انجمن کامپیوتر ایران

در مراکز داده برای سادگی استفاده از منابع توسط چند کاربر، مدیریت ساده‌تر و متمرکز؛ تمامی زیرساخت از جمله ماشین‌های فیزیکی، ذخیره‌سازی، شبکه و ... را به صورت مجازی‌شده در اختیار کاربران قرار می‌دهند. در شرایط خاص نیاز به مهاجرت و جابجای ماشین‌های مجازی بین ماشین‌های فیزیکی داریم. با استفاده از روش‌هایی که مهاجرت زنده نام دارد، ماشین‌های مجازی می‌توانند بدون وقفه در سرویس مهاجرت کنند. در این مقاله ما روش‌های مهاجرت زنده و کارهایی که برای بهبودی آن انجام شده را مطرح می‌کنیم. در نهایت روش که در مورد ماشین‌های مجازی وب سرورها بهینه عمل می‌کند را ارائه می‌کنیم. در نهایت سه روش پیش‌کپی، توقت‌کپی و روش بهینه ارائه شده در ماشین‌های مجازی وب سرورها را مقایسه می‌کنیم.

در حوزه شبکه‌های روی تراشه کارهای مختلفی در زمینه کاهش توان و افزایش کارایی انجام شده است. ما در این مقاله به ارائه روشی جدید برای بهبود میزان مصرف انرژی و افزایش کارایی در شبکه‌های روی تراشه با استفاده از آتاماتای یادگیری خواهیم پرداخت. در نظر گرفتن روش ارائه‌شده سبب می‌شود تا ما شاهد کاهش میزان انسداد صف و کمینه نمودن میزان انرژی مصرفی و همچنین تعیین درست اندازه کانال‌های مجازی باشیم. ما در روش ارایه شده شبکه را از نوع با اولویت در نظر گرفته و د‌‌ر نتیجه برای کانال‌های مجازی اولویت‌های را در نظر گرفته‌ایم. در روش ارائه‌شده پیام‌های ما علاوه بر داشتن اولویت یک اولویت نسبی را هم خواهند داشت. مقدار اولویت نسبی در این مقاله به صورت پویا با توجه به میزان انتظار پیام در صف محاسبه خواهد شد. روش پیشنهادشده در این مقاله وابسته به توپولوژی نمی‌باشد و قادر است بر روی توپولوژی دو بعدی و سه بعدی به درستی کار نماید.

شبکه‌ی حسگر بی‌سیم، متناسب با تعداد چاهک‌ها به چند ناحیه بخش‌بندی می‌شود. گره‌های اطراف هر چاهک علاوه بر ارسال اطلاعات خود، اطلاعات سایر گره‌های ناحیه را نیز به چاهک جلورانی می‌کنند، بنابراین به سرعت انرژی خود را از دست می‌دهند و اطراف چاهک چاله‌ی انرژی بوجود می‌آید. برای جلوگیری از این مشکل ، هر چاهک با جابه‌جایی بین گره‌های ناحیه خود، بار ارسال و دریافت داده را روی گره‌ها متوازن می‌کند. هر چاهک مکانی را برای اقامت بعدی خود انتخاب می‌کند که کارایی مصرف انرژی گره‌های آن ناحیه را بالا ببرد. در این مقاله پیشنهاد شده است که چاهک‌های نواحی مختلف برای تعیین مکان اقامت بعدی خود، شرایط شبکه نظیر سطح انرژی باقیمانده گره‌های نواحی و موقعیت مکانی چاهک ها نسبت به یکدیگر را نیز در نظر بگیرند. به این منظور الگوریتم فرهنگی چند جمعیتی پیشنهاد می‌شود و زیرجمعیت‌ها با تبادل فرهنگ بین یکدیگر سعی می‌کنند بهترین پاسخ را بیابند. نتایج حاصل از شبیه سازی روش پیشنهادی با نتایج چند الگوریتم مقایسه شده که نشان دهنده‌ی بهبود کارایی این روش در توازن بار شبکه می‌باشد.

