ترجمه مقاله Importance of Cryptography in Network Security

اختصاصی از فی فوو ترجمه مقاله Importance of Cryptography in Network Security دانلود با لینک مستقیم و پر سرعت .

Importance of Cryptography in Network Security

Abstract

the main aim of this paper is to provide a broad review of network security and cryptography, with particular regard to digital signatures. Network security and cryptography is a subject too wide ranging to coverage about how to protect information in digital form and to provide security services. However, a general overview of network security and cryptography is provided and various algorithms are discussed. A detailed review of the subject of network security and cryptography in digital signatures is then presented. The purpose of a digital signature is to provide a means for an entity to bind its identity to a piece of information. The common attacks on digital signature were reviewed. The first method was the RSA signature scheme, which remains today one of the most practical and versatile techniques available. Fiat-Shamir signature schemes, DSA and related signature schemes are two other methods reviewed. Digital signatures have many applications in information security, including authentication, data integrity, and non-repudiation was reviewed.

اهمیت رمز نویسی در امنیت شبکه

چکیده

هدف اصلی این مقاله تهیه یک بازبینی وسیع از امنیت شبکه و رمزنویسی با توجهی خاص به امضاء الکترونیکی می باشد.امنیت شبکه ورمزنویسی موضوعی بسیار گسترده و متنوع جهت تامین چگونگی حفاظت اطلاعات در فرم های الکترونیکی و میسر کردن خدمات امنیتی است.به هرحال یک نگاه کلی قابل تعمیم ازامنیت شبکه ورمزنویسی تهیه شده و الگوریتم های متعددی مورد بحث قرار دارند.سپس یک بازبینی دقیق بر موضوع امنیت شبکه و رمزنویسی در امضاء الکترونیکی ارائه میشود. هدف یک امضاء الکترونیکی تدارک روشی برای فرد است تا بتواند هویت خویش را در یک نمونه اطلاعاتی الحاق کند. انتقادات بسیاری بر امضاء الکترونیکی مورد توجه بود. اولین روش’ طرح امضاء RAS بودکه تا به امروز به عنوان یکی از کاربردی ترین و متنوع ترین روشهای در دسترس می باشد. طرح های امضاء فیات شامیر  DSAو طرح امضاهای وابسته دو روش مورد توجه دیگر هستند.    

• سال : 2013
• تعداد صفحات انگلیسی پی دی اف : 6
• تعداد صفحات فارسی ورد : 14

 ( لینک دانلود مقاله همراه با ترجمه فارسی رو از لینک زیر دانلود کنید )

سوالات تکنسین شبکه

اختصاصی از فی فوو سوالات تکنسین شبکه دانلود با لینک مستقیم و پر سرعت .

شما می توانید مجموع سوال های 4 جوابی و سوال های عملی تکنسین شبکه رایانه ای را دراین مجموعه یک جا وبا قیمت کمتر خریداری کنید.این مجموع شامل دو محصول پر فروش همین فروشگاه (سوالات عملی و کتبی تکنسین شبکه های رایانه ای) می باشد ولی با قیمت کمتر .این فایل برای کسانی که قصد شرکت در آزمون های فنی وحرفه ای رادارند توصیه می شود.

PDF CCNA

اختصاصی از فی فوو PDF CCNA دانلود با لینک مستقیم و پر سرعت .

