ترجمه مقاله طرح تشخیصی مجاورت کارآمد و حفظ حریم خصوصی برای برنامه های اجتماعی – نشریه IEEE
عنوان فارسی: | طرحهای تشخیصی مجاورت کارآمد و حفظ حریم خصوصی برای برنامه های اجتماعی |
عنوان انگلیسی: | Efficient and Privacy-Preserving Proximity Detection Schemes for Social Applications |
تعداد صفحات مقاله انگلیسی : 11 | تعداد صفحات ترجمه فارسی : 31 (2 صفحه رفرنس انگلیسی) |
سال انتشار : 2017 | نشریه : آی تریپل ای - IEEE |
فرمت مقاله انگلیسی : pdf | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
نوع مقاله : ISI | پایگاه : اسکوپوس |
نوع ارائه مقاله : ژورنال | ایمپکت فاکتور(IF) مجله : 10.976 در سال 2021 |
شاخص H_index مجله : 119 در سال 2022 | شاخص SJR مجله : 3.848 در سال 2021 |
شناسه ISSN مجله : 2327-4662 | شاخص Q یا Quartile (چارک) : Q1 در سال 2021 |
وضعیت ترجمه : ترجمه شده و آماده دانلود | کد محصول : 12482 |
محتوای فایل : zip | حجم فایل : 4.66Mb |
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر - مهندسی فناوری اطلاعات - امنیت اطلاعات - اینترنت و شبکه های گسترده - شبکه های کامپیوتری |
مجله/کنفرانس: Internet of Things Journal |
کلمات کلیدی: سرویس شبکه یابی اجتماعی مبتنی بر مکان - تشخیص مجاورتی - حفظ حریم خصوصی - کوئری محدوده هندسی |
کلمات کلیدی انگلیسی: Location-based social networking service - proximity detection - privacy-preserving - geometric range query |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
ضمیمه: ندارد ☓ |
بیس: نیست ☓ |
مدل مفهومی: ندارد ☓ |
پرسشنامه: ندارد ☓ |
متغیر: ندارد ☓ |
فرضیه: ندارد ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1109/JIOT.2017.2766701 |
چکیده
I. مقدمه
II. مدلها و هدف طراحی
III. مقدمات
IV. طرح های فرضی حفظ حریم خصوصی
V. تحلیل امنیتی
VI. ارزیابی عملکرد
VII.مطالعات مرتبط
VIII. نتیجه گیری
منابع
چکیده
با همه گیر شدن پایانه های تلفن همراه مبتنی بر مکان و محبوبیت برنامه های اجتماعی، سرویس شبکه یابی اجتماعی مبتنی بر مکان (LBSNS) راحتی زیادی را برای زندگی افراد به ارمغان آورده است. در ضمن، تشخیص مجاورتی که سرویس شبکه یابی اجتماعی مبتنی بر مکان را انعطاف پذیرتر می کند، نگرانی گسترده ای را به ارمغان آورده است. با این حال، پیشرفت سرویس شبکه یابی اجتماعی مبتنی بر مکان (LBSNS) با در نظر گرفتن حریم خصوصی موقعیت کاربران و امنیت داده ها، هنوز هم با چالش های بسیار شدیدی روبرو است. در این مقاله، ما دو طرح تشخیص مجاورتی حفظ حریم خصوصی و کارایی، یعنی AGRQ-P و AGRQ-C را برای کاربرد های اجتماعی مبتنی بر مکان پیشنهاد می کنیم. با طرح های پیشنهادی، یک کاربر می تواند هر ناحیه را بر روی نقشه انتخاب کند، و پرس و جو کند که آیا دوستانش در آن ناحیه بدون تقسیم اطلاعات کوئری به دو سرور برنامه اجتماعی و کاربران دیگر هستند یا خیر، در عین حال، مکانهای دقیق دوستانش برای سرورها و کاربر کوئری محرمانه هستند. مخصوصا، با الگوریتم های مبتنی بر متن رمزنگاری شده کوئری محدوده هندسی، کوئری کاربران و اطلاعات مکانی در متن رمزنگاری شده کلاینت پنهان می شود. تحلیل دقیق امنیتی نشان می دهد که تهدیدات امنیتی مختلف را می توان حفظ کرد. علاوه بر این، طرح های پیشنهادی در یک IM APP با یک مجموعه داده واقعی LBS اجرا می شوند، و نتایج شبیه سازی گسترده در سراسر تلفن های هوشمند نشان می دهند که AGRQ-P و AGRQ-C بسیار حساس هستند و می توانند به صورت موثری اجرا شوند.
مدلها و هدف طراحی
در این بخش، ما مدل سیستم و نیازمندی های امنیتی را رسمی سازی می کنیم و هدف طراحی مان را مشخص می کنیم.
A. مدل سیستمی
نکته کلیدی طرح سیستمی ما این است که اطلاعات حساس یک کاربر (مانند محدوده کوئری و اطلاعات مکانی دقیق) را نمی توان توسط سرور برنامه اجتماعی و کاربران دیگر بدست آورد. مخصوصا، سیستم ما شامل سه بخش می شود: سرور برنامه اجتماعی (SS)، کاربر کوئری (QU) و دوستان کاربر کوئری (UF) همانطور که در شکل 2 نشان داده شد.
• SS سرور یک برنامه اجتماعی است که برای کاربران، انواع سرویس ها شامل LBSNS را فراهم می کند. پس از ثبت در SS، کاربران مجاز هستند تا به مکان های مجاورتی کوئری از دوستانشان برای ارسال داده های در میان کاربران و محافظت از یکپارچگی داده ها استفاده کنند.
• QU کاربری است که در حال حاضر در SS ثبت نام کرده است. براساس برنامه های اجتماعی، QU می تواند لیست دوستانش را ایجاد کند. سپس او می تواند هر محدوده هندسی را بر روی نقشه انتخاب کند و کوئری را انتخاب کند که دوستان او در آن ناحیه انتخابی هستند.
• UF دوستان آنلاین QU هستند. در فرایند کوئری محدوده هندسی، UF کوئری نامعلوم را از QU دریافت می کند، سپس هر UF یک محاسبه ترکبی با داده های کوئری پنهان شده انجام می دهد و موقعیت خودش را هماهنگ می کند تا نتایجی از کوئری را بدست آورد که تنها توسط QU با محاسبه بیشتر قابل تحلیل است. از آنجا که بیشتر محاسبات در کلاینت انجام می شوند، کارایی محاسباتی طرح های حفظ حریم خصوصی ما باید تضمین شود.