یکی از زبان‌های رایج تولید پرس‌وجوهای ساخت‌یافته در وب معنایی SPARQL است. تولید این پرس‌وجوها، جهت استفاده از داده‌های وب معنایی با قالب RDF (چهارچوب توصیف منابع)، برای افرادی که با هستان‌شناس تعریف‌شده بر بسترِ مجموعه داده‌ها آشنایی ندارند، می‌تواند فرایندی پیچیده باشد. در این بین وجود الگوهای مشخص (از پیش تعریف‌شده) برای چگونگی ساخت پرس‌وجوهای SPARQL، کاربران انسانی تازه‌کار را با مشکل مواجه نموده است. در این پژوهش با استفاده از الگوریتم‌های یادگیری ماشین، کاوش بررسی قوانین انجمتی ارسال شده شده اندقوانین ترتیبی و تعریف قالب‌های ثابتی بر روی الگوهای سه‌گانه ‌در بدنه‌ی پرس‌وجوهای SPARQL ارسال‌شده از سوی کاربران، می‌توان به پیش‌بینی و تخمین اجزای آتی بکارفته در چینش پرس‌وجوی‌های آتی پرداخت تا به کاربران آتی وب معنایی در نگارش پرس‌وجوهای ساخت‌یافته کمک نمود. دقت‌های بالای به دست آمده از ارزیابی این قوانین، بر روی مجموعه داده‌ی معتبر پرس‌وجوهای پایانه‌ی DBpedia در سال 2011 نشان از کارایی مناسب این قوانین دارد.

تُر (Tor)، یکی از محبوب‌ترین سیستمهای فراهم کننده گمنامی در سطح جهان است. شبکه‌ی تُر با استفاده از بازپخش-کنندهایی (Relay) که به صورت داوطلبانه از سرتاسر جهان در اختیار این شبکه قرار داده شده‌اند کار می‌کند. از این رو این شبکه پهنای باند محدودی در اختیار دارد که با توجه به گسترش تعداد کاربران در سالهای اخیر، کارایی آن دچار تهدید گشته است. پژوهش‌های بسیاری به منظور بهبود کارایی شبکه صورت گرفته است که یکی از مهمترین زمینه‌ها، تلاش برای اولویت دادن به کاربران وب در برابر کاربران شبکه‌های تورنت (Torrent) است. کاربران تورنت درصد کمی از کاربران شبکه تُر را تشکیل می‌دهند، اما به صورت ناعادلانه قسمت بیشتری از منابع شبکه را مورد استفاده قرار می‌دهند. ما نیز در این پژوهش سعی داریم تا در راستای بهتر نمودن کارکرد شبکه‌ی تُر، به کاربران وب اولویت بیشتری را تخصیص دهیم. برای این کار از مسدودسازی تناوبی کاربران تورنت و دیگر پروتکل‌هایی که مصرف ناعادلانه از منابع شبکه دارند، در گره‌های خروجی شبکه استفاده خواهیم نمود. نتایج پژوهش، سرعت بیشتر برای کاربران وب را در زمان گردش در سطح اینترنت نشان می‌دهد.

مطالعه تجارب پیاده‌سازی سیستم برنامه‌ریزی منابع سازمانی (Enterprise Resource Planning) حاکی از آن است که یکی از علل مهم شکست در استقرار و بهره‌برداری از این سیستم‌ها، عدم ارزیابی آمادگی سازمان برای پذیرش ERP است. از این رو، محققین بسیاری با تکیه بر جنبه‌های داخلی و خارجی سازمان به ارائه مدل‌هایی برای ارزیابی آمادگی سازمانی در پذیرش این سیستم پرداخته‌اند. در مقاله حاضر، با بررسی مفاهیم برخی از مدل‌ها، به طبقه‌بندی معیارهای ارزیابی در هر یک از آن‌ها می‌پردازیم و در آخر، با استفاده از نتایج بدست آمده، معیارهای مهم در استقرار سیستم ERP را استخراج می‌کنیم. همچنین با در نظر گرفتن نقش تغییرات سیاسی، مانند تحریم‌ها و قوانین و مقررات کشور در استفاده از سیستم‌هایی که توسط فروشندگان بین‌المللی طراحی شده‌اند، مدل پیشنهادی خود را ارائه می‌دهیم.