ﻣﺪﺭﻙ CCNA ﻛﻪ ﺍﻭﻟﻴﻦ ﻭ ﺩﺭ ﻭﺍﻗﻊ ﭘﻴﺶ ﻧﻴﺎﺯ ﺳﺎﻳﺮ ﻣﺪﺍﺭﻙ ﺳﻴﺴﻜﻮ ﺍﺳﺖ ، ﺷﺎﻣﻞ ﺍﻃﻼﻋﺎﺕ ﭘﺎﻳﻪ ﺍﻯ ﺩﺭ ﻣﻮﺭﺩ ﺷﺒﻜﻪ LAN ، WAN ﻭ ﻧﺤﻮﻩ ﻧﺼﺐ ﻭ ﺭﺍﻩ ﺍﻧﺪﺍﺯﻯ ﺍﻳﻦ ﻧﻮﻉ ﺷﺒﻜﻪ ﻫﺎ ﺗﺎ ﺳﻄﺢ ﻛﻮﭼﻚ (ﺯﻳﺮ ﻳﻜﺼﺪ ﻛﺎﻣﭙﻴﻮﺗﺮ ﺩﺭ ﺷﺒﻜﻪ ) ﻣﻰ ﺑﺎﺷﺪ. ﺩﺭ آموزش CCNA ﻣﻔﺎﻫﻴﻢ ﺳﻮﻳﻴﭽﻴﻨﮓ ﻭ ﺭﻭﺗﻴﻨﮓ ﻭ ﻫﻤﭽﻨﻴﻦ ﻧﺤﻮﻩ ﻧﺼﺐ ﻭ ﺭﺍﻩ ﺍﻧﺪﺍﺯﻯ ﺳﻮﻳﻴﭻ ﻫﺎ ﻭ ﺭﻭﺗﺮﻫﺎﻯ ﺳﻴﺴﻜﻮ ﺩﺭﻻﻳﻪ ﻫﺎﻯ ﺩﻭﻡ ﻭ ﺳﻮﻡ ﺷﺒﻜﻪ ﻣﻮﺭﺩ ﺑﺮﺭﺳﻰ ﻗﺮﺍﺭ ﻣﻰ ﮔﻴﺮﺩ. ﺿﻤﻦ ﺍﻳﻦ ﻛﻪ ﭘﺮﻭﺗﻜﻞ ﻫﺎﻯ ﺍﺭﺗﺒﺎﻃﻰ ﺷﺒﻜﻪ ﻫﻢ ﺗﺎ ﺳﻄﺢ ﺑﺎﻻﺗﺮﻯ ﻧﺴﺒﺖ ﺑﻪ ﻣﺪﺭﻙ +NETWORK ﺁﻣﻮﺯﺵ ﺩﺍﺩﻩ ﻣﻰ ﺷﻮﺩ. ﺷﺮﻛﺖ ﺳﺎﻳﺒﺮﺗﻚ ﻛﺴﺐ ﺍﻳﻦ ﻣﺪﺭﻙ ﺭﺍ ﺑﻪ ﻛﺴﺎﻧﻰ ﻛﻪ ﻗﺼﺪ ﺩﺍﺭﻧﺪ ﺑﻪ ﻋﻨﻮﺍﻥ ﺩﺳﺘﻴﺎﺭ ﻳﺎ ﻫﻤﻜﺎﺭ ﺑﺎ ﻣﺘﺨﺼﺼﺎﻥ ﺷﺒﻜﻪ ﺩﺭ ﻧﺼﺐ ﻭ ﺭﺍﻩ ﺍﻧﺪﺍﺯﻯ ﻭ ﺭﻓﻊ ﻋﻴﺐ ﺷﺒﻜﻪ ﺍﺳﺘﺨﺪﺍﻡ ﺷﻮﻧﺪ، ﺗﻮﺻﻴﻪ ﻣﻰ ﻧﻤﺎﻳﺪ . ﻃﺒﻖ ﺁﺧﺮﻳﻦ ﺁﻣﺎﺭ ﺍﺯ ﻣﺠﻠﻪ Forbes ﻭ ﻣﻮﺳﺴﻪ ﺑﻴﻦ ﺍﻟﻤﻠﻠﻰ Global Knowledge ﺩﺭﺁﻣﺪ ﻣﺘﻮﺳﻂ ﺳﺎﻟﻴﺎﻧﻪ ﺍﻓﺮﺍﺩ ﺩﺍﺭﻧﺪﻩ ﻣﺪﺭﻙ CCNA ﺣﺪﻭﺩﺍ 80ﻫﺰﺍﺭ ﺩﻻﺭ ﺍﺳ

دانلود مقاله شبکه های عصبی Neural Network

اختصاصی از فی فوو دانلود مقاله شبکه های عصبی Neural Network دانلود با لینک مستقیم و پر سرعت .

