انجمن کامپیوتر ایران

مسئله پوشش در شبکه‌های حسگر جهت‌دار با توجه به ویژگی‌های خاص حسگرهای بکار رفته در آن مانند زاویه دید، کارکرد جهتی و خط دید، از اهمیت خاصی برخوردار است. یکی از مدل‌های پوشش در شبکه‌های حسگر جهت‌دار، مدل پوشش بیشینه زمانی است که در این نوع پوشش از گره‌های حسگر جهت‌دار گردان استفاده می‌شود. این حسگرها دارای این قابلیت هستند که جهت‌گیری خود را تغییر داده و بعد از یک دوره زمانی جهت‌گیری‌های خود را تکرار نمایند؛ اما مسئله مهم در پوشش بیشینه زمانی، انتخاب جهت‌گیری اولیه برای این حسگرها است. ثابت می‌شود که پیچیدگی انتخاب جهت‌گیری اولیه برای این مسئله از نوع غیر چندجمله‌ای سخت است. ما در این مقاله ابتدا مدل پوشش بیشینه زمانی خود را بیان می‌کنیم. سپس مسئله انتخاب جهت‌گیری اولیه در پوشش بیشینه زمانی را به صورت یک مسئله برنامه‌ریزی خطی صحیح (ILP) فرمول‌بندی می‌کنیم و در ادامه این مدل را با مدل پوشش بیشینه اهداف، مقایسه کرده و برترهای پوشش بیشینه زمانی را نشان خواهیم داد. نتایج حاصل از شبیه‌سازی‌ها نشان می‌دهد که مکانیسم پیشنهادی می‌تواند پوشش زمانی مطلوب را نسبت به الگوریتم‌های موجود فراهم آورد.

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.

مطالعه و تحقیق بر روي جنبه هاي مختلف شبکه هاي حسگر بی سیم به عنوان یکی از زمینه هاي پر کاربرد علم شبکه هاي کامپیوتري حائز اهمیت می باشد. در این میان بررسی تاثیرات طراحی لایه فیزیکی بر کارایی شبکه به عنوان لایه اي که اطلاعات مورد نیاز را از محیط فیزیکی دریافت می کند، مطالعه ای مهم شناخته خواهد شد. بدیهی است، این تاثیرات در شبکه هاي بی-سیم به دلیل ماهیت کانال ارتباطی ابعاد گسترده تري دارد. با این حال، جهت بررسی این تاثیرات ابتدا باید شبکه ها را مورد ارزیابی قرار داد، اما چالش پیش رو عدم در نظر گرفتن کلیه جزئیات لایه فیزیکی توسط برخی روش های ارزیابی است. در این مقاله به بررسی اثرات طراحی لایه فیزیکی بر کارایی لایه کنترل دسترسی به رسانه (MAC) در یک شبکه حسگر بی سیم با استفاده از پیاده سازي پارامتر احتمال قطع شدن به عنوان یکی از ملاحظات طراحی لایه فیزیکی و بکارگیري یک رابطه محاسباتی دقیق پرداخته ایم. در نهایت به کمک نرم افزار شبیه ساز NS2، معیار هاي ارزیابی کارایی شبکه همچون توان عملیاتی، تاخیر انتها به انتها و انرژي مصرفی در گره ها با در نظر گرفتن پروتکل هاي مختلف لایه کنترل دسترسی به رسانه مورد سنجش و تحلیل قرار گرفته اند.