وجود نویز در یک محیط باعث کاهش کار آیی سیستم‌های تشخیص گفتار می‌گردد. حال اگر سیگنال گفتار مورد نظر برای تشخیص، دارای لهجه باشد این بازدهی به مراتب کمتر خواهد شد. در اين مقاله، با قرار دادن جملات لهجه دار زبان فارسی در یک محیط نویزی سعی شده است با استخراج ویژگی‌های مقاوم در برابر نویز به بهبود تشخیص لهجه جملات نویزدارکمک کنیم. اولین ویژگی پیشنهادی با ایجاد سه تغییر در محاسبه ضرایب مل-کپستروم شامل تغییر پنجره همینگ ساده به بهبودیافته، محاسبه ضرایب مرتبه بالای خود همبستگی پس از مرحله عبور از پنجره و تغییر فیلتربانک‌ها از مثلثی به گوسی ایجاد می‌شود که باعث افزایش نرخ تشخیص در نسبت سیگنال به نویزهای پایین می‌شود. دومین ویژگی پیشنهادی فرکانس مرکزی طیفی (SCF) است که مراحل اولیه محاسبه آن‌ها همانند ضرایب مل-کپستروم است و پس از مرحله عبور از فیلتربانک مثلثی با اعمال یک رابطه خاص به دست می‌آیند. در مرحله طبقه-بندی از دو طبقه بند ماشین بردار پشتیبان (SVM) و K- نزدیکترین همسایه (KNN) استفاده‌شده است که SVM از کار آیی و نتیجه بهتری برخوردار است. مشاهده شده است که دو ویژگی پیشنهادی نسبت به سایر ویژگی‌ها عملکرد بهتری در برابر نویز از خود نشان می‌دهند.

راه‌اندازی سامانه‌ بسیار مورد بحث قرار می‌گیرد. سامانه‌‌های چندعامله به عنوان یک راه اساسی برای کنترل مولفه‌های بزرگ فناوری اطلاعات مورد استفاده قرار گرفته‌اند. از طرفی کنترل این سامانه‌‌ها نیز به روش‌های مختلفی صورت می‌گیرد که مهمترین آن‌ها استفاده از سازمان‌ها است. کارهای بسیاری در این زمینه صورت گرفته است. اما در این مقاله تلاش شده است سه کار عمده معرفی و مورد نقد و بررسی و مقایسه قرار گیرند. فربز و همکاران در سال 1998 یک فرامدل به نام AALAADIN ارائه کرده‌اند که مفاهیم اساسی سازمان در سامانه‌‌های چندعامله را ارائه کرده است. در سال 2009 کوتا و همکاران نیز مدلی را ارائه کرده‌اند که در آن برای مدل‌سازی سازمان از مدل‌سازی عامل‌های شکل دهنده‌ی سازمان، ویژگی‌های سازمان و محیط وظایف استفاده شده است. مدل MACODO نیز در سال 2010 توسط وینز و همکاران ارائه شده است. در این مدل یک معماری نرم‌افزار برای پیاده‌سازی درون یک عامل که می‌تواند در یک سازمان شرکت کرده و به خودسازمان‌دهی سازمان کمک کند ارائه شده است. بنابراین در این مقاله سعی شده است چند نمونه از مدل‌های ارائه شده برای طراحی و ایجاد سازمان‌ها در سامانه‌‌های چندعامله ارائه شده و مورد بررسی قرار گرفته و با توجه یه معیارهای مختلف مورد مقایسه قرار بگیرند. سپس پیشنهاداتی برای بهبود مدل‌های سازمان‌های خودسازمان‌ده ارائه شده و یک مسیر کلی ترسیم شده و ویژگی‌های یک مدل مطلوب مطرح شده است.

