انجمن کامپیوتر ایران

در این مقاله الگوریتم جدیدی برای ناحیه بندی تصاویر بافتی، با استفاده از مدل کانتور فعال مبتنی بر ویژگی الگوی باینری محلی کامل (CLBP) ارایه شده است. در روش پیشنهادی ابتدا یک ناحیه‌بندی تقریبی توسط روش خوشه‌بندی K-Means بر روی ویژگی‌های به دست آمده از CLBP انجام می‌گیرد. از این ناحیه‌بندی تقریبی برای تعیین مکان کانتور اولیه استفاده می‌شود. در ادامه به منظور کاهش حجم محاسبات و بهبود در عملکرد ناحیه بندی، از بین کدهای CLBP، آنهایی که قدرت جداسازی بیشتری بین ناحیه‌ها ایجاد می‌کنند انتخاب می‌شوند. در پایان با استفاده از مدل کانتور فعال، ناحیه بندی تصویر انجام می‌شود. نتایج حاصل از اعمال الگوریتم جهت ناحیه‌بندی تصاویر بافتی نشان می‌دهد که روش پیشنهادی عملکرد مناسبی از نظر دقت و سرعت ناحیه‌بندی برخوردار است. از جمله مزایای روش ارایه شده، توانایی آن در ناحیه‌بندی تصاویر بافتی دارای ناهمگنی در شدت روشنایی است، که دلیل آن مقاوم بودن عملگر الگوی باینری محلی نسبت به تغییرات یکنواخت در شدت روشنایی تصویر است.

اقتباس از آثار علمی دیگران بدون ارجاع صحیح به آنها را دستبرد علمی می‌نامند که کشف خودکار انواع این سوء استفاده‌ها‌ همواره مورد توجه محققین بوده است. در این مقاله روشی جهت کشف دستبرد علمی ارائه شده است که یک روش مبتنی بر بازیابی اطلاعات است. در این روش ما از یک شیوه بازیابی اطلاعات مبتنی بر خوشه‌بندی استفاده کرده‌ایم و در آزمایشات نشان دادیم در سیستم‌های کشف دستبرد علمی، استفاده از شیوه‌های بازیابی اطلاعات مبتنی بر خوشه‌بندی می‌تواند بسیار کاربردی‌تر از شیوه‌های دیگر بازیابی اطلاعات باشد. همچنین در این الگوریتم معیاری برای رتبه‌بندی اسناد بازیابی شده، ارائه شده است. نتایج آزمایشات نشان می‌دهد با استفاده از این معیار، سند مورد نظر در 91% موارد در فهرست اسناد رتبه‌بندی شده با رتبه کمتر از پنج حضور دارد. روش کشف دستبرد علمی پیشنهادی قادر به کشف انواع کپی‌برداری‌های دقیق و کپی‌برداری با تغییرات مانند جابجایی جملات، حذف و درج جملات، جایگزینی کلمات با مترادف‌هایشان و ترکیب بخش‌های کپی شده با یکدیگر است. این سیستم قابل توسعه به انواع کپی‌برداری‌های هوشمندانه نیز می‌باشد. در روش پیشنهادی علاوه بر متن اسناد، تصاویر موجود در آنها نیز در رتبه‌بندی اسناد مؤثر خواهند بود. نتایج ارزیابی سیستم پیشنهادی، نشان می‌دهد که در این سیستم برای کپی‌برداری‌های تحت الفظی، میانگین رتبه سند منبع، پنج می‌باشد.