خوشه‌بندی یک روش ارتباطی در شبکه‌های حسگر بی‌سیم است. در خوشه‌بندی قابلیتی برای تغییر نقش کاربردی گره‌ها وجود دارد. در هر خوشه گره‌ای به نام سرخوشه تعیین می‌شود که مدیریت گره‌های دیگر موجود در خوشه را بر عهده دارد. خوشه‌بندی اهداف متعددی دارد اما بیشتر تمرکز روش‌های خوشه‌‌بندی که پیش از این ارائه شده، بر استفاده کارآمدتر از انرژی است و اهدافی مانند تحمل خطا و مقیاس‌پذیری شبکه کمتر مورد توجه می‌باشند. همچنین مسیریابی در اکثر روش‌های خوشه‌بندی ارائه نمی‌شود. در این مقاله برای دستیابی به اهداف استفاده کارآمدتر از انرژی، تحمل خطا و مقیاس‌پذیری شبکه، یک روش خوشه‌بندی و مسیریابی لایه‌ای با استفاده از گره‌های جانشین سرخوشه ارائه گردیده است. در این روش محیط عملیاتی به چندین لایه فرضی تقسیم می‌شود و گره‌ها نسبت به موقعیت لایه‌ای خود خوشه‌بندی می‌شوند. همچنین از گره‌های جانشین سرخوشه برای ایجاد مسیر انتقال داده‌ها از سرخوشه به ایستگاه پایه استفاده می‌شود. برای افزایش تحمل خطای شبکه می‌توان از جانشین سرخوشه بجای سرخوشه در زمان بروز مشکل استفاده کرد. نتایج شبیه‌سازی‌ها نشان‌دهنده عملکرد بهتر روش پیشنهادی در افزایش طول عمر، تحمل خطا و مقیاس‌پذیری شبکه نسبت به روش‌های موجود می‌باشد.

تخمین هزینه‌های توسعه نرم افزار، بودجه و منابعی مانند زمان و نیروی انسانی، یکی از مهمترین فعالیت ها ‌‌در مدیریت پروژه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌های نرم افزاری است. میزان خطا در تخمین هزینه‌‌‌‌ها، سهم قابل‌‌‌‌‌‌‌‌ملاحظه ای در موفقیت و شکست یک پروژه دارد. رویکرد عمومی برای تخمین هزینه ها و سایر مسائل پروژه به بدین صورت می باشد که از سوابق و پروژه های مشابه استفاده می شود. متاسفانه تعداد پروژه هایی ‌که اطلاعات آنها به صورت مدون ثبت می شود زیاد نبوده و در این شرایط نکته ای که مطرح است فقدان اطلاعات برخی از ویژگی های پروژه می باشد. از طرفی با استفاده از پایگاه دانش ‌که سوابق و ویژگی های پروژه های قدیمی در آن ثبت شده است برای‌ تخمین منابع مورد نیاز، ابتدا خصیصه های پروژه با اطلاعات موجود در پایگاه داده انطباق داده می شود و تخمین مورد نظر براساس این اطلاعات ایجاد می شود. رگرسیون یکی از روش های مطرح در این زمینه است اما یکی از مسائلی که تجزیه و تحلیل رگرسیون را با مشکل مواجه می کند وجود داده ناقص می باشد. روش پیشنهادی برروی مجموعه داده CM1 اعمال شده است و نتایج بدست آمده نشان می دهد که ترکیب روش نزدیکترین همسایه در رگرسیون چند جمله ای غیرخطی (توان دوم) بهترین پاسخ در مقایسه با سایر رویکرد ها را دارد که حاکی از بهبود دقت و کاهش خطای نسبی است.