در اين مقاله با توجه به موفقيت‌هاي روز افزون کاربردهاي الگوريتم PSO و ابداع الگوريتم‌هاي نوين ترکيبي PSO با ساير الگوريتم‌ها، الگوريتمي نوين ترکیبی مبتني بر الگوريتم PSO ارائه مي‌کنيم. با به کارگيري منطق فازي در بهبود نقاط ضعف الگوريتم PSO از جمله گرفتار شدن در نقاط بهينه محلي و همگرايي زودرس پيشتر اقداماتي صورت گرفته است. همچنين براي غلبه بر مشکل ناکارآمدي الگوريتم PSO در فضاي جستجو با ابعاد بالا، برخي از الگوريتم ها از جمله الگوریتم بهینه سازی هوش جمعی ذرات تعاونی، ارائه گرديده است. ما دراين مقاله، با ترکيب الگوريتم هوش جمعی ذرات فازی و هوش جمعی تعاونی، الگوريتم CFPSO-IW (Cooperative Particle Swarm Optimization with Fuzzy Inertia Weight) را مطرح مي‌نماييم و با ارائه اين الگوريتم سعي در بهبود نقايص الگوريتم PSO، از جمله همگرايي زودرس، گير افتادن در نقاط بهينه محلي و عملکرد بهتر در ابعاد بالا، مي‌نماييم.

امروزه واحد پیش‌بینی کننده پرش یکی از اجزای مهم در پردازنده‌های نهفته نسل جدید به حساب می‌آید. این واحد به منظور کاهش سربار مخاطرات کنترلی در خط لوله پردازنده‌های مدرن استفاده می‌شود. افزایش اندازه این واحد در پردازنده و استفاده از الگوریتم‌های پیچیده در آن باعث افزایش توان مصرفی این واحد می‌شود. میزان دقت این واحد سبب بهبود موازی سازی در سطح دستورات (ILP) و همچنین بهبود کارایی پردازنده می‌گردد. اگرچه استفاده از این واحد بهبود کارایی را به همراه دارد، ولی سبب افزایش توان مصرفی می‌شود. بررسی‌های انجام شده نشان می‌دهد که حدود 10% از مصرف توان پردازنده‌ها در سیستم‌های نهفته (Embedded)، مربوط به این واحد است. این موضوع به دلیل محدودیت منابع توان در این سیستم‌ها از اهمیت ویژه‌ای برخوردار است. حذف دسترسی‌های بی‌فایده به این واحد می‌تواند مصرف توان را به میزان قابل توجهی کاهش دهد. در این مقاله با حذف دسترسی‌های بیهوده برای پرش‌های خوش‌رفتار، توان مصرفی این واحد را کاهش داده‌ایم. روش ارائه شده بر اساس جدولی بنام ATBT کار می‌کند که وظیفه آن نگهداری اطلاعات مربوط به پرش خوش‌رفتار می‌باشد. با توجه به نتایج بدست آمده به کمک روش پیشنهادی میزان دسترسی ها به BTB حدودا 50% کاهش یافته است. کاهش تعداد دسترسی به BTB موجب کاهش 45% توانِ واحد پیش بینی کننده پرش و در نهایت کاهش 3% از توان کل پردازنده شده است.