شبکه‌های عصبی عمیق دارای کاربردهای فراوانی در پردازش گفتار می‌باشند. در صورتی که این شبکه‌ها به صورت تصادفی مقداردهی اولیه شوند به جواب درست همگرا نخواهند شد، چراکه دارای تعداد پارامترهای فراوانی می‌باشند. روش‌هاي متعددي براي پيش-تعلیم شبكه‌های عصبي عميق مطرح شده است که باعث همگرا شدن شبکه می‌شوند. پيش-تعلیم شبكه‌های عصبي مي‌تواند هم بر مبناي شبكه باور عميق و هم ماشين بولتزمان عميق انجام گيرد. در این مقاله شبکه عصبی عمیق با روش پیش-تعلیم جدیدی که بر مبنای ماشين بولتزمان عميق می‌باشد، آموزش می‌بیند. در نهايت خروجي شبكه عصبي پس از پيش-تعلیم توسط روش ارائه شده، برای طبقه بندی واج‌ها مورد استفاده قرار می‌گیرد. نتايج تجربي بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي كاربردهاي بازشناسي واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش‌ ارائه شده بر مبنای ماشين بولتزمان عميق به كاهش خطاي عمومي سيستم و افزايش كارائي آن كمك مي‌كند و از طرفی باعث همگرائی سریع‌تر شبکه عصبی عمیق می‌شود.

مدل رایانش ابری نیازهای سطح زیرساخت تا نرم‌افزار را به عنوان خدمت ارائه می‌دهد. یکی از مهمترین چالش‌های این فن‌آوری داشتن صرفه‌ی اقتصادی و سود‌آوری بالا برای ارائه‌دهندگان خدمات ابری است. با توجه به ویژگی کشسانی رایانش ابری، امکان پرداخت به ازای استفاده برای هر خدمت فراهم می‌شود. لیکن، اگر منابع کمتر از نیاز بارکاری تخصیص یابند دسترس‌پذیری خدمت کاهش یافته و طبق توافق‌نامه‌ی سطح خدمت، ارائه‌دهنده باید جریمه پرداخت کند و اگر دسترس‌پذیری بیش از نیاز مشتری باشد، منجر به افزایش هزینه‌های ارائه‌دهنده‌ی خدمت می‌شود. در این مقاله، با توجه به ویژگی‌های کشسانی خودکار و پرداخت به ازای استفاده‌ی رایانش ابری و دسترس‌پذیری در توافق‌نامه‌ی سطح خدمت، یک الگوریتم ابتکاری برای تخصیص پویای منابع به خدمات نرم‌افزار ابری به منظور بیشینه کردن سود ارائه‌دهنده‌ی خدمات زیرساخت ابری ارائه گردیده است. نتایج آزمایشاتی که بر روی داده‌های واقعی صورت گرفته، نشان می‌دهد که الگوریتم ارائه شده در مقایسه با الگوریتم ژنتیک، زمان اجرای کوتاهتر و مقیاس‌پذیری دارد به طوری که برای یک بازه‌ی زمانی در مقیاس چند دقیقه امکان کشسانی خودکار به شیوه‌ی کارآمد مهیا می‌گردد. همچنین، این الگوریتم با تعیین تخصیص بهینه، سودی برابر و در برخی حالات بیشتر از الگوریتم ژنتیک برای ارائه‌دهنده‌ی خدمات ابری در پی دارد.

این مقاله به مساله شناسایی جریان‌های فیل‌آسا در شبکه‌های کامپیوتری می‌پردازد. به دلیل اینکه شناسایی این نوع از جریان‌ها باید به صورت برخط انجام شود، ارائه الگوریتمی بسیار کارا و سریع برای شناسایی این جریان‌ها بسیار ضروری می‌باشد. الگوریتم ارائه شده دارای ساختاری موازی تصادفی است. به عبارت دیگر برای حل مساله از رویکرد تصادفی بر مبنای الگوریتم موازی با معماری هرم استفاده شده است. مرتبه زمانی الگوریتم ارائه شده در مرحله تحلیل بسته‌ها O(1) و در مرحله ادغام نتایج و بازنشانی ساختمان داده O(lg n) است. بهبود عملکرد الگوریتم چه از نظر کاهش میزان خطای شناسایی جریان‌های فیل‌آسا چه از نظر کاهش فرکانس ساز و کار بازنشانی با آزمایش بر روی داده‌های نمونه مورد ارزیابی و تایید قرار گرفته است.

