بازیابی تصویر مبتنی بر محتوا، یکی از مهم‌ترین روش‌های موجود برای بازیابی خودکار تصاویر می‌باشد. در دهه اخیر به منظور نزدیکتر شدن سامانه‌های بازیابی تصویر به محتوای معنایی تصاویر، از روش‌های یادگیری کوتاه‌ مدت و بلند‌ مدت به صورت همزمان استفاده شده است. در این مقاله، رویکرد جدیدی در یادگیری کوتاه مدت مبتنی بر ماشین بردار پشتیبان و یادگیری فعال ارائه شده که در ترکیب با یک تکنیک یادگیری بلند مدت مبتنی بر الگوهای معنایی، دقت بازیابی را به طور موثری افزایش داده است. در این روش، مرز تصمیمگیری در ماشین بردار پشتیبان با استفاده از اطلاعات تصاویر مرتبط و نامرتبط تصحیح میشود. از آنجا که تعداد این تصاویر برای آموزش کم میباشد، از یک تکنیک یادگیری فعال برای انتخاب نمونه‌ها به صورت هدفمند استفاده شده است. همچنین الگوهای معنایی بر پایه اطلاعات این تکنیک یادگیری کوتاه مدت، استخراج شده و در صورت مفید بودن در بهبود نتایج بازیابی در پرس و جوهای آینده استفاده میشوند. روش پیشنهادی در یک پایگاه تصویر شامل 5000 تصویر آزموده شده است. نتایج آزمایشها، برتری روش پیشنهادی و ادغام موثر تکنیک یادگیری کوتاه مدت پیشنهادی با تکنیک یادگیری بلند مدت را نسبت به روش‌های یادگیری کوتاه مدت متداول نشان می‌دهد.

با توجه به گسترش روزافزون شبکه‌های کامپیوتری، نیاز به استفاده از روش‌های گوناگون و کارا برای مدیریت یکپارچه و متمرکز شبکه‌ها نیز افزایش می‌یابد. درواقع راه‌کاری که بتواند با هزینه معقول و مناسب و بر اساس شرایط مختلف، شبکه را مدیریت و کنترل نماید، مدنظر می‌باشد. شبکه‌های مبتنی بر نرم‌افزار یکی از راهکارهای ارائه شده براساس این نیاز می‌باشند که پیاده‌سازی این نوع شبکه‌ها بر اساس سخت افزارهای کمتر و افزایش روش‌های نرم‌افزاری میباشد. در این شبکه‌ها قسمت کنترل از قسمت ارسال یا انتقال داده مجزا شده و به صورت نرم‌افزاری طراحی و پیاده سازی می شوند. یکی از مسائل و چالش‌های اصلی در این نوع شبکه‌ها، کنترلرها و عملکرد آن‌ها برای کنترل سخت‌افزارها و مدیریت یکپارچه و بهینه شبکه میباشد. در این مقاله چالش مهم « پیچیدگی عملکرد کنترلرها» مورد بحث و بررسی قرارگرفته و با ارائه الگوریتمی جدید درصدد بهینه‌سازی عملکرد کنترلرها برآمده است. چالش پیچیدگی بر اساس نحوه برخورد کنترلر با جریانهای عبوری و مدیریت آن‌ها در نظر گرفته میشود. این جریانها به دو دسته عظیم و کوچک تقسیم میشوند که کنترلر وظیفه مدیریت این جریانها را بر اساس پهنای‌باند مورد نیاز هر جریان بر عهده دارد. در این مقاله الگوریتم ارائه‌شده اقدام به تشخیص نوع جریانها، تفکیک جریان‌ها در شبکه و مدیریت کارای آن‌ها برای مسیریابی مینماید. این الگوریتم در شبیهساز NS3 بر اساس توپولوژی مشخصی پیادهسازی شده و نتایج آن با نتایج کنترلرهای اصلی و بدون تغییر در این شبکه‌ها مقایسه شده است. نتایج نهایی حاصل از این مقایسه حاکی از بهبود عملکرد کنترلر با استفاده از روش ارائه‌شده نسبت به الگوریتم اصلی کنترلرها در شبکه‌های مبتنی بر نرم‌افزار میباشد. این بهبود شامل «بهبود گذردهی» روش ارائه شده بین 5 تا 8 درصد و «بهبود استفاده از مسیر» بین 6 تا 8 درصد نسبت به الگوریتم اصلی کنترلرها میباشد. علت این بازه بهبود به دلیل مقدار درصد خطای لحاظ شده در شبیهسازی و محاسبه میانگین مقادیر و نتایج به‌دست‌آمده در شبیهسازیهای متعدد میباشد.

