بخشد. در پایان مقاله الگوریتم‌ های مسیریابی کد نوری شبیه‌ سازی و اجرا شده و کارکرد آنها قیاس و تحلیل شده است. نتایج شبیه‌ سازی بیانگر این است که نرخ انسداد الگوریتم تطبیقی در شبکه NSFNET در قیاس با الگوریتم سنتی 4٪ سیر نزولی داشته و استفاده از منابع کد نوری 9٪ بهبود یافته است.

2- سیستم سوئیچینگ نوری چند دانه ای بر اساس SDN
2-1 معماری شبکه مبتنی بر SDN
SDN روش جدیدی از معماری شبکه می باشد که به دست بنیاد شبکه باز (ONF) رهبری می‌شود. معماری کلاسیک SDN به لایه برنامه، لایه کنترلی و لایه داده تقسیم بندی می ‌شود. لایه برنامه خدمات گوناگونی را به استفاده کنندگان ارائه می‌دهد. لایه کنترلی یکی از حائز اهمیت ترین بخش ‌های معماری SDN می باشد. کنترلگر توابع شبکه را با یک رابط برنامه نویسی کاربردی (API) مجازی سازی می کند[6]. لایه داده برای جمع ‌آوری، هدایت و پردازش داده‌ ها می باشد [7].

طی سال‌ های گذشته، با توجه به مطالبات اقتصادی و تسهیلات نوآوری شبکه ‌ای، به‌تدریج SDN (T-SDN) به کار گرفته شده است [8]. T-SDN رابط، پروتکل و صفحه کنترلی شبکه انتقال نوری را توسعه داده و مدیریت سخت ‌افزار شبکه نوری تغییر‌پذیرتر را میسر می‌کند. مرجع [9] معماری طبق SDN خودکار ارائه کرده‌ که قادر است معیارهای کارکرد شبکه را بصورت دینامیکی برتری سازد.

بعد از بکار بردن SDN بر روی شبکه سوئیچینگ نوری چهار لایه ‌ای، صفحه داده از صفحه کنترل جدا سازی شده [10] و احتساب مسیر و اختصاص منابع به دست کنترلگر SDN پشتیبانی می ‌شود [10]، گره بر هدایت داده متمرکز می شود که به شدت کاهش فشار بر گره را در پی دارد. کنترلگر مورد نظر، حائز اهمیت ترین قسمت از SDN است، منبع [11] ساختار ‌بندی جدیدی از مطالعات پیشگام با موضوع حل مسئله جایابی کنترلگر‌ها (CPP) در SDN را از زوایای مختلف ارائه می ‌دهد.

پیش بینی رفتار آتش سوزی با هوش مصنوعی در جنگل کاج سیاه نازک (Pinus nigra Arnold)

Fire behavior prediction with artificial intelligence in thinned black pine (Pinus nigra Arnold) stand

چکیده
1 مقدمه
2 روش تحقیق
3 نتایج و بحث
4 نتیجه گیری
منابع

چکیده

     مدل‌سازی روند آتش‌سوزی جنگل برای کنترل مؤثر آتش‌سوزی‌های جنگلی و انجام اقدامات احتیاطی لازم پیش از شروع آتش سوزی امری بسیار مهم است. با این حال، مطالعات روند آتش‌سوزی در جنگل، مطالعات پیچیده ای است که به بسیاری از متغیرها وابسته بوده و معمولا شامل مجموعه داده های بزرگی می‌باش. به همین دلیل، قدرت پیش بینی و سرعت  مدل‌های کلاسیک در مواردی که داده‌های بزرگ و بسیاری از متغیرها را شامل می‌شوند، پایین‌تر از مدل‌های هوش مصنوعی هستند. علاوه بر این، مدل‌های پیش‌بینی کلاسیک بر خلاف مدل‌های هوش مصنوعی، ملزم به تأمین مفروضات آماری خاصی هستند. در واقع در این مطالعه، پیش‌بینی‌ روند آتش‌سوزی سطحی، به‌ویژه میزان گسترش آتش و شدت آتش، در محل آغاز آتش سوزی با استفاده از دو روش هوش مصنوعی شامل مدل شبکه عصبی مصنوعی و مدل درخت تصمیم انجام شد و مدل‌های توسعه‌یافته در این مطالعه از نظر برازش مورد آزمایش و بررسی قرار گرفتند. در نهایت، مدل رگرسیون کلاسیک برای پیش‌بینی روند آتش‌سوزی سطحی با دو مدل هوش مصنوعی فوق، مقایسه شد. یافته‌ها نشان داد که معیارهای دقت مدل‌های هوش مصنوعی بهتر از مدل کلاسیک بوده است.

2  روش تحقیق
     در مطالعۀ پیش رو، روند آتش در سطح در محل وقوع با کمک هوش مصنوعی به ویژه میزان گسترش اولیه و شدت آتش سوزی، پی بینی شد. مناسب بودن مدل‌های توسعه یافته تنظیم و بررسی شد. در نهایت مدل سنتی رگرسیون برای پیش بینی روند آتش در سطح با دو مدل هوش مصنوعی مقایسه شد (تصویر 1). در این مطالعه تعداد ده متغیر مورد استفاده قرار گرفت که عبارتند از: دمای هوا (T)، رطوبت نسبی (RH)، سرعت باد (W) مقدار رطوبت برگ کاج (NMC)، مقدار رطوبت سوخت ریز (FFMC)، احتراق طول خط آتش (ILL)، بار سوخت کل (TFL)، سرعت گسترش آتش (ROS)، طول شعله (FL)، و شدت آتش (FI).

2-1 مکان تحقیق
     این مطالعه در جنگل کاج سیاه واقع در آناتولی انجام شد. این جنگل در منطقه جنگلی کاستامونو در شمال غربی ترکیه. واقع است این گونه کاج سیاه بعد از ماج کالابریایی، رایج‌ترین گونه در جهان است. این نوع کج ارزش اکولوژیکی و اقتصادی دارد و در مناطق مستعد آتش سوزی در ترکیه واقع شده است (کوچوک 2000; GDF 2022).

     منطقۀ فوق در 546819، 4577880 UTM واقع شده است و میانگین ارتفاع آن 1200 متر بوده و دارای آب و هوای دریای سیاه شمال غربی با تابستان های کوتاه گرم و زمستان های طولانی سرد است. در طول فصل تابستان، میانگین دما از 25 تا 38 درجه متغیر است و فصل آتش سوزی عموماً از اواخر ژوئن شروع می شود و تا اواسط سپتامبر ادامه دارد. سن مکان مورد مطالعه 45 تا 50 سال می‌باشد و میانگین یافته ها، 560 ساقه در هکتار با قطر متوسط درخت به میزان 20 سانتی متر در ارتفاع سینه را نشان می‌دهد. ارتفاع استند 16 متر، و میانگین انتهای تاج در استند 75٪ بود. سوخت های سطحی شامل یک لایه خاک و برگ کاج مرده، شاخه و خار و خاشاک در کف جنگل بود.