شبکه‌های عصبی مصنوعی
Artificial Neural Network
چکیده:
شبکه‌های عصبی مصنوعی از مباحث جدیدی است که دانشمندان علوم کامپیوتر به آن علاقمند شده‌اند و برای پیشرفت هرچه بیشتر علوم کامپیوتر وقت و هزینه بسیاری را صرف آن کرده و می‌کنند. این موضوع با ایده گرفتن از سیستم عصبی بدن انسان و با هدف شبیه‌سازی هرچه بیشتر کامپیوتر به انسان شکل گرفت و تا حال به خوبی پیشرفته است. از جمله کاربردهای این بحث می‌توان از شناسایی الگوها, پردازش تصویر و رویت, هوش مصنوعی, کنترل رباتها و موارد بسیار دیگر نام برد. ما در این مقاله پس از مقدمه به مسائل در خور شبکه‌های عصبی مصنوعی و نیز کاربردهای آن خواهیم پرداخت, در ادامه Perceptron ها را که یکی از مهمترین الگوریتم‌های شبکه‌های عصبی مصنوعی می‌باشد معرفی می‌کنیم.

1- مقدمه
1-1- ایده پیدایش شبکه‌های عصبی مصنوعی
آیا کامپیوتر میتواند همان نوع از محاسباتی را که یک فرد هوشمند انجام میدهد به کار گیرد؟
بسیاری از دانشمندان عقیده داشته ودارند که این بحث باید مورد توجه قرار گیرد. شبکه‌های عصبی در حل مسائل یک جهت جدید و متمایز نسبت به کامپیترهای عمومی می‌گشود. کامپیوترهای عمومی از یک الگوریتم استفاده می‌کنند یعنی برای حل مسائل از یک سری دستورات از پیش تعیین شده پیروی می‌کنند مگر در مواقع ویژه‌ای که کامپیوتر نیاز به یک‌سری اطلاعات برای حل مسئله دارد. و همین مسئله توانایی پردازش را از کامپیوترهای عمومی به مسائلی که ما قبلا فهمیده‌ایم و روش حل آنها را شناخته‌ایم محدود می‌کند و تنها سرعت عمل و قدرت در حل نمونه‌های بزرگتر را به همراه دارند. اما کامپیوترها باید به قدری مفید باشند که بتوانند کارهایی را انجام دهند که واقعا ما نمی‌دانیم چگونه باید آنها را انجام دهیم.

1-2- بررسی سلولهای مغزی افراد
تحقیق درباره سلولهای مغزی افراد و همچنین شناخت Neuron ها یا رشته‌های مغزی وبیان یک راه نسبتا متفاوت که یک سیستم هوشمند را بنا می‌کند شروع شد. مغز بشر متشکل از میلیونها نرون عصبی منحصر بفرد است واین رشته‌های عصبی به اشکال و اندازه‌های مختلف تغییر می‌کنند.. هر نرون عموما یک هسته دارد و یک‌سری سلولهای عصبی Axon (آکسون)ـ که علائم خروجی را به سلولهای عصبی نرون دیگر حمل می‌کنندـ و Dendrite ها (شاخه‌های سلولهای عصبی). علائم در سلولهای عصبی میان شاخه‌های سلولهای عصبی ونواحی خروجی جریان دارند.
در اینجا برای حالت برانگیزش باید آشفتگی از یک حدی تجاوز کند که آستانه یا سرحد نامیده می‌شود و پس از برانگیزش نرون‌ها پیامهایی برای نرون‌های دیگر می‌فرستند و خود را برای دریافت و پاسخ به اطلاعات عمومی آماده می‌کنند.
1-3- تاریخچه
شبکه‌های عصبی دهها سال است که جلب توجه می‌کنند وتاکنون راه حلهایی برای استفاده از هوش بشری ارائه شده است. اولین نرون مصنوعی درسال 1943 توسط نروفیزیولوژیست وارن‌مک‌کالوک و منطق دان والتر‌پیتز تولید شد.در دهه 60 به دلایلی که خارج از بحث این مقاله است مردم به‌سوی شبکه‌های عصبی متمایل شدند و تنها در دهه 80 دانشمندان توانایی‌های واقعی شبکه‌های عصبی را دیدند.