سیستم‌های پرسش‌و‌پاسخ، زیرشاخه‌ای از علوم پردازش زبان طبیعی و بازیابی اطلاعات محسوب می‌شوند که در چند دهه‌ اخیر مورد علاقه زیاد محققین قرار‌گرفته‌اند و پیشرفت‌های قابل‌توجه‌ای در این زمینه، بخصوص در زبان انگلیسی انجام شده‌است. با توجه به رشد فزاینده‌ علاقه‌مندی به این زمینه‌ پژوهشی، نیاز به در اختیار داشتن منابع داده‌ای مناسب برای آن، به خوبی احساس می‌شود. در این مقاله، مراحل کامل توسعه‌ یک پیکره پرسش و پاسخ با نام رسائل و مسائل در زبان فارسی شرح داده خواهد شد. می‌توان اظهار کرد که این پیکره در نوع خود، اولین پیکره مربوط به پرسش و پاسخ با چنین ویژگی‌هایی برای زبان فارسی است. این پیکره شامل 2,118 سوال غیرحقیقت و 2,051 سوال حقیقت است که می‌تواند برای یادگیری کلیه مولفه‌های سیستم‌های پرسش و پاسخ شامل دسته‌بندی سوال، بازیابی اطلاعات و استخراج پاسخ، به صورت رایگان مورد استفاده عموم قرار گیرد.

شبکه موردی سیار مجموعه‌ای از نودهای متحرک است که با استفاده از ارتباطات بی‌سیم به تبادل اطلاعات می‌پردازند. هر نود ارسال کننده داده ممکن است به علت بار ترافیک سنگین دچار اردحام شود. رخداد این امر باعث افزایش تعداد بسته‌های حذف شده در سطح شبکه، طولانی‌تر شدن تاخیر دریافت بسته‌ها در مقصد و عدم بهره برداری مناسب از منابع شبکه می‌شود. بنابراین جهت مقابله با پدیده ازدحام، طراحی پروتکل‌های مسیریابی که علاوه بر انجام رسالت ارسال داده بین مبدا و مقصد، دارای مکانیزمی‌جهت پیشگیری و کنترل ازدحام هستند، اهمیت دارد. در این رابطه می‌توان به پروتکل DCDR اشاره کرد که یک پروتکل مسیریابی با قابلیت کنترل ازدحام در شبکه های سیار موردی می‌باشد. این پروتکل جهت پیش‌بینی و جلوگیری از وقوع ازدحام از یک مکانیزم کنترل ازدحام مناسب، براساس تخمین میانگین طول صف در هر نود استفاده می‌کند، اما فاقد مکانیزم مناسب جهت کنترل و کاهش نرخ بسته‌های حذف شده در لایه داده، به هنگام خرابی کانال می‌باشد. در این پژوهش پروتکل مسیریابی DCLFDR جهت کنترل ازدحام در لایه شبکه و کنترل نرخ بسته‌های حذف شده در لایه داده پیشنهاد می‌شود. نتایج شبیه‌سازی نشان می‌دهد که پروتکل DCLFDR نسبت به DCDR، در معیارهای تاخیر انتها‌به‌انتها و نسبت تحویل داده دارای عملکرد بهتری است.

In this paper, a new method for quantitative evaluation of the security of cyber-physical systems (CPSs) is proposed. The proposed method models the different classes of adversarial attacks against CPSs, including cross-domain attacks, i.e., cyber-to-cyber and cyber-to-physical attacks. It also takes the secondary consequences of attacks on CPSs into consideration. The intrusion process of attackers has been modeled using attack graph and the consequence estimation process of the attack has been investigated using process model. The security attributes and the special parameters involved in the security analysis of CPSs, have been identified and considered. The quantitative evaluation has been done using the probability of attacks, time-to-shutdown of the system and security risks. The validation phase of the proposed model is performed as a case study by applying it to a boiling water power plant and estimating the suitable security measures.

در اين مقاله، قوی ترین الگوریتم کدگذاری متااسپلویت در معماری x86 مورد تحلیل و واکاوی قرار گرفته است. الگوریتم کدگذاری x86/shikata_ga_nai که یک الگوریتم چندچهره است، به عنوان قوی ترین الگوریتم کدگذاری در بین سایر الگوریتم های متااسپلویت در معماری x86 معرفی شده است. با تحلیل و واکاوی این الگوریتم به یک امضا دست یافتیم که بنابر نتایج آزمون های ذکر شده، دارای درصد دقت تشخیص کامل و با نرخ هشدار غلط بسیار پایین می باشد.

