انجمن کامپیوتر ایران

فضای مجازی و اینترنت جزئی جدایی‌ناپذیر از زندگی انسان‌ها شده است و ظهور رسانه‌های ارتباطی و پیام‌رسان‌های جدید روی بستر اینترنت زندگی انسان‌ها و ارتباطات آنها را تحت تاثیر قرار داده است. اگرچه اینترنت مزایای زیادی به همراه دارد، اما از جنبه‌های تاریک‌ و نقاط ضعف آن نیز نباید غافل بود. امنیت ارتباط برخط کودکان و نوجوانان یکی از مهمترین چالش هایی است که با فراگیر شدن پیام‌رسان‌ها مورد توجه قرار گرفته است. نظارت مستمر بر ارتباط میان کاربران و محتوای تبادل شده در پیام‌های ارتباطی از اهمیت بالایی برخوردار است. خودکارسازی و هوشمندسازی نظارت بر ارتباطات و محتوای پیام‌ها، بدون استفاده از عامل‌های هوشمند سخت و دشوار است. به همین منظور می‌توان با طراحی عامل‌های هوشمند بر تبادل پیام‌ها به صورت خودکار نظارت نمود و در صورت مواجه با آسیب از طرف افراد سودجو واکنش‌های هوشمندانه‌ای از خود نشان داد. در این پژوهش تلاش می‌گردد با ارائه یک معماری و سیستم نمونه اولیه گام موثری برای امن‌سازی تعامل کودکان در محیط‌های برخط برداشته شود. برای غلبه بر چنین چالش پیچیده‌ای، تلفیق انواع فن‌آوری‌های مبتنی بر هوش مصنوعی و سیستم‌های خودمختار ضروری است. سیستم و معماری مورد بحث در این پژوهش در محیط توسعه عامل جاوا (جید) شبیه‌سازی شده و در سناریوهای متعدد با کارهای مشابه مورد مقایسه قرار گرفته است. نتایج مقایسه نشانگر برتری روش پیشنهادی در مقایسه با کارهای مشابه است.

با پیشرفت علم و افزایش روزافزون حجم اطلاعات، استفاده از سیستم‌های توصیه‌گر در همه زمینه‌ها کاربرد پیدا کرده است. اکثر این سیستم‌ها از یک معیار رتبه‌بندی در پیش‌بینی‌هایشان استفاده می‌کنند. با این حال، استفاده از سیستم‌های توصیه‌گر چند معیاره موجب ارائه پیش‌بینی‌های دقیق‌تری می‌شوند. از چالش‌های اصلی در سیستم‌های توصیه‌گر، پراکندگی ماتریس کاربر-مورد و یا همان وجود داده‌های گمشده است که این مسأله در سیستم‌های توصیه‌گر چند معیاره که هر کاربر باید معیارهای متفاوتی را در مورد یک مورد (کالا، خدمات) ثبت نماید، بسیار مشهودتر است. در این مقاله، الگوریتمی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره با استفاده از یادگیری عمیق ارائه می‌شود. الگوریتم ارائه شده قادر است برای کاربرانی که به تازگی وارد سیستم شده‌اند و سابقه‌ای از علاقه‌مندی آن‌ها در دسترس نیست، توصیه‌های مناسبی ارائه دهد. همچنین رتبه‌بندی‌های ارائه شده برای معیارهای مختلف را به نحوی ترکیب کند که رتبه‌بندی کلی به بهترین نحو پیش‌بینی شده و بهترین توصیه‌ها به کاربران، مطابق با علایقشان پیشنهاد شود. نتایج بدست آمده حاکی از کارایی روش پیشنهادی برای مدیریت داده‌های گمشده در سیستم‌های توصیه‌گر چندمعیاره است.