هدف از حاکمیت و مدیریت فناوری اطلاعات ایجاد هم‌ترازی میان کسب‌ و کار و فناوری اطلاعات در سازمان است. حاکمیت و مدیریت فناوری اطلاعات ناظر بر استفاده بهینه از منابع فناوری اطلاعات سازمان جهت پشتیبانی از فرآیندهای کسب‌ و کار، رفع نیازهای سازمان و تحقق اهداف آن است. اگر چه هر یک از چارچوب‌های مدیریت و حاکمیت فناوری اطلاعات بر بخش خاصی از این گستره تمرکز دارد، با این وجود ذات مشترک تمامی این چارچوب‌ها، یعنی هم‌ترازی کسب‌ و کار و فناوری اطلاعات، ادغام آن‌ها در جهت دست‌یابی به مدلی جامع را منطقی و مطلوب جلوه می‌دهد. چنین مدل جامعی مزایای تمامی چارچوب‌ها را در قبال هزینه‌، زمان و چالش کمتر برای سازمان‌ها به ارمغان خواهد آورد. در این مقاله نحوه ادغام چارچوب ITIL به عنوان شناخته‌شده‌ترین چارچوب مدیریت سرویس‌های فناوری اطلاعات، چارچوب COBIT به عنوان یکی از پرکاربردترین و جامع‌ترین چارچوب‌های حاکمیت فناوری اطلاعات، و معماری سازمانی فناوری اطلاعات به عنوان راه‌حلی جامع برای تشخیص، طراحی و برنامه‌ریزی وضعیت مطلوب فناوری اطلاعات سازمان مورد بررسی قرار خواهد گرفت. این مدل، راهکاری فراگیر برای ایجاد هم‌ترازی میان فناوری اطلاعات و کسب‌ و کار در سازمان‌ها خواهد بود.

يكپارچه‌سازي سازماني با هدف ايجاد ارتباط و تعامل ميان موجوديت‌هاي سازماني كه در راستاي تحقق اهداف سازمان حركت مي‌كنند، اجرا مي‌شود. در سه دهه اخير و با وجود سيستم‌هاي قديمي در كنار سيستم‌هاي نوظهور، يكپارچه‌سازي در حوزه سيستم‌هاي اطلاعاتي بسيار مورد توجه قرار گرفته است. اين موضوع در كنار يكپارچه‌سازي داده‌ها و ايجاد ديدي يكپارچه‌ از داده‌ها انتخاب بين انواع روش‌ها براي يكپارچه‌سازي را بسيار دشوار مي‌نمايد. خصوصاً با توجه به اين نكته كه انتخاب روش در سازمان و اجراي ناموفق آن تبعات زماني و مالي سنگيني را براي سازمان در برخواهد داشت. در اين مقاله، با بررسي انواع چارچوب‌هاي يكپارچه‌سازي، مدلي براي يكپارچه‌سازي سازماني و با تكيه بر مولفه‌هاي كليدي يكپارچه‌سازي در سازمان ارائه خواهد شد. اين مدل، از چهار مولفه حوزه، استاندارد، روش و ابزار يكپارچه‌سازي و از بهترين تجربيات حاصل شده است و با توجه به وضعيت موجود سازمان و ابزارهاي موجود سفارشي مي‌شود. استفاده از اين مدل، سبب مي‌شود تا سازمان بدون توجه به پيچيدگي‌هاي يكپارچه‌سازي، مولفه‌هاي موثر در يكپارچه‌سازي را انتخاب نمايد و پيچيدگي تصميم‌گيري كاهش يابد.

نظر به پیچیدگی‌های بالای موجود در مراکز آموزش الکترونیکی کشور، می‌بایست بتوان با ارائه راه کاری جامع تمامی این مراکز را در داشتن ساختاری مشخص جهت نیل به اهدافشان یاری نمود. مدل‌های مرجع پاسخی برای کمک به مراکز آموزش الکترونیکی جهت داشتن ساختاری مشخص می‌باشند. می‌توان با ایجاد یک مدل معماری سازمانی مرجع و ترکیب آن با مدل‌های جامع بهره وری جهت مراکز آموزش الکترونیکی ایران، وضع مطلوب را در تمامی لایه‌های سازمانی (شامل: لایه کسب و کار، لایه سیستم‌های اطلاعاتی و لایه فناوری) به صورت یک مدل مرجع ارائه نمود. تمامی مراکز آموزش الکترونیکی می‌توانند با حداقل هزینه و زمان این مدل را جهت نیل به اهداف بلند مدت خود سفارشی سازی و اجرایی نمایند. با اجرایی شدن این مدل در هر یک از مراکز آموزش الکترونیکی می‌توان شاهد اجرای کارآمدتر فناوری اطلاعات، بازگشت سریع‌تر سرمایه، کاهش ریسک برای سرمایه گذاری‌های آتی، آماده سازی سریع‌تر، ساده تر و ارزان‌تر منابع، بود. همچنین می‌توان از این مدل به عنوان مرجعی جهت رتبه بندی بلوغ سازمانی مراکز آموزش الکترونیکی نیز استفاده کرد.