در اين مقاله، روشي پيشنهاد شده است که با حملات اشکال در الگوريتم استاندارد رمزنگاري پيشرفته (AES) مقابله مي کند. اين روش با بکارگيري افزونگي هاي اطلاعاتي و زماني براي زيربخش هاي خطي و غيرخطي الگوريتم استاندارد رمزنگاري پيشرفته، هر يک از اين زيربخش ها را در برابر حمله اشکال محافظت مي کند. در روش پیشنهادی با استفاده از کدگذاري پريتي در موقعيت هاي بيتي که بيشترين قدرت تشخيص را فراهم مي آورند و تنها با استفاده از 8، 16 يا 32 بيت پريتي زيربخش هاي خطي الگوريتم رمزنگاري محافظت شده اند. همچنین از افزونگي زماني براي اجراي معکوس و محافظت زيربخش جانشاني بايت که يک عمل غيرخطي است استفاده شده است تا 100 درصد اشکالات رخ داده در اين زيربخش قابل تشخيص باشند. براي ارزيابي قدرت تشخيص روش پيشنهادي، الگوريتم رمزنگاري استاندارد پيشرفته را توسط زبان توصيف سخت افزار VHDL پياده سازي کرديم و با تزريق تصادفي گستره وسيعي از اشکالات گذراي چندگانه که مهم ترين مدل اشکال براي حملات اشکال هستند، ميزان تشخيص روش پيشنهادي را اندازه گيري کرديم. نتايج نشان دادند که روش پيشنهادي مي تواند بسته به اشکالات تزريق شده 4/99 تا 100 درصد از اشکالات تزريق شده را تشخيص دهد. مقايسه نتايج بدست آمده با ديگر روش هاي ارائه شده مشخص مي کند که روش پيشنهادي توانسته است تا 53 درصد از اشکال هاي کشف نشده توسط ساير روش ها را تشخيص دهد و بهبود بخشد.

گسترش رسانه های اجتماعی آنلاین و افزایش تمایل کاربران و مشتریان به انتشار عقاید و نظرات خود در محیط وب، فرصتی ارزشمند برای سازمان ها جهت بررسی تمایلات و ترجیحات مشتریان و همچنین ارزیابی شهرت نام های تجاری است. هدف اصلی در این پژوهش ارائه روشی نوین جهت سنجش و رتبه بندی شهرت نام های تجاری با استفاده از روش تحلیل احساسات در شبکه ی اجتماعی توییتر است. در این پژوهش استخراج و طبقه بندی نظرات و عقاید کاربران با بهره گیری از رویکردهای ترکیبی مبتنی بر لغت نامه، الگوریتم های یادگیری ماشین و نیز روش های پردازش زبان طبیعی انجام می گیرد. نتایج نشان می دهد الگوریتم های Naïve Bayes و Support Vector Machine با انتخاب ویژگی های Tri-grams و TF بهترین عملکرد را در میان مدل های مورد آزمون داشته اند. همچنین به کارگیری مقادیر مختلف پارامتر جریمه به منظور حل مشکل ماتریس پراکنده در داده های متنی کلان, سبب افزایش کارآیی در الگوریتم های مورد استفاده شده است. نوآوری اصلی این پژوهش به کارگیری روش خودکار تحلیل احساسات و استفاده از نظرات و عقاید کاربران در شبکه های اجتماعی جهت ارزیابی و طبقه بندی شهرت نام های تجاری است. همچنین ارتقای معیارهای ارزیابی طبقه بندی کننده ها در مقایسه با مدل های پیشین تحلیل احساسات و استفاده از مجموعه ای کارآمد از ویژگی ها، از جمله سایر دست آوردهای این تحقیق می باشد.

