انجمن کامپیوتر ایران

پذیرش آداب سازمانی به عنوان وسیله ای برای افزایش کارایی و منفعت سازمانی، طراحی و تولید سامانه های رایانه ای کمک به تدوین آداب نامه های سازمانی را ایجاب نموده است. در این پژوهش پس از مباحث نظری لازم، از تلفیق دو مدل رضایت سنجی مشتریان و اعتماد آفرینی سازمانی، مدل سه وجهی (به نام سرمآن) طراحی شده است که توفیق یا شکست سازمان را در قبال بندهای آداب نامه ای ارزیابی نموده و بندهای آدابی کم اثر را جهت حذف یا بازبینی معرفی می نماید. نرم افزار طراحی و تولید شده براساس این مدل، بهبود آتی بندهای آدابی تولیدی سامانه را پس از اثر سنجی پیشنهاد می کند. کمّی سازی اثرات بکارگیری آداب نامه تولیدی رایانه ای در فعالیت های سازمانی و ارائه گزارش تحلیلی متنی رایانه ای در این مورد ، از نوآوری های این مقاله است.

نياز رو به رشدي براي انتقال داده امن در شبکه هاي حسگر بي¬سيم، قادر به پشتيباني کاربرد¬هاي جديد، وجود دارد. در کاربردهاي جديد شبکه حسگر، يک نود حسگر مي¬تواند شامل چندين سنسور بوده و در نتيجه داده¬هاي متفاوتي از لحاظ اهميت داشته باشد. در پروتکل ارائه شده داده¬هاي نود حسگر با توجه به اهميت و نيازمندي¬هاي کيفيت سرويس آنها کلاس¬بندي مي¬شوند و تحويل تصادفي به منظور تامين قابليت اطمينان تعريف و پياده¬سازي شده است. تحويل تصادفي ار لحاظ مصرف انرژي و مصرف پهناي باند کم نسبت به تحويل گارانتي شده، که انتظار مي¬رود تمام بسته-هاي انتقال داده شده به مقصد برسند کم هزينه¬تر مي¬باشد. همچنين بسياري از کاربردها مي توانند حدي از اتلاف را تحمل کنند بدين منظور احتمال تحويل براي هر کلاس ترافيکي تعريف مي¬گردد. هرچه احتمال تحويل مورد نظر بيشتر باشد مصرف انرژي بيشتر مي¬گردد. آزمايش¬ها نشان داده اند که با روش پيشنهادي متريک¬هاي کارايي مانند اتلاف بسته به ميزان زيادي بهبود مي¬يابند که اين خود سبب کاهش مصرف انرژي و افزايش طول عمر شبکه مي¬شود.

در این مقاله با استفاده از الگوریتم جستجوی گرانشی یا GSA نرخ بازشناسی ارقام دستنویس فارسی بهبود داده می شود. دو روش برای بهبود نرخ بازشناسی پیشنهاد شده است. در روش اول با استفاده از نسخه باینری الگوریتم جستجوی گرانشی یا BGSA از میان کل ویژگی هایی که برای ارقام به منظور بازشناسی استخراج کرده ایم، ویژگی های بهینه را انتخاب می کنیم. با این کار علاوه بر کاهش تعداد ویژگی ها و هزینه های محاسباتی، نرخ بازشناسی را به میزان قابل توجهی بهبود می بخشیم. در روش دوم با استفاده از نسخه حقیقی الگوریتم جستجوی گرانشی یا RGSA به جای انتخاب ویژگی های بهینه، از روش وزندهی به ویژگی ها استفاده کرده و نرخ بازشناسی را بهبود می بخشیم. در این روش به هر کدام از ویژگی ها یک وزن نسبت می دهیم. در واقع بردار ویژگی را در بردار وزن ضرب کرده و بردار ویژگی جدیدی به دست می آوریم. این بردار وزن را با الگوریتم RGSA به دست می آوریم. الگوریتم RGSA بعد از چندین بار تکرار مجموعه وزن ویژگی ها را به گونه ای تعیین می کند که دقت طبقه بندی افزایش یابد. در این مقاله، از روش فازی برای طبقه بندی استفاده می کنیم. تابع برازندگی در الگوریتم های BGSA و RGSA تعداد خطاهای طبقه بندی کننده فازی می باشد و هدف مینیمم کردن این مقدار است. نتایج این دو روش کارایی آنها را تایید می کنند.