امروزه موتورهای جستجو با حجم عظیم اطلاعات موجود در بستر وب و همین‌طور تعداد زیاد درخواست‌های دریافتی مواجه هستند. از آنجا که بخش قابل‌توجهی از پرس‌و‌جوهای کاربران در موتورهای جستجو تکراری است، می‌توان برای بهبود کارایی این سامانه‌ها از حافظه نهان به منظور کاشه سازی نتایج استفاده نمود. یکی از چالش‌های اصلی در این زمینه، تلاش برای افزایش نرخ برخورد مابین پرس‌و‌جوهای ورودی و نتایج موجود در حافظه نهان است. در این مقاله، روش ترکیبی جدیدی برای کاشه‌سازی نتایج در موتورهای جستجو ارائه می‌شود که در آن، لیست آماده مربوط به جزءهای تشکیل دهنده پرس‌وجو (به جای نتایج کل پرس‌وجو) ذخیره می‌شود تا احتمال برخورد در پرس‌وجوهای آینده بالاتر رود. اضافه بر این، حافظه نهان به دو بخش مجزای ایستا و پویا (به ترتیب برای نگهداری اجزاء پرتکرار روز گذشته و روز کنونی) تقسیم‌بندی می‌شود. نتایج ارزیابی در یک محیط واقعی نشان می‌دهد که روش پیشنهادی در قیاس با روش‌های مشابه نرخ برخورد بالاتری ارائه می‌نماید.

مدیریت حرکت و تصمیم گیری فرایند دست‌به‌دست جهت رسیدن به ارتباطی یکپارچه برای کاربر در حال حرکت، از چالش‌های همیشگی شبکه‌های متحرک بی سیم بوده است و بهبود در حفظ یکپارچگی این ارتباط بستر ظهور کاربرد های جدید این قبیل شبکه ها را فراهم می سازد. شبکه‌های نرم افزار محور از مباحث نوظهور در زمینه‌های تحقیقاتی شبکه‌های کامپیوتری است که برای به کار گیری در نسل‌های آینده ارتباط بی سیم مورد توجه فراوان قرار گرفته است. در این کار از انعطاف پذیری و کنترل مرکزی موجود در شبکه‌های نرم افزار محور بهره گرفته شده تا بتوان الگوریتم تصمیم گیری فرایند دست‌به‌دست را از نظر تأخیر و تعداد دست‌به‌دست بهبود بخشید. نتایج به دست آمده در این تحقیق نشان می‌دهند که الگوریتم پیشنهادی از نظر تعداد دست‌به‌دست، تأخیر دست‌به‌دست و کاهش سربار کنترلی در سطح داده در مقایسه با LTE-A، به طور متوسط به ترتیب 24، 16 و 20 درصد بهبود داشته است.

امروزه سرقت‌های نرم‌افزاری در قالب نسخه‌برداری، اشتراک و توزیع نرم‌افزارها به‌صورت غیرقانونی اتفاق می‌افتد. به‌همین دلیل امنیت و محافظت از نرم‌افزار نقشی اساسی در مهندسی نرم‌افزار ایفا می‌کند. با روند رو به رشد سرقت‌های نرم‌افزاری و گسترش استفاده‌ی کاربران از این نرم‌افزارها، موجبات نگرانی تولید‌کنندگان نرم‌افزارها فراهم‌شده است. هر چند امکان‌پذیر نیست که تولیدکنندگان به‌طور قطع اطمینان حاصل کنند که نرم‌افزارشان غیر‌قابل‌ نفوذ است، اما واقع‌گرایانه‌ترین راه‌حل این است که تا حد امکان از نرم‌افزار تولید شده محافظت نمایند و راه نفوذ را بر نسخه‌برداري غيرمجاز نرم‌افزار ببندند. تاكنون روش‌های مختلفي به‌منظور دشوارتر و پیچیده‌تر کردن سرقت‌های نرم‌افزاری ارائه شده است. در اين مقاله، براي محافظت از نرم‌افزار در برابر نسخه‌برداری‌های غیرمجاز، به ارائه راهکاری با بهره‌گیری از قفل سخت‌افزاری و تنظیم پروتکل ارتباطی بر پایه‌ی رمزنگاری، می‌پردازيم.

