اینترنت اشیاء مفهومی جدید در دنیای فناوری و ارتباطات بوده که در آن برای تمام اشیاء، قابلیت ارسال داده¬های فناوری را از طریق شبکه¬های ارتباطی فراهم می-سازد. اینترنت اشیاء در حوزه سلامت به بسیاری از اشیاء و وسایل محیط پیرامون اشاره دارد که به شبکه اینترنت متصل هستند تا بتوان به وسیله اپلیکیشن¬های موجود در تلفن¬های هوشمند و تبلت آنها را مدیریت و کنترل نمود. بر این اساس، پژوهش حاضر با هدف بررسی آینده اینترنت اشیاء در ارائه خدمات هوشمند درمانی به بازنشستگان انجام گردید. این پژوهش از نوع پژوهش¬های کمّی بوده که از نظر هدف، کاربردی و از لحاظ نحوه گردآوری داده¬ها، توصیفی-همبستگی است. ابتدا توسط مطالعه ادبیات پژوهش، مولفه¬های آینده اینترنت اشیاء در ارائه خدمات هوشمند درمانی به بازنشستگان شناسایی شدند و سپس توسط مدلسازی معادلات ساختاری (SEM) و نرم افزار AMOS، مولفه¬های شناسایی شده مدلسازی شدند. جامعه آماری کلیه مدیران و کارشناسان بخش سلامت کشور هستند، که با توجه به نامحدود بودن جامعه آماری، توسط فرمول کوکران، تعداد 384 نفر به عنوان نمونه آماری انتخاب شدند. نتایج نشان داد که از میان مولفه¬های شناسایی شده برای آینده اینترنت اشیاء در ارائه خدمات هوشمند درمانی به بازنشستگان، کنترل از راه دور بیماران، ردیابی بیماران سرگردان و اسکن کامل بدن به ترتیب رتبه¬های اول تا سوم را از نظر اهمیت دارا می¬باشند. پرونده مقاله

حمله های فیشینگ همیشه تهدیدات قابل توجهی برای امنیت اینترنت بوجود آورده اند. یکی از معمول ترین شکل های فیشینگ، از طریق URL ها می باشد، جایی که مهاجمان URL های تقلبی را به شکل URL های معتبر در می آورند تا کاربران گول بخورند و برروی آنها کلیک کنند. فنون یادگیری ماشینی، امیدهایی برای شناسایی URL های فیشینگ بوجود آورده اند، اما اثربخشی آنها براساس رویکرد استفاده شده می تواند تغییر کند. اهداف: هدف این پژوهش، پیشنهاد دو روش یادگیری ماشینی، «شبکه های عصبی کانوالی» (CNN) و «خود توجهی چندسره» (MHSA)، برای شناسایی URL های فیشینگ است. علاوه بر آن، ارزیابی و مقایسه اثربخشی این رویکرد در مقایسه با روش ها و مدل های دیگر است. روش تحقیق: یک مجموعه داده از URL ها گردآوری شد و به آنها برچسب فیشینگ یا معتبر داده شد. عملکرد چندین مدل استفاده کننده از روش های یادگیری ماشینی مختلف، شامل CNN و MHSA، برای دسته بندی این URL ها با استفاده از معیارهای مختلف، مانند دقت، صحت، فراخوانی و نمره F1، ارزیابی شد. نتایج: نتایج نشان می دهند که ترکیب مدل های CNN و MHSA عملکرد بهتری نسبت به دیگر مدل های انفرادی دارد و به دقت 98.3% می رسد. که در مقایسه با روش های نوین موجود، بهبود قابل توجهی در شناسایی URL های فیشینگ فراهم می کند. نتیجه گیری: ترکیب CNN و MHSA رویکردی موثر برای آشکارسازی URL های فیشینگ است. این روش نسبت به روش های نوین موجود عملکرد بهتری دارد و روشی دقیق و مطمئن تر برای آشکارسازی URL های فیشینگ فراهم می کند. نتایج این مطالعه، پتانسیل استفاده از روش های ترکیبی در بهبود دقت و اطمینان روش های آشکارسازی URL فیشینگ مبتنی بر یادگیری ماشینی را نشان می دهند. پرونده مقاله