یکی از مباحث مطرح در مدیریت زنجیره تأمین، تعیین قیمت فروش کالای تولیدی می‌باشد. مشتریان همواره به دنبال کالاهایی با قیمت پایین‌تر هستند و از طرفی تولیدکننده‌ای را در اولویت خرید قرار می‌دهند که کالای با کیفیت بالا و با قیمت مناسب ارائه کند. تولید محصول در محیط TAC-SCM که از جمله فضاهای موجود ایده‌آل برای تعریف و آزمون استراتژی‌های مختلف مطرح در مدیریت زنجیره تأمین می‌باشد با قطعات اولیه مشخصی انجام می‌گیرد، لذا کیفیت محصول نقشی در انتخاب مشتری نخواهد داشت و بحث انتخاب قیمت فروش محصول می‌تواند به عنوان چالشی برای شرکت‌کنندگان در اين مسابقات مطرح شود. با توجه به اینکه در این محیط، عامل‌ها در راستای بیشینه کردن موجودی حساب بانکی خود تلاش می‌کنند، معرفی و توسعه روشی جهت انتخاب قیمت فروش بهینه که دو ویژگی سودآوری و رقابتی را برآورده نماید، اهمیت ویژه‌ای خواهد داشت. در این مقاله، اتوماتای یادگیر جهت پیشنهاد قیمت به مشتری برای دریافت بیشترین تعداد سفارش به نسبت پیشنهادهای داده شده، بکار رفته است. تأکید روش پیشنهادی بر انتخاب قیمت فروش با توجه به بیشترین و کمترین قیمت سفارش روز قبل می‌باشد و نتایج بدست آمده، رقابتی بودن و سودآوری قیمت فروش و عملکرد قابل قبول روش پیشنهادی را نشان می‌دهد.

فراهم نمودن یک الگوریتم مسیریابی کارا، از نظر نرخ تحویل بسته‌‏ها، تأخیر انتها به انتهاي تحویل بسته‌‏ها از مبدأ به مقصد و انرژی مصرفی، برای شبکه‏‌های حسگر زیرآبی بسیار چالش‏زا است. چراکه این شبکه‏‌ها دارای ویژگی‏‌های منحصر به فردی نظیر استفاده از کانال‏‌های صوتی بجای کانال‏‌های رادیویی جهت مخابره و نیز همبندی (توپولوژی) بسیار پویا به دلیل حرکت حسگرها توسط جریان آب هستند. یکی از الگوریتم‏‌های بسیار مطرح در این زمینه، الگوریتم مبتنی بر عمق DBR است. این الگوریتم بسیار ساده است، ولی از نظر نرخ تحویل بسته‏‌ها، تأخیر انتها به انتها و انرژی مصرفی کارامد نیست. در این مقاله با اضافه کردن یک رویه شتاب به الگوریتم پایه DBR، سعی می‏‌شود کارایی این الگوریتم افزایش یابد. در رویه شتاب، از یک مکانیزم احتمالاتی ساده جهت تسریع در ارسال بسته‌‏ها و نیز افزایش چند-مسیری به سمت مقصد استفاده می‏‌شود. در الگوریتم DBR گره‏‌ها‏ ابتدا مدت زمانی بسته دریافتی را در بافر خود نگه‏ می‏دارند و سپس، در صورت لزوم، آن را به سمت مقصد هدایت می‏کنند،‌ اما در رويه شتاب الحاقی، هر گره دریافت کننده بسته، با احتمال بسته دریافتی را بلافاصله به سمت مقصد هدایت می‏‌کند و با احتمال 1 – Pf از روال معمول DBR پيروي مي‏كند. الگوریتم پیشنهادی توسط شبیه‏‌ساز JSIM پیاده‌‏سازی گردیده و با انجام یک‏سری آزمایش‏‌ها، کارایی آن با الگوریتم پایه DBR از نقطه نظرهای نرخ تحویل بسته‏‌ها، تأخیر انتها به انتها و انرژی مصرفی مقایسه گردیده است. نتیجه آزمایش‌‏ها حاکی از برتری الگوریتم پیشنهادی در مقایسه با الگوریتم DBR است.

تابع درهم‌سازی Skein، یکی از پنج تابع درهم‌ساز راه یافته به دور نهایی رقابت SHA3 می‌باشد. این تابع، از تابع معمانگاری قطعه‌ای Threefish به عنوان هسته‌ اصلی خود استفاده نموده است. در این مقاله، مشخصه‌های تفاضلی مناسب را به منظور حمله بر تابع درهم‎سازی Skein512 ارائه خواهیم نمود. برای یافتن این مشخصه‌ها، روش بهینه سازی الگوریتم ژنتیک مورد استفاده قرار می‌گیرد. مهمترین چالش در استفاده از این روش، بازنمایی مشخصه‌ها در قالب ژن‌ها می‌باشد. مشخصه‌های ارائه شده برای حملات 17، 22 و 23 دوری Skein512 به ترتیب دارای پیچیدگی 238، 2134 و 2189 می‌باشند.