سادگی روش‌های پردازش تصویر و فراوانی ویژگی های کیفی محصولات کشاورزی باعث شده است، تا پردازش تصویر در حیطه کشاورزی پیشرفت های بسیاری داشته باشد. در این مقاله، با استفاده از روش های پردازش تصویر به طبقه‌بندی میوه پرتقال بر اساس ضخامت پوست پرداخته شده است. با قرار دادن پرتقال ها در یک جعبه مخصوص که شرایط تصویر برداری یکسان را برای همه نمونه‌ها ایجاد میکند، از تمامی نمونه ها تصویر تهیه گردیده است. پس از جداسازی میوه از پس‌زمینه تصویر، با استفاده از تکنیک های ناحیه بندی، ویژگیهای الگوی باینری محلی برای بافت پوست استخراج میشود. سرانجام با استفاده از روش دسته بندی KNN، نمونه‌ها در سه دسته : پوست نازک، پوست معمولی و پوست ضخیم دسته‌بندی شدند. نتایج به‌دست آمده نشان می‌دهد که طبقه‌بندی پرتقال‌ها با استفاده از ویژگی تولید شده توسط الگوی باینری محلی کامل، قابل قبول است.

مدل‌های احتمالاتی ابزاری موفق در تخمین حالت بدن هستند. دو دسته عمده مدل‌های مورد استفاده در این زمینه مدل‌های گرافی و درختی هستند. مدل‌های گرافی به واسطه قیود بیشتری که در نظر می‌گیرند امکان تخمین بهتری از ساختار بدن را فراهم می‌کنند اما استنتاج دقیق در آنها پیچیده است. از طرفی ساختارهای درختی علیرغم سرعت بالا در استنتاج به دلیل عدم در نظر گرفتن برخی از قیود با مشکلاتی نظیر دوبارشماری اندام‌هایی نظیر دست و پا مواجه هستند که در آن یک دست یا پای انسان به عنوان هر دو دست یا پای فرد در نظر گرفته می‌شود. برای رفع این مشکل در روش پیشنهادی در این مقاله ابتدا ساختار کلی بدن با استفاده از یک مدل درختی تخمین زده می‌شود و سپس از یک مدل گرافی به منظور اعمال قیود بیشتر و تخمین بهتر موقعیت بدن استفاده می‌شود. برای غلبه بر پیچیدگی استنتاج در مدل‌های گرافی، در هر مرحله یک بخش از ساختار تخمین زده شده اولیه ثابت در نظر گرفته می‌شود و موقعیت سایر بخش‌های بدن بروزرسانی می‌شود. آزمایشهای تجربی بر روی پایگاه داده LSP نشان دهنده موفقیت روش پیشنهادی در حل مشکل دوبارشماری اندام‌ها است.

با افزایش بی‌سابقه در تقاضاها و انتظارات از سرویس‌ها و برنامه‌های هوشمند مبتنی بر رایانش ابری، نیاز به داشتن ابزارهای پیشرفته‌تری که بتوانند به صورت موثرتر، کارایی این سرویس‌ها را ارزیابی کنند و دیدگاه‌های تخصصی‌تری را به‌منظور ارتقاء طراحی‌ها و پیاده‌سازی‌ها فراهم نمایند، زیاد است. بنابراین برای ارزیابی تخصصی و دقیق یک مرکز داده هوشمند که متعاقبا افزایش انعطاف پذیری را در استفاده از منابع موجود برای برنامه‌های کاربردی مبتنی بر رایانش ابری به ارمغان می‌آورد ما نیاز به قالب های شبیه‌سازی شده ای داریم که برای ارزیابی کارایی یک مرکز داده مبتنی بر رایانش ابری بسیار ضروری هستند. این قالب‌های شبیه‌سازی شده نیاز هست که قابلیت توسعه پذیری داشته و به اندازه کافی متنوع باشند که بتوانند هر نوع نیازمندی را پوشش دهند و همچنین به قدر کافی ساده برای استفاده و مدیریت باشند. سربارهای متحمل شده به منظور تامین اهداف ضروری، مستقیما بر روی کارایی یک چارچوب تاثیرگذار است. بنابراین کاهش سربارها باید قسمتی از امکانات برجسته و مهم باشند. دراین مقاله ما مدل مرجعی را که تلاش می‌کند تا چنین نیازمندیهایی را تأمین کند در حین اینکه به سربارها نیز اشاره می‌کند را ارائه می‌دهیم. ما ضرورت استفاده از مفهوم خارج از قفسه را در اجزاء نرم‌افزاری مطرح می‌کنیم و همچنین نتایج کارایی بهتر را در پیاده‌سازی قالب مطرح شده خود ارائه می‌دهیم.