در شبکه های نظیر به نظیر غیرساخت یافته برخلاف شبکه های ساخت یافته ساختار شبکه از پیش مشخص نیست بنابراین محل قرارگیری گره ها کاملا مستقل از توپولوژی شبکه می باشد و گره ها اطلاعاتی در رابطه با وضعیت شبکه ندارند پس روشی که برای جستجو در این شبکه ها به کار می رود در بازدهی کل شبکه تاثیر زیادی دارد. در این مقاله برای بهبود جستجو در شبکه های نظیر به نظیر غیرساخت یافته، الگوریتم جستجوی آگاهانه ای مبتنی بر اتوماتای یادگیر مطرح شده است. این الگوریتم بر خلاف روش های قبلی جستجو در شبکه های نظیر به نظیر غیرساخت یافته، محتویات اشیا را در نظر می گیرد. روش پیشنهادی از نظر تعداد اشیا کشف شده به ازای هر درخواست و میزان سرباری که به شبکه تحمیل می کند با روش های K-walker random walk ،APS و DS مقایسه شده است. شبیه سازی ها نشان می دهند که روش پیشنهادی با توجه به دو معیار مطرح شده بهتر از روش های قبلی عمل می کند.

دسته‌بندی بسته، به‌عنوان یکی از وظایف کلیدی مسیریاب‌ها و دیواره‌های آتش نوین، با توجه به افزایش نرخ لینک و حجم ترافیک با چالش جدی در کارایی مواجه است. یکی از راه‌های افزایش کارایی الگوریتم‌های دسته‌بندی بسته‌، استفاده از پردازنده‌های چندهسته‌ای برای موازی‌سازی آن‌ها است. الگوریتم درخت سلسله‌مراتبی، یکی از الگوریتم‎های مهم در دسته بندی بسته ها بر اساس درخت تصمیم است. در این الگوریتم از آدرس IP مبدأ و آدرس IP مقصد برای ساختن درخت تصمیم گیری استفاده می‌شود. در این مقاله با استفاده از کتابخانه های موازی‌سازی Thread ،PPL،Open MP و TBB، الگوریتم درخت سلسله مراتبی را بر روی پردازنده‌های چندهسته‌ای پیاده سازی نموده ایم. نتایج ارزیابی این الگوریتم در همه بسترهای فوق الذکر و با مجموعه فیلترها و بسته های آزمون متنوع، حاکی از بهبود کارایی آن از نقطه‌نظر معیارهای مختلف نظیر گذرداد و تسریع می باشد. همچنین، نتایج نشان می دهد بیشترین گذرداد دسته بندی بسته ها در نسخه موازی شده با TBB و حدود 45/5 میلیون بسته در ثانیه است.

تا کنون راهکارهای زیادی برای ارتباطات بین سیستم‌های نرم افزاری مطرح گردیده که ترکیب سرویس‌ها یکی از این روش‌ها است. با توجه به رشد روز افزون و فراگیر معماری سرویس گرا و سیستم‌های تحت وب، انتخاب وب سرویس‌های مناسب و نحوه ترکیب آن‌ها مسئله‌ای حائز اهمیت است. بدیهی است که با توجه به نیازهای کنونی سیستم‌ها و اهمیت سرعت و دقت در جریان امور استفاده از عوامل هوشمند مورد نیاز بوده و کیفیت و بازدهی را به حداکثر می‌رساند. به همین دلیل مطالعه در مورد وب سرویس‌ها و ترکیب آن‌ها بر اساس عامل‌های هوشمند بسیار ضروری و مورد توجه می‌باشد. نظر به اهمیت در دسترس پذیری و پاسخ گویی بدون وقفه در سیستم‌های تحت وب، ایجاد چندین ترکیب بهینه می‌تواند مؤثر واقع ‌شود. بنابراین در این مقاله سعی بر آن گردیده است که روشی مناسب برای ترکیب سرویس‌های اتمیک بر مبنای عوامل با لحاظ نمودن پارامتر کیفیت سرویس به کار گرفته شود. این روش با استفاده از الگوریتم Top-k و ساختار موازی آن می‌تواند چندین راه حل مناسب به دست آورد تا در مواقع لزوم از قابلیت جایگزینی این راه حل‌ها به جای بهترین ترکیب استفاده نماید. همچنین فیلتر نمودن داده‌ها قبل از ایجاد ترکیب در داده‌هایی با مقیاس بزرگ، مجموعه سرویس‌های انتخابی را کاهش می‌دهد. بنابراین نتایج حاصل از تحلیل و ارزیابی روش پیشنهادی، بهینه سازی مطلوبی در زمان اجرا و مصرف حافظه نمایان می‌سازد.