امروزه مدل‌های تصمیم‌سازی چندمعیاره کاربردهای بیشماری در تمامی زمینه‌های علمی، به ویژه در علوم کامپیوتر به خود اختصاص داده‌اند. یکی از معماری‌هایی که امروزه مورد توجه محققان قرار گرفته است، معماری میکروسرویس می‌باشد. معماری میکروسرویس یک روش متمایز جهت توسعه سیستم‌های نرم‌افزاری است که سعی در ساخت مولفه‌های تک وظیفه با رابط‌ها و عملکردهای مستقل و مشخص دارد. مسئله مدیریت منابع در معماری‌های میکروسرویس‌ها، یکی از چالش‌های مهم حال حاضر بوده و مطالعات زیادی در این زمینه توسط محققان انجام شده است. در این مقاله، به منظور مدیریت بهینه منابع و تخصیص کارای آنها به هر یک از میکروسرویس‌های موجود در معماری، از راهکارهای تصمیم‌سازی چندمعیاری استفاده شده است. با استفاده از راهکار پیشنهادی، می‌توان ضمن تخصیص بهینه منابع بر اساس ارزیابی ترکیبی پارامترهای کیفیت سرویس در میکروسرویس‌ها، به یک سازوکار تخصیص کارا در منابع دست پیدا نمود. روش پیشنهادی ضمن افزایش کارایی در فرآيند میکروسرویس‌ها، باعث افزایش تعادل بار در معماری کل سیستم می‌شود. همچنین استفاده از رویکرد پیشنهادی، امکان مدیریت منابع در شبکه را قابل کنترل‌تر خواهد کرد.

دو درس «ساختمان داده‌ها و الگوریتم‌ها» و «طراحی و تحلیل الگوریتم‌ها» را می‌توان محوری‌ترین دروس در برنامه درسی دوره کارشناسی رشته‌های مهندسی رایانه و علوم رایانه دانست. با وجود نقش برجسته این دو درس در آموزش تفکر الگوریتمی به دانشجویان، به نظر می‌رسد که نحوه ارائه این دو درس در دانشگاه‌های ایران نیازمند بازنگری باشد. ما در این مقاله، به ذکر دو اشکال برجسته که بر نحوه ارائه این دو درس وارد است می‌پردازیم و آنگاه راهکارهایی را برای ارائه یکپارچه و روشمند این دو درس پیشنهاد می‌کنیم. ما هم مبنای اشکالات خود را و هم مبنای راهکار‌های پیشنهادی خود را شیوه آموزش الگوریتم‌ها در کتاب‌های درسی معتبری که در سال‌های اخیر به عنوان مراجع درسی و با هدف آموزش الگوریتم‌ها نوشته‌اند گذاشته‌ایم.آنچه در این متن به عنوان دو اشکال اساسی در ارائه دو درس مذکور مطرح شده‌اند عبارتند از تفکیک ساختمان‌داده‌ها از الگوریتم‌ها و نادیده گرفتن فنون طراحی الگوریتم ها. ما این دو اشکال را تبیین خواهیم کرد و آنگاه خواهیم گفت که چگونه مدرسان می‌توانند ساختمان داده‌ها را در متن طراحی الگوریتم ها معرفی کنند و اینکه چگونه می‌توانند الگوریتم ها را بر مبنای فنون طراحی دسته‌بندی و معرفی کنند.

چند پخشي نقش مهمي را در برخي از كاربردهاي شبكه هاي سيار موردي ايفا مي كند نظير كاربردهاي اورژانسي، جستجو ونجات و ارتباطات نظامي. در چنين محيطهايي نودها گروههايي را تشكيل مي دهند تا بتوانند برخي عمليات شامل ارسال داده و صوت به صورت يك به چند و يا چند به چند انجام دهند. حركت نودها توپولوژي شبكه را به طور غير قابل پيش بيني تغيير مي دهد و همراه با محدوديت توان، چند پخشي در شبكه هاي سيار موردي را بسيار چالش برانگير نموده است. در این مقاله در مورد عملکرد دو پروتکل چندپخشی شبکه های سیار موردی MAODV و ODMRP بحث شده است. پروتکل MAODV بر اساس ساختار درخت عمل می کند ( Tree Based ) که در این حالت بین دو گره مختلف فقط یک مسیر منحصر به فرد وجود دارد و پروتکل ODMRP بر اساس ساختار مش عمل می کند ( Mesh Based ) که در این حالت بین دو گره مختلف مسیرهای متفاوتی وجود دارد. پروتکل MAODV یک درخت چندپخشی را براساس اطلاعات سخت افزاری پایه گذاری و نگهداری می کند در حالی که ODMRP شبکه ای را براساس اطلاعات نرم افزاری نگهداری می کند. نتایج بررسی های ما نشان می دهد که، در بیشتر سناریوها پروتکل ODMRP نرخ تحویل بسته بالاتری دارد نسبت به MAODV اما ضعف ان سربار ( Overhead ) بالاتر ان است نسبت به MAODV.