2- شبکه‌های عصبی مصنوعی

2-1- شبکه‌های عصبی مصنوعی

شبکه‌های عصبی شبیه به مغز انسان اطلاعاتی را پردازش می‌کنند. شبکه‌ از تعداد زیادی سلولهای عصبی(Neuron ها) تشکیل شده با پردازشی بسیار بزرگ و به‌هم پیوسته که در حل موازی مسائل ویژه مشغول به کارند.
یادگیری شبکه‌های عصبی از طریق مثالهاست. آنها برای انجام یک کار خاص برنامه‌ریزی نشده‌اند. مثالها باید با دقت بسیار بالایی انتخاب شوند والا زمان مفید هدر خواهد رفت و یا حتی ممکن است شبکه به طور ناقص دایر شود و در اینجا راهی برای فهمیدن اینکه سیستم معیوب است یا خیر وجود ندارد مگر اینکه خطایی رخ دهد.
شبکه‌های عصبی مصنوعی یک ترکیبی از مجموعه نرون‌هاست و البته نرونهای مصنوعی‌ای که بسیار شبیه به نرونهای زیستی کار می‌کنند. و بدین گونه است که ورودیهای زیادی با وزنهای مختلف می‌گیرد و یک خروجی که به ورودی وابسته است تولید می‌کند. نرونهای زیستی می‌توانند در حال برانگیزش باشند یا نباشند. ( وقتی یک نرون برانگیخته می‌شود ضربه علائم خروجی آن مقداری کمتر از 100 هرتز است)
شبکه‌های عصبی استفاده وسیعی در شناسایی الگوها دارند زیرا از خودشان قابلیت آن را دارند که بطور عمومی به ورودی‌های غیر منتظره نیز پاسخ دهند. در طول ساخت نرونها می‌آموزند که چگونه الگوهای ویژه گوناگون را تشخیص دهند. اگر الگویی پذیرفته شود در حالی که در طول اجرا ورودی با خروجی مرتبط نباشد، نرون از مجموعه‌ای از الگوهایی که سابقا آموخته خروجیی را که شبیه به الگو می‌باشد وکمترین تفاوت را با ورودی دارد انتخاب می‌کند. این روال عموما فراخوانی می‌شود.
مثال:
وقتی که ورودی نرون 1111 باشد چهار ورودی بر حسب برانگیزش مرتب شده‌اند و وقتی ورودی‌های 0000 را داریم نرون برای برانگیزش مرتب نیست. قاعده عمومی این است که نرونها مایلند برانگیخته شوند وقتی که ورودی‌ها 0111 ، 1011 ، 1101 ، 1110 یا 1111 باشند و در صورتی که ورودی آنها 1000 ، 0001 ، 0010 ، 0100 یا 0000 باشند مایل به برانگیخته شدن نیستند.
شناسایی الگوهای پیچیده سطح بالا می‌تواند به وسیله شبکه‌ای از نرونها انجام شود و بدین ترتیب نام آن را شبکه‌های عصبی مصنوعی گذاشتند. اکنون شبکه‌های عصبی کاربردهای زیادی دارند(درمنطق وکلام و شناسایی عکسها)البته شناسایی الگوهامی‌تواند به‌طور موفقیت آمیز بر روی کامپیوترهای عمومی انجام شود. این شبکه‌های عمومی که برای شناسایی الگوها استفاده می‌شوند Feed-Forward نامیده می‌شدند زیرا آنها یک بازخورد (Feed-Back) داشتند. آنها به‌طور ساده ورودی‌ها را با خروجی‌ها می‌آمیختند. اما شناسایی الگوها به تدریج کاملتر شد به‌طوریکه بر روی کامپیوترهای عمومی با سیستم خاص خودشان به‌سختی انجام می‌شد پس برای شناسایی الگوها شبکه‌های Feed-Forward کافی نبودند.
در شبکه‌های عصبی خروجی هر نرون به ورودی نرونهای مجاورش متصل شده است. شبکه‌های عصبی نمی‌توانند معجزه کنند اما اگر به درستی استفاده شوند نتایج شگفت‌انگیزی خواهند داشت.