در سامانه های آموزش الکترونیکی، اطلاعات مختلفی دربارۀ دانشجویان ذخیره می شود. این داده ها در عین ارزشمند بودن معمولا تنها در فعالیت های تعریف شدۀ سامانه مورد استفاده قرار می گیرند. در صورتی که این داده ها می توانند با روش های کشف دانش از پایگاه داده همچون داده کاوی، در مشاورۀ تحصیلی دانشجویان مورد استفاده قرار گیرند. روش های داده کاوی ارائه شده در این مقاله به دنبال استخراج قوانینی هستند که بتوان به کمک آن ها میزان تاثیر ابزارهای موجود در سامانه های آموزش الکترونیکی را بر وضعیت قبولی یک دانشجو در درس سنجید. برای این کار ابتدا نیاز به ویژگی های مناسبی است که بیانگر نحوۀ استفادۀ دانشجویان از این ابزارها باشد. برای رسیدن به چنین ویژگی هایی پیش پردازش هایی همچون تجمیع داده ها، استخراج ویژگی و گسسته سازی داده انجام گرفت. سپس دو روش درخت تصمیمو استخراج قوانین باهم آیی بر خروجی های مختلف مرحله پیش پردازش اعمال شد. در نهایت شاخصۀ اصلی قوانین حاصل از درخت تصمیم، دقتو سرعت مناسب تر و شاخصۀ اصلی قوانین حاصل از روش استخراج قوانین باهم آیی بیان جزئیات بیشتری از تاثیر ابزارها بر وضعیت تحصیلی دانشجویان بود.

یکی از مهم‌ترین چالش‌های مطرح در توسعه سیستم‌های سرویس‌گرا، نحوه شناسایی سرویس‌های همسو با نیازمندی‌های کسب‌و‌کار است. در این پژوهش روشی مدل‌محور برای شناسایی سرویس‌ها از بستر کسب‌و‌کار ارائه شده است که در آن، ابتدا در فاز مدل‌ سازی کسب‌و‌کار به مدل‌ سازی فرآیندها، داده‌ها و اهداف کسب‌و‌کار پرداخته می‌شود؛ سپس در فاز شناسایی ابتدا نیازمندی‌های سیستمی و فرآیندهای To-Be از روی مولفه‌های متناظر خود در مدل کسب‌و‌کار بدست می‌آیند و با استفاده تومان از فرآیندهای To-Be، داده‌ها ونیازمندی‌های سیستمی، سرویس‌ها شناسایی می‌شوند. هم چنین اصول طراحی سرویس از جمله چسبندگی، اتصال سست، دانه‌بندی مناسب و قابلیت استفاده مجدد مورد بررسی و نحوه دستیابی به آن‌ها مشخص می‌شود. روش پیشنهادی از نقطه نظر مدل ‌محور بودن، نیمه‌خودکار بودن، سطح کاربردپذیری سرویس‌های شناسایی شده و رعایت اصول طراحی سرویس نسبت به روش‌های موجود برتری دارد.