هم¬ترازی لغوی در ترجمه ماشینی آماری یک مفهوم کلیدی محسوب می¬شود. در اغلب پژوهش¬ها، رابطه بین کیفیت هم¬ترازی و کیفیت ترجمه، رابطه¬ای مستقیم گزارش شده است. در این مقاله سعی بر آن است که همبستگی بین کیفیت هم¬ترازی ماشینی و کیفیت ترجمه به ازای جفت زبان فارسی- انگلیسی بررسی گردد. همچنین روشی برای سنجش کیفیت هم¬ترازی خودکار ارائه شده است که البته تعمیمی بر معادله استاندارد F-measure است. قابل ذکر است تمام آزمایشات انجام شده در این مقاله، با استفاده از یک مجموعه کوچک هم¬ترازی دستی تحت عنوان مجموعه¬ی "هم¬ترازی مرجع " که از طریق قضاوت¬های انسانی ساخته شده، صورت گرفته است. در انتها، نشان داده خواهد شد که با کمک گرفتن از این مجموعه کوچک هم¬ترازی دستی، ما می¬توانیم کیفیت سیستم ترجمه ماشینی را بهبود ببخشیم.

با وجود تلاش‌هاي تحقيقاتي بسياري که در زمينه‌ي تطبيق خودکار آنتولوژي‌ها انجام شده ‌است، ولي هنوز مشکلات جدي در اين زمينه وجود دارد. روش‌هاي تطبيق موجود، بين دقت و فراخواني مصالحه برقرار مي‌کنند و هر يک از آنها نقاط ضعف و قوت ‌متفاوتي دارند. درنتيجه همواره انتخاب بهترين تطبيق‌گر براي يک کار خاص مشکل است. اين مقاله روشي به‌نام MuLCOM براي بهبود کيفيت نتايج ارائه مي‌دهد که مبتني‌بر انتخاب تطبيق‌گر‌ خاصي نيست بلکه روش‌هاي يادگيري ماشين را روي ترکيبي از تطبيق‌گر‌ها اعمال مي‌کند. به‌عبارت ديگر دسته‌بندي کننده براساس خروجي حاصل از تطبيق‌گر‌هاي مختلف آموزش داده مي‌شود و سپس براي حل مسائل تطبيق جديد از آن استفاده مي‌شود. بدين ترتيب تطبيق‌گر‌هاي مختلف نقاط ضعف يکديگر را پوشش مي‌دهند. نتايج حاصل نشان مي‌دهد كه MuLCOM حتي نسبت به بهترين تطبيق‌گر‌هاي مجزا کارايي بهتري دارد.

در این مقاله روشی جدید و مستقل از زبان برای نویسه¬گردانی اسامی ارائه خواهیم کرد. در روش پیشنهادی از یادگیری تمایزی برای آموزش مدل استفاده شده است. در مرحله¬ی یادگیری ویژگی¬های جدیدی تعریف کرده¬ایم که باعث بهبود نتایج شده است. هم¬ترازی میان حروف دو زبان نیز به صورت خودکار انجام گرفته است. درانجام آزمایشات به طور خاص بر روی زبان فارسی- انگلیسی تمرکز شده است. برای مقایسه¬ی روش¬ پیشنهادی از سیستم¬های نوین ترجمه¬ی ماشینی برای ترجمه در سطح حروف استفاده گردیده است. بهبود حاصل از روش پیشنهادی در مقایسه با سیستم پایه¬ی ترجمه ماشینی به طور نسبی حدود 22% می¬باشد. هم¬چنین با ارائه یک روش ابتکاری مبتنی بر محتوای صفحات وب، امکان انتخاب نویسه برتر از میان تعدادی نویسه¬ی محتمل، تولید شده توسط روش پیشنهادی میسر گردیده است که با این روش نتایج به طور نسبی 50% بهبود یافته¬اند.

