انجمن کامپیوتر ایران

در سال‌های اخیر، توسعه سامانه‌های مبتنی برنشست افزایش فراوانی پیداکرده است. این سامانه‌ها توصیه خود را بر اساس توالی رفتاری کاربران در یک نشست انجام می‌دهند. روش‌های پیشرفته سعی دارند تا بر اساس این توالی‌ها، بازنمایی مناسبی برای نشست و آیتم‌ها به دست آوردند و از این بازنمایی‌ها در پیش‌بینی رفتار بعدی کاربر استفاده کنند. با این‌ وجود ارتباطات زمانی رفتارها درون نشست و همچنین اطلاعات زمینه‌ای رفتار کاربر در روش‌های موجود به‌صورت مستقیم مورد بررسی قرار نمی‌گیرد. ما در این تحقیق روش جدیدی با عنوان DeepScore، برای توصیه مبتنی بر نشست ارائه می‌دهیم که از یک‌سو برای استخراج بازنمایی‌های برداری آیتم‌ها از اطلاعات زمانی تعامل کاربر با آن‌ها بهره می‌گیرد و از سوی دیگر قادر است اطلاعات زمینه‌ای آیتم‌ها را برای انجام توصیه بهتر به کار گیرد و به‌علاوه در فرایند آموزش از لایه گذاری صفر که سربار پردازشی به سیستم تحمیل می‌کند پرهیز می‌شود. نتایج این تحقیق بر روی دادگان Yoochoose نشان‌دهنده بهبود عملکرد مدل پیشنهادی در مقابل سایر روش‌های پیشرفته بر روی دو معیار Recall و MRR است.

در اواخر سال ۲۰۱۹ در شهر ووهان چین بیماری حاد تنفسی به نام کرونا ویروس شایع شد. این بیماری به سرعت در شهرهای چین و کشورهای دیگر گسترش یافت و به گونه‌ای ادامه یافت که در ۳۰ ژانویه ۲۰۲۰ سازمان جهانی بهداشت WHO وضعیت اضطراری بین‌المللی را در ارتباط با این بیماری اعلام کرد. با توجه به همه‌گیری این ویروس تمام کشورهای در حال توسعه به دنبال تشخیص و درمان آن هستند. این بیماری یک بیماری تنفسی می‌باشد و روی حنجره تاثیر زیادی می‌گذارد و شخص بیمار را دچار سرفه‌های خشک می‌کند. بنابراین از روی صدای سرفه می‌توان شخص مبتلا به کوید ۱۹ را شناسایی کرد. در این مقاله، ما با استفاده از مدل‌ یادگیری مبتنی بر شبکه عصبی کانولوشن به عنوان یک روش مناسب و کم هزینه برای تشخیص کوید 19 استفاده کردیم. ما با استفاده از ضبط‌های صوتی حاوی صدای سرفه که از دستگاه تلفن همراه یا از طریق وب آماده شده‌اند به تشخیص کوید 19 می‌پردازیم و مجموعه‌ای از شبکه‌های عصبی کانولوشن که از صدای سرفه خام استفاده می‌کنند آموزش می‌دهیم. برای ارزیابی نتایج از دادگان covid19-sounds، public Dataset و virufy-cdf-coughvid استفاده کردیم. نتایج نشان می‌دهد که روش پیشنهادی عملکرد بهتری نسبت به روش‌های پایه دارد.

امروزه ابرهای محاسباتی در زندگی روزمره ما نقش پر رنگی را ایفا می‌نمایند. از آنجایی که بستر ارتباطی بین کاربران و ابر عمومی، شبکه اینترنت است، برقراری امنیت داده‌های ارسال شده و حفظ حریم خصوصی کاربران تبدیل به یک چالش بزرگ شده است. در این مقاله روشی برای قابلیت ردیابی کاربرانی ارائه شده است که با استفاده از کلید خصوصی و خصیصه‌های خود اقدام به رمزگشایی داده‌های موجود در سیستم می‌کنند. روش پیشنهادی عناصر خرابکاری که از این امکان سوء‌استفاده نموده و آن را در اختیار دیگران قرار می‌دهند و موجب نشت اطلاعاتی در سیستم می‌گردند را شناسایی می‌کند. همچنین روش پیشنهادی راه کاری برای امنیت سیاست‌های ارسال شده به همراه متن‌های رمز شده برای برقراری کامل ایمنی سیستم و جلوگیری از نقض حریم خصوصی مالکان داده‌ها ارائه می‌دهد. نتایج شبیه‌سازی برتری راه کار پیشنهادی در مقایسه با روش مقاله پایه از جهت میزان توانایی سیستم در یافتن عناصر خرابکار و میزان امنیت سیستم در جلوگیری از نقض حریم خصوصی کاربران را نشان می‌دهد.