روش‌های ابرتفکیک پذیری مبتنی بر خمینه (منیفولد) از فرض شباهت هندسه محلی در دو خمینه مربوط به تصاویر با تفکیک پذیری کم و زیاد استفاده می‌کنند. ولی این فرض به دلیل مشکل نگاشت یک به چند بین تصاویر با تفکیک پذیری کم و زیاد به خوبی برقرار نیست. در این مقاله از بازیابی ماتریس کم رتبه استفاده شده است و نشان داده شده است که در این فضای جدید، هندسه محلی بهبود می‌یابد و یا یه عبارتی دیگر مشکل نگاشت یک به چند کاهش می‌یابد. در این راستا تکه تصاویر را خوشه‌بندی کرده‌و از ابرتفکیک پذیری مبتنی بر خمینه‌ای استفاده شده است که از نمایش تنک بهره می‌برد و هیچ تلاشی برای کاهش مشکل نگاشت یک به چند انجام نداده است. طبق نتایج پیاده‌سازی، استفاده از بازیابی ماتریس کم رتبه، کارایی ابرتفکیک پذیری را نسبت به زمانی که از آن استفاده نمی‌شود و فقط خوشه‌بندی انجام می‌شود، بهبود می‌دهد. معیارهای ارزیابی استفاده شده، نسبت سیگنال به نویز، RMSE و کیفیت دیداری است.

در این مقاله سیستمی به‌منظور بازشناسی اثرانگشت ارائه‌ شده است. سیستم پیشنهادی شامل 3 فاز اصلی می‌باشد. در فاز اول که پیش‌پردازش است، ابتدا نواحی اضافه از تصویر ورودی به‌منظور استخراج نواحی اثرانگشت حذف می‌شوند. سپس کنتراست تصویر به‌منظور بالا بردن وضوح تنظیم می‌گردد. در ادامه بر اساس بخش‌بندی تصویر ورودی و تصاویر موجود در پایگاه داده‌، یکسری ویژگی از بخش‌های ایجادشده به‌وسیله‌ی گشتاورهای شبه زرنیک استخراج می‌گردد. ویژگی‌های بخش‌های مختلف تصویر با یکدیگر ترکیب‌ شده و بردار ویژگی تصویر ایجاد می‌گردد. در این کار از طبقه بندهای شبکه عصبی، SVM و KNN استفاده شده است. روش ارائه‌ شده مستقل از اندازه، انتقال و چرخش اثرانگشت است. روش پیشنهادی بر روی دو مجموعه داده‌های FVC 2004 و FVC 2006 مورد تست و ارزیابی قرارگرفته که با توجه به نتایج به‌ دست‌ آمده، قابل‌ مشاهده است که عملکرد و دقت مناسب و بالاتری نسبت به روش‌های مشابه را دارا می‌باشد.

اكثر پژ‍وهش‌هاي پيشين در تشخيص برجستگي، مبتني بر توجه پايين به بالا هستند و از ويژگي‌هاي سطح پايين استفاده مي‌كنند. اين روش‌ها تاثيرات بالا به پايين را در نظر نمي‌گيرند. در اينجا، ما يك روش برجستگي ديداري بالا به پايين ارائه مي‌كنيم كه علاوه بر ويژگي‌هاي سطح پايين مانند رنگ و بافت، از ويژگي‌هاي سطح بالا مانند تشخيص شي استفاده مي‌كند. در اين روش،‌ابتدا تصوير به سوپرپيكسل‌ها بخش‌بندي مي‌شود و ويژگي‌هاي سطح پايين و بالا براي هر يك از آن‌ها استخراج مي‌شوند. سپس، ‌نقشه برجستگي با يادگيري ويژگي‌ها از طبقه‌بندي‌ كننده AdaBoost ايجاد مي‌شود. استفاده از سوپرپيكسل، لبه‌هاي اشيا در تصاوير را حفظ مي‌كند و پيچيدگي محاسباتي را از هزاران پيكسل به چند صد سوپر پيكسل كاهش مي‌دهد. روش پيشنهادي بر روي پايگاه داده MSRA-1000 پیاده‌سازی شده و در قیاس با ساير روش‌ها ارزيابي گرديده است. دستیابی به منحني precision-recall بهتر و معيار F-measure با مقدار 70 % حاكي از عملكرد مناسب روش پيشنهادي است.