پروتکل ODMRP (On Demand Multicast Routing Protocol) یکی از پروتکلهای مسیریابی چندپخشی در شبکه های ad hoc است که بدلیل ساده بودن، مقاوم بودن در مقابل تحرک گرهها و داشتن نرخ تحویل بسته ی بالا به یکی از پراستفاده¬-ترین پروتکل های مسیر یابی چند پخشی در این شبکه ها تبدیل شده است، اما یکی از مشکلاتی که این پروتکل از آن رنج می¬برد، این است که برای کشف مسیرها بین فرستنده ها و گیرنده ها، بسته های درخواست مسیر توسط تمام منابع در شبکه بصورت سیل آسا پخش می شوند و این عمل (پخش سیل آسای بسته های درخواست مسیر) به منظور بازسازی مسیرها بصورت دوره¬ای تکرارمی شود، در نتیجه پیامهای کنترلی زیادی در شبکه ایجاد و رد و بدل می شوند. سربار کنترلی ایجاد شده، مخصوصا زمانی که تعداد فرستنده ها زیاد باشد به شدت افزایش یافته و باعث مصرف پهنای باند، ایجاد ترافیک و برخورد بسته¬ها شده، در نتیجه نرخ تحویل بسته را پایین آورده و باعث افزایش تاخیر انتها به انتها در دریافت بسته ها می شود. در این مقاله روشی را برای کاهش سربار کنترلی پروتکل ODMRP ارائه داده ایم. در روش پیشنهادی از تصدیق های غیرفعال داده ای(Data Passive Acknowledgement) استفاده کرده ایم و بعضی از گرهها را از پخش بسته های درخواست مسیر منع کرده ایم. بدین وسیله دامنه پخش سیل آسای بسته های درخواست مسیر محدود شده و سربار کنترلی کاهش یافته است. روش پیشنهادی با استفاده از نرم افزار GLOMOSIM در سناریوهای مختلف شبیه سازی شد و نتایج حاصل از شبیه سازی نشان داد که در اثر محدود شدن دامنه پخش سیل آسای بسته های درخواست مسیر، سربار کنترلی کاهش یافته و در نتیجه ی آن برخورد و تراکم بسته ها و تاخیر انتها به انتها هم کاهش یافته و نرخ تحویل بسته بهبود یافته است.

اخیرا یک روش فراابتکاری با نام الگوریتم جستجوی گرانشی با الهام از قانون گرانش و قوانین حرکت برای حل مسائل بهینه-سازی پیوسته معرفی شده است. در این مقاله، از الگوریتم جستجوی گرانشی برای حل مسئله فروشنده دوره¬گرد که یکی از سخت¬ترین مسائل بهینه¬سازی ترکیبیاتی است، استفاده شده است. برای این منظور، از مفاهیم عملگر جابجایی و دنباله جابجایی برای بازتعریف عملگرهای الگوریتم جستجوی گرانشی و از یک فرایند بهبود دهنده تور نیز برای تسریع همگرایی الگوریتم پیشنهادی استفاده شده است. نتایج پیاده¬سازی الگوریتم پیشنهادی و مقایسات انجام شده با یک نسخه گسسته از الگوریتم بهینه¬ساز جمعیت ذرات، کارایی تقریبا مناسب این الگوریتم را در حل مسئله فروشنده دوره¬گرد نشان می¬دهد.

روش¬های کلاسیک خوشه¬بندی در برخورد با خوشه¬های نا¬محدب کارایی لازم را ندارند و عموما منجر به نتایج ضعیفی می¬شوند. در این حالت خوشه¬بندی طیفی روشی قدرتمند برای دسته¬بندی داده¬ها محسوب می¬شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب¬تر از داده¬ها را در اختیار ما قرار می دهد. در این مقاله، فضایی جدید برای خوشه¬بندی طیفی معرفی می¬شود که مبتنی بر توصیف زیر¬خوشه¬های موجود در مجموعه¬داده می¬باشد. این فضا در برابر داده¬های نویزی مقاوم است و در مقایسه با روشNJW به عنوان یکی از پر¬کاربرد¬ترین الگوریتم¬های خوشه¬بندی طیفی، منجر به نتایجی به¬مراتب موفقیت¬آمیز¬تر می¬شود.