امروزه با گسترش وب و تعداد كاربران اينترنت، شناسايي صفحات مورد علاقه كاربران از چالش‌هاي مهم وب است. سیستم‌های پیشنهاددهنده‌ی وب در راستای پیش‌بینی رفتار آتی کاربران یک وب‌سایت و فراهم کردن محیطی منطبق با سلیقه و نیاز کاربر بدون درخواست صریح او، به بررسی و تحلیل اطلاعات رفتاری کاربر در تعامل با وب می‌پردازند. اخیرا سیستم‌های پیشنهاددهنده‌ی وب متفاوتی جهت پیش‌بینی صفحات درخواستی آینده کاربر با بهره‌گیری از کاوش استفاده از وب پیشنهاد شده‌اند، اما این سیستم‌ها دارای کیفیت مناسبی در ارائه‌ی پیشنهادها به کاربران در بعضی از وب‌سایت‌های خاص نیستند. در این مقاله یک رویکرد ترکیبی جدید مبتنی بر کاوش استفاده از وب جهت پیش‌بینی خودکار صفحات وب مطابق علایق کاربران پیشنهاد شده است. سیستم پیشنهادی از الگوریتم خوشه‌بندی فازی جهت دسته‌بندی نشست‌های مشابه کاربران استفاده می‌کند. سپس برای استخراج مدل توصیه، از قوانین انجمنی وزن‌دار که ارتباط بین صفحات را بیان می‌کنند، استفاده می‌شود. مدل کشف شده توسط ماژول توصیه‌ی برخط جهت تعیین توصیه‌های مناسب به کاربران، مورد استفاده قرار می‌گیرد. کیفیت سیستم پیشنهادی با استفاده از مجموعه داده‌ی NASA مورد ارزیابی قرار گرفته است. نتایج بدست آمده، بهبود در دقت توصیه‌ها را نسبت به سایر روش‌ها نشان می‌دهد.

سرطان سینه یکی از شایع‌ترین انواع سرطان در میان زنان می‌باشد. پیش‌بینی زودهنگام این بیماری می‌تواند کمک قابل توجهی در روند بهبود درمان ایجاد ‌نماید. بنابراین الگوریتم‌های متفاوت داده‌کاوی و یادگیری ماشین برای پیش‌بینی خوش‌خیمی یا بدخیمی تومورهای سرطان سینه مورد استفاده قرار گرفته‌اند. یکی از چالش‌ها در این حوزه، توزیع نامتوازن داده‌ها است، یعنی داده‌های کلاس تومورهای بدخیم (کلاس اقلیت) دارای تعدادی به مراتب کمتر از داده‌های کلاس دیگر (کلاس اکثریت) هستند. از طرفی الگوریتم‌های داده‌کاوی اغلب برای کار با داده‌های متوازن طراحی شده‌اند. این امر ممکن است منجر به برچسب‌گذاری نادرست داده‌های کلاس اقلیت ‌شود. برای برخورد با این مشکل، روش‌هایی برای برجسته‌سازی داده‌های کلاس اقلیت ارائه شده است. این روش‌ها عموماً از تکرار داده‌های کلاس اقلیت و یا حذف داده‌های کلاس اکثریت، در راستای توازن داده‌ها، استفاده می‌کنند. این مکانیزم‌ها علاوه بر اینکه ماهیت طبیعی داده‌ها را تغییر می‌دهد، امکان برچسب‌گذاری نادرست داده‌های کلاس اکثریت را نیز افزایش می‌دهد. در این مقاله روشی ارائه می‌شود که با استفاده از الگوریتم‌های طبقه‌بندی ترکیبی، بدون تکرار داده‌های کلاس اقلیت و یا حذف داده‌های کلاس اکثریت، به برچسب‌گذاری صحیح داده‌های کلاس اقلیت پرداخته شود. الگوریتم ارائه شده با استفاده از خوشه‌بندی داده‌ها به سه دسته پرت، خوش‌آموزش و بدآموزش، ابتدا به شناسایی داده‌های پرت می‌پردازد. سپس به دنبال راهکاری برای برخورد با داده‌های بدآموزش (که عمدتاً متعلق به کلاس اقلیت می‌باشند) می‌پردازد که با این روند خطای ایجاد شده برای داده‌های کلاس اقلیت به صورت چشمگیری کاهش می‌یابد.