یک -t پوشش هندسی (1

در این مقاله الگوریتمی جدید برای تولید چندضلعی‌های ساده تصادفی برگرفته‌ شده از معکوس دوگان مثلث‌بندی، ارائه می‌دهیم. دوگان مثلث‌بندی یک ساختار درختی است که نحوه مثلث‌بندی چندضلعی ساده را نمایش می‌دهد. این الگوریتم قادر به تولید چندضلعی است که دوگان مثلث‌بندی آن برابر با درخت داده‌ شده در ورودی است. به بیانی دیگر از روی یک درخت شبه دودویی تصادفی با توزیع یکنواخت، یک چندضلعی ساده تولید می‌شود. این چندضلعی نماینده تمامی چندضلعی‌هایی است که دوگان مثلث‌بندی آن‌ها با درخت ایجادشده یکسان است. این روش اولین بار است که در تولید چندضلعی‌های تصادفی ارائه می‌شود. این الگوریتم دارای پیچیدگی زمانی O(n^2 logn) است.

شناسايي و تعیین مختصات جغرافیایی مکان مراکز داده، براي سازمان‌ها داراي اهميت بسزايي است. ارزيابي،‌ شناسايي و تعيين مختصات به فاكتورها، معيارها و پارامترهاي مختلفي وابسته است كه این تنوع پيچيدگي، تصميم‌گيري براي مدیران سطح بالا را دوچندان مي سازد. این مقاله، لیست جامعی از معيارهاي تصمیم گیری برای میزبانی مراکز داده در ایران را با توجه به شرایط اقلیمی، سیاسی و اجتماعی تعیین کرده تا با تبيين گزینه های در دسترس بتوان به بررسی و ارزیابی آنها پرداخت. روش ارائه شده در اين مقاله، با بررسی و ارزیابی عوامل بالقوه در برپایی مرکز داده در ایران و ديگر فاكتورهاي مؤثر،‌ استان ها را به منظور تعيين مختصات جغرافیایی مراكز داده رتبه بندی می کند. برای ارزیابی در این روش معیارهای مختلف در قالب 4 دسته اصلی شامل آب و هوا، حوادث طبیعی، امکانات و حوادث غیرطبیعی در نظر گرفته شده است که در این مقاله به دسته امکانات شامل معیارهای بستر ارتباطی، تأمین انرژی، منابع انسانی و توسعه‌یافتگی پرداخته خواهد شد. فرآیند استنتاج این روش، با ادغام و وزن دهی به پارامترها و استفاده از رأی گیری اکثریت، با فرآيندي تطبيقي و انعطاف پذير تكميل می شود و به تفکیک استان ها، نواحی جغرافیایی مناسب را پیشنهاد می دهد.

مدیریت جریان داده های ورودی و استفاده از عملگر الحاق، در ایجاد پایگاه دادة تحلیلی نیمه آنی از اهمیّت زیادی برخوردار می باشد. برای اینکه بتوان تغییرات رخ داده در سمت منابع داده را به قالب مورد نیاز در پایگاه دادة تحلیلی تبدیل نمود، باید از عملگر الحاق استفاده کرد. جریان دادة ورودی با رابطة موجود بر روی دیسک، الحاق شده و تغییر شکل می یابد و یا در بعضی موارد، فیلدهایی به آن افزوده می شود. الگوریتم های مختلفی برای پیاده سازی الحاق وجود دارند که یکی از آنها الگوریتم Semi-Stream Cache Join (S.S.C.J) نام دارد. این الگوریتم در فضای محدودی اجرا می شود؛ لذا نمی تواند تمام رابطة R را وارد حافظه نماید. باید در هر دور اجرا، پارتیشنی ازآن را، برای الحاق انتخاب نموده و وارد حافظه نماید. الگوریتم، برای انتخاب پارتیشن مذکور از شناسة جریان داده های ورودی که درون صف قرارداده می شوند؛ استفاده می کند. در این روش، پارتیشن مذکور بطور بهینه انتخاب نمی شود. در الگوریتم پیشنهادی این مقاله، روشی ارائه می شود که در هربار اجرا، پارتیشنی را انتخاب می کند که شامل بیشترین رکورد برای الحاق می باشد. برای مقایسه کارایی الگوریتم، آزمایش هایی انجام شده است. نتایج بدست آمده، نشان می دهد که الگوریتم پیشنهادی نرخ سرویس بهتری نسبت به سایر الگوریتم ها دارد.