2-2- مشخصات مسائل در خور شبکه‌های عصبی مصنوعی ANN(Artificial Neural Network)
تقلید از ساختارهای محاسباتی سیستم زیستی ممکن است ایده اصلی نمونه‌های محاسباتی برای ساخت کلاسهایی از مسائل باشد. از جمله این مسائل می‌توان از مسائل مشکل NP که شامل مسائل طبقه‌بندی شده، زمانبندی‌شده، جستجو وغیره نام برد، کلاس مسائل شناسایی الگوها، افراد و موضوعات مشخص را در دیدار و تماس با آنها می‌شناسد و کلاس مربوط به داده‌های ناقص، اشتباه، متناقض، فازی و احتمالی. این مسائل توسط همه یا برخی از موارد زیر توصیف می‌شوند:
یک فضای مسئله با بعد بزرگ، پیچیده، ناشناخته با اثرات متقابل پیچیده ریاضی‌وار بین متغییرها و یک فضای راه‌حل که ممکن است خالی باشد(شامل یک راه‌حل یکتا یا بیشتر ، شامل تعدادی از راه‌حلهای مفید)به نظر می‌رسد ANN ها راه‌حلهایی برای مسائلی که با ورودی‌های حسی بیشتر درگیرند ارائه می‌دهد(صحبت‌کردن، دیدن، شناسایی دستخط و…).
2-3- کاربردهای شبکه‌های عصبی مصنوعی ANN
می‌توان موارد زیر را از کاربردهای شبکه‌های عصبی مصنوعی ذکر کرد:
پردازش تصویر و دید( Image processing and computer vision )
پردازش علائم( Signal processing ): شامل ریخت‌شناسی و تجزیه و تحلیل علائم مربوط به زمین‌لرزه‌ها و…
شناسایی الگوها( Pattern recognition ): شامل شناسایی چهره، اثر انگشت، تشخیص نوع صدا و نوع صحبت کردن، دستخط و …
پزشکی( Medicine ): شامل تجزیه و تحلیل و تشخیص علائم دستگاه ضربان‌نگار قلب (الکتروکاردیوگرافیک)، تشخیص امراض گوناگون و …
سیستم‌های نظامی( Military systems ): شامل ردیابی مین‌های زیردریایی، دسته‌بندی صداهای نابه‌هنجار و مخل در رادارها و شناسایی گوینده رزمی.
سیستم‌های تجاری( Financial systems ): شامل تجزیه و تحلیل انبار مغازه‌ها، ارزیابی واقعی املاک و …
برنامه‌ریزی، کنترل و جستجو( Planning, control, and search ): شامل اجرای موازی مسائل و کنترل رباتها.
هوش مصنوعی( Artificial intelligence ): شامل برخی سیستم‌های طبی و اجرای سیستم‌های خبره.
سیستم‌های قدرت( Power systems ): شامل برآورد وضعیت سیستم، ردیابی سریع و دسته‌بندی ردیابی، ردیابی خطا و ترمیم آن، پیش‌بینی و برآورد تخمین امنیت.

--انواع یادگیری برای شبکه های عصبی:
1.یادگیری با ناظر
در یادگیری با ناظر به قانون یاد گیری مجموعه ای از زوجهای داده ها به نام داده های یادگیری (Pi,Ti)i={1 … l } می دهند که در آن Pi ورودی به شبکه و Ti خروجی مطلوب شبکه برای ورودی Pi است. پس از اعمال ورودی Pi به شبکه عصبی در خروجی شبکه ai با Ti مقایسه شده و سپس خطای یادگیری محاسبه و از آن در جهت تنظیم پارامترهای شبکه استفاده می شود به گونه ای که اگر دفعه بعد به شبکه همان ورودی Pi اعمال شود خروجی شبکه به Ti نزدیکتر می گردد با توجه به این نکته که معلم سیستمی است که بر محیط وقوف دارد ( مثلا می داند که برای ورودی Pi خروجی مطلوب Ti است ).توجه داریم که محیط برای شبکه عصبی مجهول است . در لحظه k بردار ورودی Pi(k) با تابع توضیع احتمال معینی که برای شبکه عصبی نا معلوماست انتخاب و بطور همزمان به شبکه عصبی و معلم اعمال می شود . جواب مطلوب Ti(k) نیز توسط معلم به شبکه عصبی داده می شود . در حقیقت پاسخ مطلوب پاسخ بهینه ای است که شبکه عصبی برای ورودی مفروض باید به آن برسد . پارامترهای شبکه عصبی توسط دو سیگنال ورودی و خطا تنظیم می شود.به این صورت که پس از چند تکرار الگوریتم یادگیری که عموما توسط معادله تفاضلی بیان می شودبه پارامترهایی در فضای پارامترهای شبکه همگرا می شوند که برای آنها خطای یادگیری بسیار کوچک است و عملا شبکه عصبی شبکه عصبی معادل معلم می شود . یا به عبارتی دیگر اطلاعات مربوط به محیط (نگاشت بین TiوPi )که برای معلم روشن است به شبکه عصبی منتقل می شود و پس از این مرحله عملا می توان بجای معلم از شبکه عصبی استفاده کرد تا یادگیری تکمیل شود .