در بسياري از مسائل بهينه¬سازي در دنياي واقعي، تابع هدف يا محدوديت¬ها مي¬توانند در طول زمان تغيير يابند که در نتيجه بهينه اين مسائل نيز مي¬تواند تغيير يابد. اگر هر يک از اين رويدادهاي نا¬معين در فرآيند بهينه¬سازي مورد توجه قرار گيرند، اين مسأله ديناميک يا پويا ناميده مي¬شود. بسياري از مسائل در دنياي واقعي به صورت پويا، غير¬قطعي و پيچيده مي¬باشند و حل آنها بصورت ايستا چندان به حل مسئله در دنياي واقعي کمک نمي¬کند. با توجه به الزامات محيط هاي پويا، الگوريتم هايي که براي بهينه سازي در اين محيط ها طراحي شده اند داراي اصولي هستند که آنها را از الگوريتم هاي طراحي شده براي محيط هاي ايستا متمايز مي کند. در اين مقاله يک الگوريتم نوين براي بهينه¬سازي در محيط پويا مبتني بر الگوريتم بهينه¬سازي دسته ذرات پيشنهاد شده است. نتايج حاصل از رهيافت پيشنهادي بر روي معيار قله¬هاي متحرک که در حال حاضر شناخته¬شده¬ترين معيار براي ارزيابي در محيط¬هاي پويا مي¬باشد ارزيابي شده و با نتايج حاصل از چندين الگوريتم معتبر مورد مقايسه قرار گرفته است. نتايج بدست آمده نشان¬دهنده کارايي بالاي الگوريتم پيشنهادي در مقايسه با ساير الگوريتم¬ها مي¬باشد.

ايجاد هماهنگي يکی از مسائل مهم و اساسي در سيستمهاي چندعامله است که توسط محققين بسياري مورد مطالعه قرار گرفته است. بدون وجود هماهنگي ميان عاملها، ممکن است سيستم دچار هرج و مرج شده و از رسيدن به هدف نهايي بازبماند. بازي اقليت مدل ساده ای از سیستمهای چند عامله رقابتی هست که برای مطالعه همکاری و رقابت میان عاملها در سیستمهای با منابع محدود به کار می رود. هدف اصلی این مقاله ارائه روشی مبتنی بر یک مدل ترکیبی از بازی اقلیت و اتوماتای یادگیر برای ایجاد هماهنگی در سیستم های چند عامله است. در روش پیشنهادی با کمک اتوماتای یادگیر مدل بهتری برای هماهنگی عاملها پیشنهاد گردیده است. برای بررسی و ارزیابی روش پیشنهادی از محیطی بنام DynaGrid استفاده شده است. شبیه سازی های انجام گرفته نشان دهنده بهبود فرآیند هماهنگی و یادگیری در مدل پیشنهادی نسبت به روش های قبلی است.

در سامانه‌های جامع اطلاعاتی سنتی، موقعیت سازمانی مسئول مجبور بود خود و در مقاطع زمانی مناسب (البته به تشخیص خود) به جستجو در اطلاعات حجیم ثبت شده بپردازد تا حفظ تعادل یا از بین رفتن آن‌را در هر جنبه از عملکرد سامانه بررسی نماید؛ در مقابل، در سامانه‌های ERP باید سطح مناسبی از هوشمندی پیش‌بینی شود تا در صورت از بین رفتن تعادل در هر جنبه از عملکرد سامانه، این موضوع به یک یا چند موقعیت سازمانی مشخص در ساختار سازمانی اطلاع داده شود. در این مقاله، بر اساس دیدگاه عامل¬گرا، یک معماری پیشنهاد می¬شود که با تکیه بر چندین عامل مستقل ولی همکار، به پیاده‌سازی اعلان هشدار هوشمند در سیستم¬های ERP کمک می¬نماید.