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.

افزایش چشمگیر تقاضای ترافیک کاربران موبایل موجب بروز ازدحام و کاهش کیفیت در شبکه های سلولی شده است. در سال های اخیر برون سپاری ترافیک از شبکه سلولی بر روی شبکه های مکمل به‌عنوان یک راه حل منطقی و مقرون‌ به‌صرفه در مقابله با ازدحام، مطرح ‌شده است که البته اپراتور سلولی را با چالش هایی در مدیریت هزینه و اجرای مؤثر این راه حل مواجه می کند. اجرای فرآیند برون سپاری ترافیک از شبکه سلولی باید با کارآیی بیشتر و هزینه های پیاده سازی و عملیاتی کمتری صورت گیرد. در این مقاله، یک مدل بهینه سازی با هدف کمینه کردن هزینه برون سپاری ترافیک اپراتور سلولی به شبکه مکمل ارائه‌ شده است. این مدلبا بهره گیری از پیش بینی ترافیک قابل برون سپاری کاربران در هر بازه زمانی، روی استقرار مناسب آنتن های شبکه مکمل و تخصیص بهینه پهنای باند به آن ها تصمیم گیری کرده و به این ترتیب هزینه های پیاده سازی و عملیاتی فرآیند برون سپاری را برای اپراتور های شبکه سلولی کاهش می دهد. به‌منظور حل این مدل یک الگوریتم ابتکاری با پیچیدگی زمانی چندجمله‌ای پیشنهاد شده و درنهایت مدل و الگوریتم پیشنهادی، مورد ارزیابی قرار گرفته اند. نتایج بیانگر این است پیاده سازی و استقرار شبکه مکمل با استفاده از مدل پیشنهادی در این مقاله می تواند میانگین هزینه های اجرایی برون سپاری را به میزان قابل ملاحظه ای کاهش دهد.

بسیاری از سیستم‌های اطلاعاتی را ‌می‌‌توان به شکل شبکه‌ای ناهمگن، شامل گره‌ها و یال‌ها از انواع مختلف، مدل کرد. برای مثال در پایگاهی حاوی اطلاعات مقالات چاپ شده، انواع گره‌ها نظیر نویسنده، مقاله و کنفرانس و ارتباطات مابین آن ها قابل تعریف است. جستجوی شباهت گره ها در شبکه‌های ناهمگن از موضوعاتی است که در سال های اخیر مورد توجه محققین در حوزه ی علوم شبکه قرار گرفته است. برای این منظور شباهت گره ها با در نظر گرفتن مسیرهای مختلف مابین آن ها در شبکه تعریف شده است. به طور مشخص با استفاده از مفهوم فرامسیر - مسیرهایی که گره ها را از طریق چند نوع رابطه به یکدیگر متصل می‌کنند - معانی مختلفی از شباهت را خواهیم داشت. تاکنون چندین معیار شباهت بر پایه چارچوب فرامسیر مطرح شده است. با این حال میزان اهمیت هر فرامسیر در این روش ها در نظر گرفته نشده است که باعث می‌شود بخشی از اطلاعات تاثیرگذار در شناسایی گره های شبیه از بین برود. در این مقاله، یک معیار شباهت مبتنی بر فرامسیر، به نام SimSim، پیشنهاد داده شده است که با توجه به شباهت گره های درون یک مسیر، اهمیت آن مسیر را در نظر می‌گیرد. آزمایش‌ها بر روی مجموعه داده ی واقعی، میزان موثر بودن و کارایی این روش را به خوبی نشان می‌دهد.