واژگان¬شناختی می¬تواند در محدوده وسيعی از قلمروها از قبيل وب¬معنايي و پردازش زبان طبيعی به منظور ايجاد فهمی مشترک از يک دامنه مورد استفاده قرار گيرد. يکی از کاربردهای واژگان¬شناختی در زمينه شخصی¬سازی وب است. شخصی¬سازی وب عبارتست از هر عملی که اطلاعات و سرويس¬های فراهم شده توسط يک وب¬سايت را با نيازهای کاربران سازگار کند. برای اين کار دانش کسب شده از تحليل رفتار پيگيری کاربر و علايق فردی او در ترکيب با محتوا و ساختار وب¬سايت بکار گرفته می¬شود. بنابراين دانش دامنه وب¬سايت و مدلی که بيانگر علايق کاربر باشد, عناصری کليدی در فرايند شخصی¬سازی می¬باشند. اين مدلها را می¬توان با ساختارهايی از جمله بردار کلمات کليدی/ مفاهيم نمايش داد, يا می¬توان از واژگان¬شناختی برای نمايش آنها استفاده کرد. در اين مقاله ابتدا ساخت يک واژگان¬شناختی از دانش دامنه وب سايت را گزارش می¬کنيم و سپس با نگاشت ثبت¬های وب¬سرور به اين واژگان¬شناختي, واژگان¬شناختی مدل کاربر را ارائه می¬دهيم. اما برای استخراج مفاهيم و روابط معنايی در واژگان¬شناختی مذکور, از ويکيپديا که يک منبع غنی اطلاعاتی است استفاده کرده¬ايم. حاصل کار يک واژگان¬شناختی از علايق کاربر است که نسبت به واژگان¬شناختی¬های پيشين از نظر روابط معنايی غنی¬تر است و می¬تواند در ارائه توصيه¬های بهتر بکار رود. صحت و کيفيت سيستم با استفاده از مدل¬های تحليل و طراحی در مهندسی نرم¬افزار بررسی گرديده است.

درخت هاي پوشاي کمينه يکي از پر کاربردترين ها ساختمان داده ها در علوم هستند. در مسئله دو درخت پوشاي کمينه هدف پوشش دادن مجموعه نقاط با دو درخت جدا از هم است که مجموع طول اين دو درخت کمينه باشد. کاربرد اين مسئله در مواردي است که نياز به سرويس‌رساني به مجموعه اي از نقاطِ تقاضا توسط دو سرويس‌دهنده باشد و بخواهيم مجموع مسافت طي شده و يا طول شبکة ايجاد شده جهت ارائه سرويس را کمينه کنيم. اين مسئله مي‌تواند با محدوديت هاي مختلفي نيز بررسي شود. در اين مقاله ما ابتدا يک الگوريتم بهينه براي مسئله در حالت کلي ارائه مي‌دهيم و سپس به بررسي مسئله با محدوديت مساوي بودن تعداد گره هاي دو درخت مي‌پردازيم. در اين حالت براي مسئله دو الگوريتم مکاشفه‌اي و ژنتيک ارائه مي‌کنيم و به مقايسه نتايج آن‌ها با جواب هاي دقيق مسئله و با يکديگر مي‌پردازيم. نتايج مقايسه نشان دهنده آن است که الگوريتم ژنتيک ارائه شده مي‌تواند در زماني خوب و با دقتي مناسب به حل مسئله بپردازد.