شبکه‌های عصبی عمیق-Q (DQN) نمونه‌ای از یادگیری تقویتی عمیق مبتنی بر یادگیری Q هستند که در آن تابع Q نمایان‌گر ارزش تمامی کنش‌های یک کارگزار در تمامی حالت‌های یک محیط است. یادگیری این شبکه به دلیل نگاه خوش‌بینانه کارگزار در تخمین حالت‌های آتی سبب شده است تا کارگزار مبتنی بر DQN ناپایدار و به همراه بیش‌برازش باشد. راه‌حل پیشنهادی در این مقاله ارائه نمودن شبکه به‌روزرسان انتخابی عمیق است که در آن مشکل بیش‌برآورد ارزش تخمینی آینده بهبود یابد. در این رویکرد، نحوه به‌روزرسانی کارگزار در ابتدای یادگیری نگرش محتاطانه‌تری نسبت به تخمین ارزش‌ها دارد و با گذر زمان به رویکرد خوش‌بینانه یادگیری Q تغییر مسیر خواهد داد. این امر به آن جهت است که تخمین ارزش حالت‌های آتی در ابتدای یادگیری قابل اتکا نیست و استفاده از آن در محیط‌های با هزینه بالا روند یادگیری را ناپایدار می‌کند. نتایج حاصل برای دو محیط شبکه تنظیم‌کننده ژن و پاندول معکوس نشان می‌دهد که رهیافت پیشنهادی علاوه بر کاهش بیش‌برآورد تخمین ارزش، پاداش بیشتری را نسبت به DQN جمع‌آوری می‌نماید.

خودروهای هوشمند علاوه بر اینکه وسیله‌ای برای رفت و آمد هستند، به دنبال ایجاد احساس راحتی و وجود یک فضای شخصی برای رانندگان خود می‌باشند. کنترل این خودروها و استفاده از امکانات درون خودرو با واسط‌های کاربری متفاوتی نظیر کلیدهای کنترل، فرمان و پدال، کنترل صفحه لمسی و واسط کاربری مبتنی بر گفتار امکان‌پذیر است. در واسط‌های کاربری مبتنی بر گفتار، یکی از نکات قابل توجه، دقت تشخیص فرامین صوتی می‌باشد. در داخل ایران تنها یک پژوهش در حوزه تشخیص فرامین صوتی فارسی در خودروی هوشمند انجام شده است که ضمن ارائه یک مجموعه دادگان از فرامین صوتی فارسی در خودروی هوشمند، یک واسط کاربری مبتنی بر دو حالت گفتار و لمس را در شرایط واقعی و شبیه‌سازی شده مورد ارزیابی قرار داده است. واسط کاربری مبتنی بر گفتار مذکور موفق به تشخیص فرامین صوتی با ۸۲٪ دقت شده است که هنوز جای بهبود دارد. در پژوهش حاضر، تمرکز ما بر ارائه راهکاری مناسب جهت افزایش دقت تشخیص فرامین صوتی فارسی در خودروی هوشمند است. راهکار پیشنهادی، یک رویکرد پایانه به پایانه مبتنی بر ترکیب شبکه عصبی پیچشی با یکی از گونه‌های شبکه‌های عصبی بازگشتی مانند واحد بازگشتی دروازه‌دار، حافظه کوتاه مدت ماندگار یک طرفه و دو طرفه به همراه طبقه‌بند زمانی اتصال‌گرا می‌باشد. نتایج ارزیابی حاکی از آن است که راهکار پیشنهادی در حالتی که شبکه عصبی بازگشتی حافظه کوتاه مدت ماندگار دو طرفه بوده است، منجر به افزایش دقت تشخیص فرامین صوتی فارسی تا ۱۰۰ درصد شده است.