دسته‌بندی و حاشیه‌نویسی تصاویر از جمله مسائل پرکاربرد در حوزه پردازش تصاویر هستند. تا‌کنون تلاش‌های زیادی به منظور استفاده از مدل‌های موضوعی نظیر مدل احتمالاتی LDA جهت دسته‌بندی و حاشیه‌نویسی همزمان تصاویر صورت گرفته‌است. اخیرا مدل‌های موضوع دیگری بر مبنای شبکه‌های عصبی احتمالاتی نظیر SupDocNADE معرفی شده‌اند که نتایج خوبی در مدل‌کردن داده‌های چند‌مقداری مانند دسته‎بندی و حاشیه‌نویسی تصاویر ارائه ‌داده‌اند. در این مدل‌ها کلمات حاشیه‌نویسی نیز در کنار کلمات بصری تعبیه شده‌ و به عنوان بردار ویژگی برای شبکه در‌ نظر گرفته می‌شود. در عمل تعداد ویژگی‌های استخراج‌شده از تصویر بسیار بزرگتر از ویژگی‌هایی است که از کلمات حاشیه‌نویسی بدست می‌آیند. عدم تعادل بین کلمات بصری و حاشیه‌نویسی سبب می‌شود تا سهم کلمات حاشیه‌نویسی برای بازنمایی در لایه پنهان شبکه‌عصبی مورد استفاده در این مدل، بسیار کمتر از کلمات بصری باشد. از طرفی گرادیانی که از کلمات حاشیه‌نویسی تولید می‌شود بسیار کوچک بوده تا بتواند تاثیر قابل توجهی در افزایش احتمال شرطی حاصل از کلمات حاشیه‌نویسی داشته‌باشد. در این مقاله، برای حل مشکلات عدم تعادل ویژگی‌ها، از وزن‌دهی کلمات حاشیه‌نویسی در هیستوگرام بردار ویژگی استفاده می‌شود. با آزمایش مدل پیشنهادی برروی پایگاه داده‌های UIUC_Sports و LabelMe، بهبود 5 درصدی در معیارF در کلمات حاشیه‌نویسی نسبت به مدل‌های موجود مشاهده می‌شود.

شناسایی و مکان‌یابی لینک‌های معیوب برای مدیران شبکه اهمیت ویژهای دارد. توموگرافی شبکه میتواند با استفاده از اندازه‌گیری‌های انتها به انتها اطلاعات مفیدی را در ارتباط با ابر شبکه که اندازه‌گیری مستقیم در آن پرهزینه و یا غیرممکن است ارائه دهد. این مقاله، به بررسی مسأله مکان‌یابی لینک‌های معیوب در سطح اینترنت با استفاده از توموگرافی شبکه می‌پردازد و یک چارچوب مبتنی بر نمونه‌برداری فشرده برای ساخت ماتریس اندازه‌گیری تصادفی معرفی می‌کند. به منظور بازیابی سریع لینک‌های معیوب در شبکه، الگوریتم قدم‌زنی تصادفی باتوجه به ویژگی ساختاری توزیع درجه گره‌های شبکه، تغییر یافته است. دقت الگوریتم پیشنهادی با انجام شبیه‌سازی برروی گراف‌ها با توزیع درجه توانی که مدل کننده‌ی اینترنت هستند، مورد ارزیابی قرار گرفته است. نتایج شبیه‌سازیها نشان میدهد که استفاده از روش پیشنهادی باعث بهبود نرخ شناسایی و مکان‌یابی لینک‌های معیوب با استفاده از تعداد کمتری اندازه‌گیری می‌شود.