مديريت امنيت سيستم‌هاي اطلاعاتي و تحليل مخاطرات امنيتي اين سيستم‌ها در سطح گسترده‌اي مورد توجه پژوهشگران ‌است. دست¬يابي به معياري براي ارزيابي امنيت سيستم جهت بهبود عملكرد آن، بسيار مهم است. معيارهاي امنيتي امكان اولويت‌بندي مخاطراتي كه سيستم با آن‌ها مواجه است را فراهم مي‌كنند. دراين‌ميان تحليل آسيب‌پذيري‌ها به‌عنوان نقطه ورود به سيستم و كسب دسترسي‌هاي غيرمجاز توسط مهاجم اهميت ويژه‌اي دارد. در استاندارد CVSS (Common Vulnerability Scoring System) كه به‌منظور امتيازدهي آسيب‌پذيري‌ها ارئه شده، امتياز خسارت براي هر آسيب‌پذيري مستقل و مجزا مي‌باشد. در‌حاليكه اثر آسيب‌پذيري‌هاي موجود در يك سيستم برهم قابل چشم‌پوشي نيست. همچنين سوء استفاده از برخي آسيب‌پذيري‌ها، دسترسي‌هاي مشترك در سيستم ايجاد مي‌كنند و اثر مشترك بر سيستم دارند. بنابراين امتياز خسارت واقعي مجموعه‌اي از آسيب‌پذيري‌ها با جمع ساده امتياز خسارت‌هاي CVSS قابل محاسبه نمي‌باشد. در اين مقاله به‌منظور مشخص كردن اهميت آسيب‌پذيري‌هاي موجود در سيستم و اثر جمعي خسارت ناشي از سوء ‌استفاده از آن‌ها، مدلي ارائه شده‌است. اين مدل به بررسي خسارت آسيب‌پذيري‌ها با درنظر گرفتن دسترسي‌هاي كسب شده توسط مهاجم پس از سوء استفاده از آن‌ها پرداخته است. به‌اين‌ترتيب علاوه‌بر محاسبه خسارت جمعي مربوط به مجموعه‌اي از آسيب‌پذيري‌ها، خسارت‌هاي وارد بر ويژگي‌هاي امنيتي سيستم به‌صورت مجزا مشخص شده‌است.

يکي از عمليات مهم در چرخه‌ي حيات يک نرم‌افزار، آزمون رگرسيون است که در مرحله‌ي نگهداري نرم‌افزار به‌دفعات انجام مي‌شود. آزمون رگرسيون در هر اجرا بايد تعداد انبوهي از موارد آزمون را روي نرم‌افزار اجرا نمايد. با گذشت زمان، حجم مجموعه آزمون آن‌قدر بزرگ مي‌شود که اجراي همه‌ي آن‌ها غير عملي مي‌گردد. براي حل اين مشکل از فنون کاهش مجموعه آزمون استفاده مي‌شود. متأسفانه کاهش حجم، منجر به از دست رفتن کارايي مجموعه در کشف خطا مي‌گردد. براي برطرف نمودن اين مشکل، در اين مقاله يک الگوريتم کارا ارائه شده است. اين الگوريتم با استفاده از خوشه‌بندي الگوهاي اجرايي موارد آزمون، افزونگي را از مجموعه حذف مي‌نمايد. در جريان نمونه‌گيري از هر خوشه، مورد آزموني که بيش‌ترين پوشش نيازمندي‌ها را تأمين کند، انتخاب خواهد شد. جهت ارزيابي الگوريتم پبشنهادي، آزمايش‌هايي مشابه مطالعات پيشين روي برنامه‌هاي محک زيمنس ترتيب يافته است. نتايج آزمايش‌ها نشان مي‌دهد که الگوريتم‌ پيشنهادي قادر است ضمن کاهش قابل ملاحظه اندازه‌ي مجموعه‌ها، قدرت کشف خطاي آن‌ها را بهبود دهد.

تامين هزينه و انرژي موردنياز براي ارائه سرويس در شبكه¬هاي همكاري به عهده كاربران شبكه است. از سوي ديگر، كاربران شبكه¬هاي همكاري عامل¬هايي مستقل بوده و هدفشان بيشينه كردن بهره¬¬ايست كه از شبكه به دست مي¬آورند. بنابراين، در حالت عادي، كاربران شبكه انگيزه كافي براي همكاري با ساير اعضا ندارند. استفاده از مکانيزم هاي انگيزشي روشي مرسوم براي اعمال همکاري در چنين شبکه¬هايي است. در اين مقاله، يك مکانيزم انگيزشي براي شبكه¬هاي همكاري با استفاده از سيستم شهرت مرکزي و مبتني بر نظريه بازي‏ها ارائه مي¬شود. به نظر مي¬رسد بازي نظيريابي تصادفي براي مدل کردن خصوصيات پايه¬اي شبكه¬هاي همكاري مناسب باشد. از اين روي، ابتدا تعاملات بين گره¬ها به عنوان يك بازي نظيريابي تصادفي مدل شده و سپس يك پروفايل استراتژي، شامل قانون تنبيه براي بازيكن متخلف، پيشنهاد مي¬شود. اثبات مي¬کنيم كه اين پروفايل استراتژي يك تعادل زيربازي¬ـ¬كامل است. به اين ترتيب، مکانيزمي که در اين مقاله ارائه مي¬شود در تشويق گره¬ها به همکاري موفق خواهد بود.