اطلاعات در شبکه سلامت بطور قابل توجهی در حال افزایش است و ضرورت استفاده از روش ها و تکنولوژی های ارائه شده در کلان داده ها وجود دارد. با توجه به تنوع منابع داده ای در کلان داده ها، روش های موجود در یافتن شباهت بیماران دارای میزان درصد خطایی در ارائه نتایج است. هدف این مقاله، ارائه روشی مقیاس پذیر و گسترش پذیر، مبتنی بر نگاشت و کاهش است که می تواند تا حدود 99 درصد درستی نتایج را تضمین کند. روش پیشنهادی به کاربران کمک می کند تا شرایط مختلف را بر روی کلیه موجودیت ها در منابع داده مختلف اعمال کنند و نتایج را مشاهده نماید. ارزیابی ما نشان می دهد این روش با استفاده از طرح ستاره ای مبتنی بر انبار داده، در مقایسه با روش های مشابه، امکانات بهتری در پرس وجو ها به کاربر ارائه می کند.

آریتمی قلبی یکی از شایع ترین بیماری های ناشی از اختلال در فعالیت الکتریکی قلب است که منجر به نامنظم بودن ضربان قلب، کمتر و یا بیشتر از حد معمول می شود. انواع مختلفی از آریتمی ها از تغییرات پیش آمده در ریتم طبیعی قلب حاصل می شوند و سالانه تعداد بسیاری از افراد مبتلا جان خود را در اثر عوارض این بیماری از دست می دهند. از این جهت، تشخیص و شناسایی به هنگام و زودرس آریتمی ها باعث افزایش شانس نجات بیمار و درمان مؤثر آن خواهد بود. یکی از راه های بررسی عملکرد الکتریکی قلب، استفاده از نوار قلبی است که از ثبت فعالیت الکتریکی قلب بدست می آید. اين مقاله، با استخراج ویژگی های مؤثر از مجموعه داده های شامل اطلاعات بیماران و استفاده از روش های مختلف یادگیری ماشین سعی در تشخیص و دسته بندی آریتمی ها دارد. همچنین، با ترکیب الگوریتم های دسته بندی بررسی شده، روش جدیدی مبتنی بر ترکیب الگوریتم ها بصورت سلسله مراتبی، برای تشخیص نوع آریتمی ها، ارائه شده است. نتایج بدست آمده حاکی از افزایش دقت دسته بندی توسط روش ترکیبی پیشنهادی است.

از حافظه های نهان روی تراشه برای کاهش اختلاف سرعت پردازنده و حافظه اصلی و دسترسی هر چه سریعتر به عناصر حافظه استفاده می شود. در پردازنده ‏های امروزی، حافظه نهان بخش زیادی از مساحت کل تراشه را اشغال می کند و همچنین درصد قابل توجهی از توان مصرفی کلی تراشه را به خود اختصاص می دهد. به همین دلیل کم کردن توان مصرفی این واحد تاثیر قابل توجهی در توان مصرفی کل تراشه خواهد داشت. در این مقاله با ارائه معماری برچسب فشرده ‏شده سعی در کاهش توان مصرفی ناشی از ذخیره سازی و بازیابی برچسب را داریم. در این روش، با استفاده از یک بافر محلی و یک تکنیک ذخیره سازی، مکانیزم جدیدی از نگاشت برچسب در حافظه ی نهان معرفی شده است. ایده اصلی این طرح فشرده کردن بخش برچسب داده‏ هایی است که برچسب یکسانی دارند. در این مقاله نشان داده خواهد شد که وجود محلیت مکانی احتمال شباهت برچسب‏ ها در حافظه نهان را بالا می برد که می توان با سربار ناچیز سخت افزاری آنها را فشرده کرده و بهبودی حدود 30% در مصرف توان الکتریکی حافظه های نهان روی تراشه را بدست آورد.