بهره‌مندی از شبکه‌های خصوصی‌مجازی، یکی از راهکارهای کاربردی جهت حفظ محرمانگی‌ داده و جلوگیری از دسترسی کاربران غیرمجاز به اطلاعات سرور و کاربران مجاز یک شبکه است. در کنار جوانب مثبت شبکه‌ی خصوصی‌ مجازی، امکان انتقال انواع بدافزار و دور زدن برخی از فیلترها توسط سرویس‌های این شبکه بواسطه‌ی امکان مخفی کردن هویت کاربران در این سرویس‌ها وجود دارد. موارد مذکور سبب طراحی و توسعه‌ی سیستم‌های شناسایی هوشمند متعددی جهت ردیابی ترافیک‌های مربوط به شبکه‎‌های خصوصی‌ مجازی شده‌ است. جهت افزایش دقت در سیستم‌های شناساگر مذکور از الگوریتم‌های هوش‌ مصنوعی با تعداد ویژگی‌های آماری بالا استفاده می‌شود. بالا بودن تعداد ویژگی‌های آماری موجب طولانی شدن زمان آموزش و تشخیص، افزایش سربار سخت‌افزاری و در برخی موارد کاهش دقت در سیستم‌های تشخیص ترافیک‌ مربوط به شبکه‌ی خصوصی‌ مجازی می‌شود. کم‌ترین تعداد ویژگی‌های آماری استفاده‌شده در سیستم‌های شناساگر موجود برابر با ۸ مورد و مربوط به یک الگوریتم شناسایی با دقت تشخیص ۸۹٪ است. تکنیک ارایه‌ شده در این مقاله برای اولین بار به طور همزمان علاوه بر کاهش سربار زمانی و سخت‌افزاری یک درخت تصمیم شناساگر ترافیک‌های شبکه‌ی خصوصی‌مجازی Open-vpn،دقت آن را نیز از ۹۸٪ به ۹۹.۵٪ افزایش می‌دهد. با اعمال تکنیک موردنظر بر روی اطلاعات مجموعه‌ داده‌ی مورد استفاده‌ی این درخت تصمیم، ویژگی‌های موردنیاز برای آموزش آن از ۲۵ به ۲ مورد کاهش می‌یابد.

در بازيابي اطلاعات XMLاي که دادهها شماي ناهمگون، پيچيده و نامعلومي دارند، اغلب کاربران از پرسوجوهاي مبتني بر محتوا استفاده ميکنند. بيشتر اين پرسوجوها از اطلاعات مهمي که در ساختار XML نهفته است بهره نميبرند و نياز کاربر را نيز به طور کامل بيان نميکنند. از اين رو و به منظور بالا بردن کيفيت بازيابيها، مي توان پرس وجوها را گسترش داد. براي گسترش پرسوجوها ميتوان از بازخورد رابطه کور استفاده کرد که اخيراً در بازيابي اطلاعات XML مورد توجه قرار گرفته است. در روش پيشنهادي اين مقاله ابتدا بستر کلمات قابل افزودن به پرسوجو با استفاده از بازخورد کور شناسايي ميشوند. سپس اين بسترها براي يافتن کلمات مناسب مورد کاوش قرار ميگيرند. بيشتر موتورهاي بازخورد موجود، تنها از محتويات بازخورد کور بهره ميبرند در حاليکه روش ارائه شده در اين رهاورد از اطلاعات ساختاري اين بازخوردها نيز استفاده ميکند. همچنين براي افزايش دقت بازيابي ها و کاهش ابهام پرسوجوها از معناي پرسوجو استفاده شده است. ارزيابي صورت گرفته، افزايش دقت بازيابيها را با استفاده از روش پيشنهادي نشان ميدهد.

- شبكه IMS بر اساس استانداردهاي موسسه 3GPP در شبكه‌هاي سلولي مي‌تواند به عنوان هسته شبكه‌هاي نسل آينده مد نظر قرار گيرد. اين شبكه سيگنالينگ SIP را براي كنترل ارتباطات كاربر تا شبكه، ارتباط بين گره‌هاي سرويس‌دهنده شبكه و سرورها و پروكسي‌ها در نظر گرفته است. در اين شبكه با توجه به الزامي بودن ثبت‌نام كاربران و اضافه شدن برخي سرآیندها به اين سيگنالينگ، حملاتی متفاوت از VOIP رخ مي‌دهد که برخي از اين حملات ممكن است منجر به ايجاد آسيب‌پذيري‌هايي در پروکسی شوند. مدل‌سازي پروکسی به مشخص شدن آسيب‌پذيري‌هاي آن كمك می‌نماید. تحلیل این آسیب‌پذیری‌ها مي‌تواند روش مناسبي را در طراحی و پیاده‌سازی به همراه ارتقای امنیتی پروکسی و کاهش هزینه‌ها به دنبال داشته باشد. در این مقاله مدل‌سازي سيگنالينگ و سرورها توسط مدل امنیتی TVRA انجام شده است. موسسه ETSI اين روش را به منظور مدل‌سازي سيستم‌هاي نسل آينده و شبكه‌هاي ارتباطي تعيين نموده است. آسیب‌پذيري‌هاي پروکسی SIP در شبكه IMS بر مبناي اين روش به دست آمده و مي‌تواند نشان‌دهنده نقاط ضعف و تاثير تهديدهايي نظير حملات طوفان‌زا در كاهش دسترس‌پذيري پروکسی‌ها و تهديد اهداف امنيتي آنها باشد.