در اين مقاله يک روش جديد پنهان نگاری (استگنوگرافی) کور مبتنی بر زوج وفرد بلوک های پيکسلی تصوير ارائه شده است که اطلاعات متني را بر روي تصاوير باينری (سياه وسفيد) در سرويس هاي پيام کوتاه پنهان مي کند. با استفاده از روش ارائه شده، بيت هاي پيام رمز متن - بطوريکه تغيير محسوسي در آن ايجاد نگردد - در يک تصوير پوششي پنهان مي شود. مزيت اصلي اين روش افزايش ظرفيت پنهان نگاري است. بااستفاده از تغيير در نحوه بلوک بندي و نحوه ذخيره کاراکتر ها در تصوير، ظرفيت تا حدود سه و نيم برابر روش مشابه قابل افزايش است. علاوه بر اين، نتايج مقايسه و ارزيابي روش ارائه شده با روش مشابه قبلي نشان مي دهد که بهبود قابل توجهي از نظر ويژگي هاي ظرفيت و امنيت پنهان نگاري حاصل شده است.

امکان استفاده موثر از مقادير بسيار زياد داده¬هاي جمع¬آوري شده به وسيله شبکه¬هاي حسگر بيسيم با مقياس بزرگ به الگوريتم¬هاي انتشار داده با ويژگي¬هاي مقياس¬پذيري، خود¬سازمان¬دهي، و کارآمدي در انرژي، اين کالاي کمياب در شبکه¬هاي حسگر بيسيم، نياز خواهد داشت. از آنجايي که در شبکه¬هاي حسگر بيسيم محتواي داده از شماره شناسايي گره¬¬اي که آنها را جمع¬آوري مي¬کند مهمتر است از اينرو محققان دريافته¬اند که بکارگيري مدلهاي انتزاعي براي ذخيره سازي که داده- محورند، کاراتر از ساير مدل¬هاي ذخيره سازي داده است. در اين راستا پروتکل¬هاي زيادي مبتني بر ذخيره¬سازي داده محور ارائه شده است که هر يک سعي در کاهش مصرف انرژي و حل مشکل عمده اين روش، مشکل مکان داغ ، داشته¬اند. در اين تحقيق، سعي داشته ايم که با ارائه روشي جديد با بهبود روش ذخيره سازي داده محور GHT ، با پخش بار در شبکه به شکل پويا از بروز مشکل عمده اين روش يعني مشکل مکان داغ پيشگيري کنيم، ضمن اينکه با افزايش دسترس پذيري داده¬ها، مصرف انرژي را نيز در گره¬هاي شبکه کاهش و طول عمر شبکه را افزايش دهيم. شبيه سازي ها کارايي روش ارائه شده را در مقايسه با ساير روشها به خوبي نشان داده است.

از آنجایی که پیش گیری قطعی ار رخداد حملات DDoS ممکن نیست، تشخیص این حملات می تواند گام مهمی در جلوگیری از پیشرفت حمله باشد. در حمله DDoS مهاجم با ارسال بسته‌هایی شبیه به بسته‌های نرمال سعی در سیلابی نمودن ترافیک ماشین قربانی دارند .در نتیجه سیستم تشخیص حمله همه منظوره موفقیت چندانی در تشخیص حملات DDoS ندارد. از سوی دیگر ماهیت توزیع شدگی این حملات، تشخیص آن ها را مشکل‌تر می‌کند. در این مقاله یک روش برای تشخیص این گونه حملات بر مبنای ترکیب پیش پردازنده آماری و شبکه‌های عصبی بدون ناظر ارائه شده است. در این روش ابتدا با در نظر گرفتن مجموعه بسته‌های موجود در یک بازه‌‌‌ی زمانی، ویژگی‌های آماری نشان دهنده رفتار این گونه حملات، ازآنان استخراج شده است. سپس با استفاده از شبکه‌های عصبی بدون ناظر، این ویژگی‌ها تحلیل و دسته‌بندی شده اند. در پایان، این روش با استفاده از ترافیکی که در یک محیط واقعی جمع آوروی شده، ارزیابی شده است.