--2.یادگیری تشدیدی:
یک اشکال یادگیری با ناظر این است که شبکه عصبی ممکن است بدون معلم نتواند مواضع جدیدی را که توسط مجموعه داده های جدید تجربی پوشانده نشده است یاد بگیرد . یادگیری از نوع تشدیدی این محدودیت را برطرف می کند . این نوع یادگیری بطور on-line صورت می گیرد در حالی که یادگیری با ناظر را به دو صورت on-line & off-line می توان انجام داد. در حالت off-line می توان از یک سیستم محاسب با در اختیار داشتن داده های یادگیری استفاده کرد و طراحی شبکه عصبی را به پایان رساند . پس از مرحله طراحی و یادگیری شبکه عصبی به عنوان یک سیستم استاتیکی عمل می کند . اما در یادگیری on-line شبکه عصبی همراه با خود سیستم یادگیر در حال انجام کار است و از این رو مثل یک سیستم دینامیکی عمل می کند .
یادگیری از نوع تشدیدی یک یادگیری on-line از یک نگاشت ورودی-خروجی است . این کار از طریق یک پروسه سعی و خطا به صورتی انجام می پذیرد که یک شاخص اجرایی موسوم به سیگنال تشدید ماکزیمم شود و بنابر این الگوریتم نوعی از یادگیری با ناظر است که در آن به جای فراهم نمودن جواب واقعی ، به شبکه عددی که نشانگر میزان عملکرد شبکه است ارایه می شود. این بدین معنی است که اگر شبکه عصبی پارامترهایش را به گونه ای تغییر داد که منجر به یک حالت مساعد شد آنگاه تمایل سیستم یادگیر جهت تولید آن عمل خاص تقویت یا تشدید می شود . در غیر این صورت تمایل شبکه عصبی جهت تولید آن عمل خاص تضعیف می شود . یادگیری تقویتی مثل یادگیری با ناظر نیست و این الگوریتم بیشتر برای سیستمهای کنترلی کاربرد دارد .
--3. یادگیری بدون ناظر
در یادگیری بدون ناظر یا یادگیری خود سامانده پارامترهای شبکه عصبی تنها توسط پاسخ سیستم اصلاح و تنظیم می شوند . به عبارتی تنها اطلاعات دریافتی از محیط به شبکه را برداغرهای ورودی تشکیل می دهند. و در مقایسه با مورد بالا (یادگیری با ناظر) بردار جواب مطلوب به شبکه اعمال نمی شود . به عبارتی به شبکه عصبی هیچ نمونه ای از تابعی که قرار است بیاموزد داده نمی شود . در عمل می بینیم که یادگیری با ناظر در مورد شبکه هایی که از تعداد زیادی لایه های نرونی تشکیل شده باشند بسیار کند عمل می کند و در این گونه موارد تلفیق یادگیری با ناظر و بدون ناظر پیشنهاد می گردد .

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله   18 صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید

مقاله َشرکتهای هرمی و network marketing

اختصاصی از فی فوو مقاله َشرکتهای هرمی و network marketing دانلود با لینک مستقیم و پر سرعت .