اغلب كارهاي انجام شده در زمينه رفع اعوجاجات هندسي تصاوير متن مربوط به اسناد و متوني است كه به زبانهاي لاتين مي باشند. در اين مقاله الگوريتمي براي رفع اعوجاج در تصاوير شامل متن هاي فارسي، كه با يك دوربين ديجيتال گرفته شده اند، پيشنهاد شده است. روش پيشنهادي روي تصاوير سطح خاكستري اعمال مي¬شود. در اين روش ابتدا پيش پردازشهاي لازم شامل باينري سازي تصوير ورودي، آشکارسازي خطوط متن و نوار زمينه انجام شده، سپس اعوجاج هندسي ناشي از نوع تصويربرداري رفع مي¬گردد. مزيت اين الگوريتم، قابليت استفاده آن در متون فارسي ولاتين و نيز براي اندازه هاي مختلف متن مي باشد. نتايج روش پيشنهادي حاكي از كارايي بالاي اين روش روي تصاوير متن حاصل از دوربين هاي ديجيتال است.

در امتیازبندی اعتباری هدف کلی پیش¬بینی هر چه دقیقتر میزان شایستگی مشتریان است و تاکنون طیف وسیعی از انواع روش¬های آماری و هوش¬مصنوعی برای دستیابی به این هدف بکار گرفته شده است. اما در بیشتر روش¬های مورد بحث نمی¬توان از روی داده¬های دو کلاسی بصورت چند کلاسی اقدام به دسته¬بندی نمود، در حالیکه در عمل همیشه یک مشتری با درجه¬ای از خوب یا بد سنجیده می¬شود. انجام این کار با مدل¬های آماری نیز نیازمند وجود مفروضات خاصی است که اغلب محقق نمی¬شود. از اینرو در این مقاله سعی شده تا پس از رفع مشکلات موجود در داده¬ها با استفاده از خوشه¬بندی برای هر کدام از نمونه¬ها یک برچسب ثانویه ایجاد شود. سپس با استفاده از یک مدل SVM چند کلاسی اقدام به دسته¬بندی داده¬های جدید می¬شود. بدین منظور با اعمال دو رویکرد متفاوت یکی بر مبنای انتخاب ویژگی و تنظیم پارامترها بصورت جداگانه (جستجوی مستقیم و انتخاب ویژگی آزمون t) و دیگری بصورت همزمان ( الگوریتم ژنتیک) اقدام به مقایسه نتایج با مدل لاجیت شده است. نتایج پیاده¬سازی نشان می¬دهد که مدل پیشنهادی علاوه بر افزایش دقت در شناسایی درست کلاس¬ها، توزیع بهتری از نتایج را بخصوص در رویکرد دوم بدست می¬دهد.

طبقه¬بند بیز ساده یکی از کاراترین الگوریتم¬های طبقه¬بندی است. سادگی و دقت این روش زمانیکه پیش فرض عدم وابستگی مشخصه¬ها نقض ¬شود افت پیدا می¬کند. در این مقاله روشی مبتنی بر درخت تصمیم¬گیری برای رفع مشکل بیز ساده در مجموعه-هایی با مشخصه¬های وابسته ارائه می¬شود. در روش ارائه شده (Information Gain - Naïve Bayes) مشخصه¬هایی که در سطح اول درخت تصمیم¬گیری دارای کمترین قدرت تفکیک باشند با توجه به تعداد کل مشخصه¬ها حذف شده و مشخصه¬های باقیمانده به بیز ساده داده می¬شود. انجام فرایند پیش پردازش مشخصه¬ها براساس روش IG-NB منجر به بهبود عملکرد الگوریتم بیز ساده در دامنه¬هایی با مشخصه¬های وابسته به هم می¬شود. علاوه براین روش IG-NB در این پژوهش، به دلیل حذف مشخصه های کم اهمیت، سرعت محاسبه الگوریتم را برای مشخصه¬های باقی مانده افزایش می¬دهد. روش IG-NB روی شش مجموعه از مجموعه داده¬های UCI تست شده و نتایج بدست آمده نشانگر کارایی قابل قبول روش می ¬باشد.