اين مقاله شامل طراحي دو مدار تمام جمع‌کننده تک‌بیتی کم‌توان با NOR، NAND و Majority-not خازني 3 ورودی بر پایه ساختار دینامیک چند خروجی می‌باشد. دو مدار جمع‌کننده پيشنهادي و تعدادی از مدارهای جمع‌کننده ديگر با تکنولوژي 0.18 μm شبيه‌سازي شده است. نتايج شبيه‌سازي بهبود قابل ملاحظه‌اي را از نظر توان مصرفی و حاصلضرب توان – تأخیر نشان مي‌دهد.

ضرورت تحقق کیفیت مورد نیاز در فرآیند تولید نرم‏افزار به صورت روزافزون در حال افزایش است. کیفیت نرم‏افزار عبارت است از میزان انطباق ویژگی‏های کیفی نرم‏افزار با نیازمندی‏های کیفی ذینفعان پروژه. استفاده از الگوهای طراحی باعث افزایش کیفیت نرم‏افزار از منظر برخی از ویژگی‏های کیفی نظیر انعطاف‏پذیری، قابلیت استفاده مجدد و استحکام می‏گردد. در این مقاله درصدد ارائه راهکاری به منظور تسهیل به‌کارگیری الگوهای طراحی در فرآیند تولید نرم‏افزار هستیم. شایان ذکر است که در فرآیند پیشنهادی، به منظور افزایش سرعت و دقت، برخی از فازها به صورت خودکار انجام می‏پذیرند. در ادامه، به منظور ارزیابی قابلیت اجرای فرآیند پیشنهادی، ابتدا فرآیند مذکور بر مبنای الگوی طراحی مشاهده‏گر سفارشی شده است. سپس نسخه سفارشی شده فرآیند پیشنهادی، در قالب یک مطالعه موردی امکان‏سنجی گردیده است. نتایج حاکی از قابلیت اجرای فرآیند پیشنهادی در جهت افزایش کیفیت طراحی نرم‏افزار است.

ابر به طور کلی اشاره دارد به ذخیره داده های کاربران در یک سیستم ذخیره سازی خارجی که توسط یک شخص ثالث نگهداری می شوند. بدین ترتیب کلاینت آن را در یک پایگاه داده از راه دور ذخیره می کند. در حال حاضر، ارائه دهنده گان ذخیره سازی ابری به جای ذخیره اطلاعات بر روی دیسک های سخت یا دستگاه های ذخیره سازی ماشین های کاربران، در استفاده از یک سیستم ذخیره سازی خارج، مکانیزم های بسیاری را برای کنترل دسترسی ایجاد کرده اند. از جمله ایجاد مجوز سطح دسترسی برای هر کدام یک از فایل ها، تا از امنیت داده ها اطمینان پیدا شود. در این مقاله، کار ما متفاوت از تحقیقات قبلی در این زمینه است به طوریکه در این مدل، ما دو پروتکل برای ذخیره و بازیابی داده طراحی کرده ایم که مبتنی بر ماژول پلت فرم معتمد (TPM) می باشد که از یک گره موسوم به شخص ثالث معتمد (TTP) استفاده شده است. وظیفه این گره، تصدیق و احراز هویت کاربران می باشد و در ایمن کردن پروتکل های مربوط نقش بسزایی دارد. نوآوری ما در این مدل استفاده از TTP برای گواهی کاربران با گواهینامه X.509 ، استفاده از یک ارتباط امن به نام SSL ، استفاده از دایرکتوری LDAP و سایر فن آوری ها است. علاوه بر این ما استفاده از TPM نسخه 2 را به طور ساده معرفی کرده ایم.