دانلود مقاله شرکتهای هرمی و network marketing در 150 ص با فرمت WORD

تعریف objection:

 واژه objection به معنای سوالی است که برای به نقد کشیدن و تویح بیشتر در مورد یک موضوع مطرح می‌شود. درواقع هر سوالی که در مورد یک کار ازما پرسیده می‌شود یک objection است، و دلیل مطرح شدن آن عدم اطلاعات شخص پرسشگر از حقیقت موضوع است که در این حالت فرد جوابگو باید بتواند با داشتن اطلاعت کامل اعتماد به نفس بالا و تسلط و نفوذ در کلام objection مطرح شده را پاسخ دهد. objection فرصتی  طلایی است که ما بتوانیم نکات مبهم پیش آمده در ذهن افراد را بطرف کرده و نوعی ایمان و بینش قوی برای ادامه کار به افرد افبا نماییم. یکی از پیش نیاز های جواب دادن به objection که نوعی رابطه روحی روانی با فرد است ایجاد ارتباط موثر است. ارتباط موثر بر طرف کننده هر گونه سوء تفاهمی است. با ارائه یکسری روشهای تکنیکها افراد می‌توانند از فواید یک رابطا موثر استفاده کنند. اما وقتی که پیامی توسط شخصی با شک و  تردید ارسال می‌شود ویا شخص در حالت پاسخ گوی دار دودلی می‌شود مسلماً نمی‌تواند به طور صد در صد بر روی طرف مقابل تاثر بگذارد.ایجاد این ارتباط موثر نیازمند تسلط کامل برآموزشهای این سیستم است. تسلط بر نوع تجارت NETWORK MARKETING و همچنین تسلط به 3p یعنی product (محصول) plan (طرح کمپانی)   و positioning (استراتژیهای کمپانی) از ضروریات پاسخگویی به یک سوال است عدم تسلط به این موارد شخص را دچار تزلزل کراه و در نتیجه در جوابگوی موفق نخواهد بود. چه بسا اطلاعات قبلی خود را نیز فراموش کرده و باعث ایجاد عکس العمل منفی در شخص پرسشگر گردد.

اگر در جوابگویی  به شخصی دروغ گفته می‌شود ممکن است فرد پس از مدتی به جواب صحیح دست یابد که این حالت موجب کمرنگ شدن اعتبار ما، تجارت NETWORK MARKETING و حتی کمپانی می‌گردد.

نشاط و انعطاف پذیری روحی از دیگر اصولی است که در پاسخگویی  به objection باید رعایت شود. افرادی هستند که ممکن است با مطرح کردن سوالات متفاوت به جمع‌آوری بپردازند. وظیفه ما این است که با ایجاد ارتباط موثر به سوالات آنها گوش دهیم و با سعه صدر و حوصله زیاد به سوالات آنها پاسخ دهیم. همچنین نباید در مقابل سوالات افراد حتی اگر غیر منطقی هم باشد عکس العمل منفی ناشی از از تعصب را بروز داد. هدف کلی پاسخ گویی به objection اطلاع رسانی و بالا بردن سطح آگاهی افراد است. تا در سایه یک جواب منطقی به شغل خود ایمان آورده و با قدرت بیشتری به کار خود ادامه دهند.

کلید موفقیت در NETWORK MARKETING آموزش می‌باشد و در واقع خوب دفاع کردن بهترین نوع آموزش می‌باشد. وقتی بتوانیم به یک objection جواب قاطعانه‌ای بدهیم هم شخص مورد نظر را قانع کرده و هم او را در یک چارچوب آموزشی قدرتمند قرارداده تا سطح اطلاعات خود را ارتقا دهدو نیز تجربه‌ای مفید درزمینه کار بدست آورد. درغیر این صورت نه فرد را قانع کرده‌اید و نه دفاع موثری داشته‌اید که نتیجه آن بدنامی خود و تجارت ما است. بعد از این که شخص سوال خودش را پرسید و جواب خود را دریافت کرد می‌توانیم با مطرح کردن سوالات کلیدی و مهمی که قبلاً برای خود ما و دیگر زیرمجموعه‌ها مطرح شده و همچنین پاسخگویی به آنها ابهامات و سوالات دیگری که برای او مطرح شده را پاسخ دهیم. استفاده از این روش باعث می‌شود که اگر برای او نیز سوالی باقی مانده باشد آنرا پرسیده و جوابش را دریافت کند.