در این مقاله، روشی مبتنی بر اطلاعات متقابل، برای تثبیت دو تصویر ارایه شده است. عموم روش های مبتنی بر اطلاعات متقابل، از یک سو از همبستگی بین پیکسل های تصویر چشم می پوشند و از این رو در برابر نویز تصویر حساس هستند و از سویی دیگر، اندازه ناحیه همپوشانیِ بین دو تصویر، بر صحت تثبیت تاثیر گذار است. در این مقاله، دو دیدگاه بلوکی و متناوب انگاری تصویر، به ترتیب برای در نظر گرفتن همبستگی های موجود بین پیکسل های همسایه و کاهش وابستگی الگوریتم به اندازه ناحیه هم پوشانی، مد نظر قرار گرفته اند. نتیجه شبیه سازی ها، نشان دهنده بهبود چشم گیری، به ویژه در عملکرد روش های مبتنی بر الگوریتم های تکاملی است.

در عصر کلان‏ داده، روز به روز بر محبوبیت سیستم‌های توصیه‏‌گر افزوده می‏شود. سیستم‏های توصیه‌گر برنامه‌هایی هستند که روش‌های کشف دانش را برای ایجاد توصیه های شخصی‌سازی شده، به کار می‌برند. سیستم‌های توصیه‌گر آگاه از اعتماد، از داده‌های شخصی کاربران و اطلاعات مربوط به اعتماد میان آن‌ها برای غلبه بر مشکلات روش‌های مبتنی بر پالایش گروهی استفاده می‌کنند. با این حال خیلی از سیستم‌های توصیه‌گر مقیاس‌پذیری لازم برای پردازش حجم عظیمی از داده‌ها را ندارند. بنابراین ما در این مقاله با انتخاب یکی از سیستم‌های توصیه‌گر مبتنی بر اجتماع و آگاه از اعتماد، یک سیستم توصیه‌گر مقیاس‌پذیر با استفاده از چارچوب پردازش موازی اسپارک ارائه می‌کنیم. در این سیستم دوستان بالقوه در شبکه بر اساس ترکیبی از مقادیر شباهت و اعتمادشان، به کاربر هدف پیشنهاد می‌شوند. آزمایش‌های انجام‌شده روی مجموعه‌ی داده‌ای Flixter نشان می‏دهد که الگوریتم ارائه شده دارای مقیاس‌پذیری بالایی است.

تشخيص نويسنده بر اساس متون دست‌نویس از زمینه‌هایی است که از قدیم متداول بوده و امروزه با توجه به گسترش هوش مصنوعی و پردازش تصویر، محققان سعی در ارتقا الگوریتم‌های اتوماتیک این کار دارند. با توجه به پیچیدگی‌های ساختاری زبان فارسی نسبت به سایر زبان‌ها از نظر فرم و تحریرهای موجود در دست نوشته، تشخیص هویت نویسنده بر اساس فرم دست خط در فارسی مطمئنا می‌تواند کارایی مناسب‌تر و در عین حال ویژگی‌های پیچیده‌تری داشته باشد. با توجه به کارهای اندک انجام شده در زمینه تشخیص نویسنده بر اساس دست نوشته در زبان فارسی، در این مقاله سعی شده بر اساس ویژگی های عمومی مبتنی بر گرادیان، یک مدل احتمالاتی برای هر نویسنده در هر گرافم برآورد شده و سپس کارایی مدل بدست آمده در تشخیص نویسنده بررسی شود. نتایج پیاده‌سازی روش پیشنهادی بر روی یک پایگاه داده نسبتا جامع فارسی، انطباق بسیار بالای مدل احتمالاتی پیشنهادی و دقت بسیار مناسب و سرعت بالای آن را در تشخیص نویسنده نشان می‌دهد.