همواره تشخیص صحیح بیماری یکی از مشکلات بشر بوده است. امروزه با پیشرفت در حوزه‌ی علوم کامپیوتر، می‌توان از راهکارهای رایانه‌ای برای حل این مشکل استفاده کرد. یکی از این راهکارها، استفاده از یادگیری ماشین و داده‌کاوی می‌باشد. در این حوزه، تا کنون کارهای زیادی صورت گرفته، ولی بیشتر تلاش‌ها، با فرض قطعی بودن داده، انجام شده‌اند و این در حالی است که در حوزه‌ی پزشکی، احتمال بوجود آمدن داده‌ی غیر قطعی، وجود دارد. عدم قطعیت داده‌ها، ناشی از محدودیت ابزارهای جمع آوری اطلاعات و همچنین حفظ حریم خصوصی شخص می‌باشد. برای رسیدن به این هدف، تکنیک‌های بسیاری وجود دارد، ولی از آنجا که پزشکان، تمایل بسیاری برای دانستن نحوه‌ی نتیجه گیری دارند، به تکنیک‌های مبتنی بر قاعده، که درک و فهمشان برای افراد بسیار ساده است، علاقه‌ی بیشتری دارند. از این رو، ما با توجه به عدم قطعیت داده‌ها و با توجه به مزایای الگوریتم‌های مبتنی بر قاعده، روشی جدید برای تشخیص بیماری ارائه دادیم. روش ارائه شده‌ی ما، با استفاده از الگوریتم ژنتیک، قواعد دسته بندی فازی، برای تشخیص بیماری، از داده استخراج می‌کند. نتایج بدست آمده از روش پیشنهادی، نشان می‌دهد که این روش، از روش‌های مبتنی بر قاعده‌ی دیگری که تا کنون ارائه شده‌اند، دقیق‌تر است.

در روش‌های معمول مهندسی ترافیک، تمامی مسیریابهاو پورتهای مختلف آنها، صرفنظر از میزان بار ورودی به شبکه همیشه فعال بوده و بنابراین انرژی مصرف میکنند. از طرفی میانگین بهره‌وری لینکها در شبکه‌های ارائه‌دهنده خدمات‌ اینترنتی تقریبا پایین بوده و حداکثر در حدود 30 تا 40 درصد است. بر همین اساس، هدف روشهای مهندسی ترافیک انرژی‌آگاه این است که براساس وضعیت بار موجود بر روی لینکها و نیز حجم تقاضای ورودی، مسیرهای هدایت داده را به نحوی تغییر دهد که بتواند برخی گرهها/لینکهای کم ترافیک را خاموش نموده و بار تخصیص‌یافته به آنها را بر روی مسیرهای دیگر قرار دهد تا از این رهگذر انرژی مصرفی کل شبکه را کاهش دهد.در این مقاله، یک روش اکتشافی برای مهندسی ترافیک انرژیآگاه در شبکههای درون‌دامنهای ارائه میدهیم. در روش پیشنهادی ابتدا لینک‌ها به‌ترتیب بهره‌وری آن‌ها و اندیسی که به هر لینک متناسب با میزان تأثیر خاموش کردن آن در انرژی مصرفی داده‌ایم، مرتب میشوند. سپس، لینک‌های مرتب‌شده به ترتیب برای غیرفعالسازی موقت آزمایش می‌شوند. نتایج شبیهسازی در شبکه Abilene و Extended Abilene به همراه انواع مختلفی از ماتریس ترافیک واقعی نشان می‌دهد که می‌توان تعدادی از گره‌های میانی و لینک‌ها را، با رعایت تضمین کیفیت سرویس، در زمانی که ترافیک حجم کم یا متوسطی دارد، خاموش کرده و انرژی مصرفی را تا حدود 40 درصد ذخیره نمود.