توليد چند¬ضلعی ساده تصادفی از جمله مسائل مطرح در هندسه محاسباتی می¬باشد. این مساله در بررسی صحت عملکرد الگوریتم¬ها و نیز در زمینه¬های مختلف گرافيک کامپيوتری نظیر خلق تصاویر پدیده¬های طبیعی تصادفی (مانند پدیده ابر¬ و سطح زمین)، به¬طور گسترده¬ای مورد استفاده قرار می¬گیرد. در این مقاله یک الگوریتم جدید برای تولید چندضلعی ساده تصادفی از یک مجموعه¬ نقاط تصادفی واقع بر صفحه ارائه شده است. در این الگوریتم ابتدا لایه¬های محدب نقاط تولید می¬شوند و سپس با¬¬ استفاده از این لایه¬ها و برخی خواص موجود در آن¬ها، یک چند¬ضلعی از نقاط تولید می¬گردد. پیچیدگی زمانی این الگوريتم از مرتبه Ο(nlogn) می¬باشد که نشان می¬دهد این الگوریتم از نظر زمانی در وضعیت بهینه قرار دارد. از آنجا که زمان اجرا در برخی از کاربرد¬های بلادرنگ نظیر بازی¬های رایانه¬ای از اهمیت بالایی برخوردار است، این الگوریتم می¬تواند در این¬گونه موارد بسیار مفید واقع شود.

مديريت ريسک در تمام دوره حيات نرم‏افزار نقش پررنگي در موفقيت پروژه¬ها ايفا مي¬کند. يکي از ضعف¬هايي که در مديريت ريسک¬ها سبب کاهش توجه مهندسين نرم¬افزار و متعاقباً کاهش نظارت بر ريسک¬ها مي‏شود، عدم وجود معيارهاي قابل اندازه-گيري است. ريسک¬هاي نرم‏افزاري نيز مانند هر عرصه ديگري که نيازمند ارزيابي هستند، بايد بر اساس کميت¬هاي عددي بيان شوند. در اين مقاله با مروري کلي بر مديريت ريسک¬ها و مطالعه طبقه‏بندي¬هاي موجود، همچنين با در نظر گرفتن متريک¬هايي که در کارهاي مشابه مطرح شده، متريک‏هايي ارائه مي¬شود. اين متريک¬ها با توجه به شناسايي معماري و روش¬هاي توسعه نرم¬افزار و هم چنين مشاهدات و تجارب بدست آمده از چند شرکت نرم¬افزاري در ايران ارائه مي¬شوند. جهت سهولت امر مديريت و همچين بکار بستن اين متريک¬ها در دنياي واقعي، يک طبقه¬بندي منطقي و ويژه بر روي آنها انجام مي¬شود. به کمک طبقه بندي ارائه شده، ¬مي¬توان مسئولين نظارت و کنترل متريک‏ها را در هر مرحله شناسايي کرده و در زمان صحيح مديريت ريسک را به درستي بکار بست.

کاهش دو معیاره مجموعه آزمون‌ با تحلیل خوشه‌ای الگوهای اجرایی

رشد علم و رشد علم و فناوري در زمينه‌هاي مختلف، تعريف تحقيقات و پروژه‌هاي مبتني بر محاسبات پيچيده را به دنبال داشته است و يافتن راه‌حل‌هائي براي کاهش هزينه‌هاي محاسباتي و زماني در حوزه چنين مسائلي در سالهاي اخير مورد توجه قرار گرفته‌اند. روشهاي محاسبات توزيع شده در انواع گوناگون خود هريک به دنبال کاهش هزينه‌ها از طريق اجراي موازي برنامه‌هاي محاسباتي بر روي گره‌هاي محاسبه‌گر غير متمرکز هستند که در اين ميان رايانش مشبک با بهره‌گيري از منابع بلااستفاده موجود کاهش هزينه‌هاي توسعه شبکه‌هاي محاسباتي را به ارمغان آورده است. جامعه علمي ايران نيز همگام با ديگر کشورهاي پيشرفته دنيا سعي در قدم نهادن در استفاده از چنين روشهائي را براي کاهش هزينه‌هاي زماني و منابع، از طريق انجام تحقيقات و تعريف پروژه‌هائي براي ارائه رايانش مشبک سرويس گراجهت استفاده در دانشگاه‌ها و پژوهشکده‌هاي کشور را دارد که از مهمترين اين اقدامات مي‌توان به طراحي و معرفي مشبک پژوهشگاه دانش‌هاي بنيادي اشاره نمود که سعي در تجميع دانشگاه‌ها و پژوهشکده‌ها در قالب يک مشبک ملي دارد و تا کنون برخي از سرويس‌هاي مرکزی مشبک را نيز در اختيار گذاشته است. در اين مقاله مدلي براي استفاده دانشگاه‌ها و پژوهشکده‌ها از رايانش مشبک ارائه مي‌شود که در دانشگاه تربيت مدرس بصورت آزمايشي به اجرا درآمده است.