با توجه به گسترش روز افزون ارتباطات چند رسانه‌ای بر بستر اینترنت، امنیت داده‌ها دارای اهمیت زیادی میباشد. فایلهای تصویر در کاربرد‌های نظامی، پزشکی، شبکه‌های اجتماعی و ... به‌کرات مورد استفاده قرارگرفته و برای حفظ این داده‌ها از رمزنگاری استفاده میگردد. رمزنگاری فایلهای تصویر با توجه به دو ویژگی تصویر، حجم بالا و وابستگی شدید پیکسلهای مجاور با چالش‌های خاص خود دست ‌به ‌گریبان میباشد. روش رمزنگاری ضمن سریع بودن باید الگوی نهفته در تصویر را مخفی کرده و اطلاعات آماری تصویر اصلی را کاملاً تغییر دهد. این تغییر باید به‌گونه‌ای باشد که فایل رمز شده در مقابل انواع حملات رایج مقاوم باشد. روش رمزنگاری AES یک روش کاملاً استاندارد و ایمن بوده و دارای مدهای عملیاتی متفاوتی میباشد. عمده مشکل این روش سرعت‌پایین و یکسان بودن خروجی بلاک‌ها مشابه میباشد. GPU با توجه قابلیت پردازش موازی برای کار با داده‌هایی نظیر پیکسلها بسیار کارآمد میباشد. در این تحقیق با استفاده از GPU و نظریه آشوب دو کاستی بالا را جبران کرده و به نتایج بهتری رسیده‌ایم.

بررسی امنیتی تابع چکیده‌ساز استاندارد SHA-3 یا کچک در مقابل حملات مختلف بسیار مهم است. در این مقاله ما یک حمله القای خطای تفاضلی را بر روی نسخه 512 بیتی تابع چکیده‌ساز کچک (SHA3-512) انجام داده‌ایم. در این مقاله نشان داده‌ایم با القای خطا به دورهای میانی ماتریس حالت تابع چکیدهساز کچک قادر خواهیم بود تا کلیه بیت‌های ماتریس حالت را بازیابی کنیم. بنابراین احتمال موفقیت حمله پیشنهادی برابر یک است. در این مقاله هم‌چنین مقایسه‌ای در روند بازیابی بیت‌ها بین مقادیر مختلف القای خطا انجام شده‌ است. در واقع نشان خواهیم داد که در روش پیشنهادی حمله روی تابع چکیدهساز کچک، هرچه تعداد بیت‌های خطای القا شده بیشتر باشد، بازیابی بیت‌های ماتریس حالت سریع‌تر انجام خواهد گرفت. باید خاطر نشان نمود که نتایج به‌دست آمده، امنیت تابع چکیده‌ساز کچک را به طور کامل نقض نمی‌کند. اما قدرت حمله القای خطای تفاضلی و هم‌چنین بررسی دقیق عملکرد نگاشت‌های داخلی تابع کچک را به خوبی شرح می‌دهد.

در مورد کلان داده‌ها، حافظه‌های موجود در برابر حجم داده بسیار کوچک در نظر گرفته می‌شوند و از طرفی در یک سری از کاربردها مانند شبکه سنسورها نیاز به پردازش اطلاعات به صورت بلادرنگ است. قسمتی از این کلان داده را جریان‌های داده تشکیل داده‌اند. به علت حجم بالای جریان داده‌ها امکان دسترسی تصادفی به اطلاعات وجود ندارد و مقدار محدودی از اطلاعات را می‌توان در حافظه اصلی نگهداری کرد بنابراین مجبوریم آن‌ها را در حافظه ثانوی نگهداری کنیم به همین دلیل هزینه مرور چند باره اطلاعات بسیار بالا است. خصوصیات جریان داده‌ها باعث شده است که الگوریتم‌های خوشه‌بندی موجود مناسب نباشند. بنابراین نیاز به ایجاد الگوریتم‌های خوشه‌بندی مخصوص جریان داده‌ها داریم. در اینجا ابتدا الگوریتم‌های خوشه‌بندی جریان دادهها بررسی شده‌اند و سپس یک الگوریتم خوشه‌بندی بر اساس تبدیل موجک بر روی چارچوب اسپارک پیاده‌سازی شده است که یک نو‌آوری در خوشه‌بندی جریان داده‌ها محسوب می‌شود.

در این مقاله، نوعی مکانیزم برای دفاع در مقابل حمله تک تیرانداز تشریح می‌شود. حمله تک تیرانداز، یک نوع حمله ممانعت از سرویس هدف‌گذاری شده است که حمله‌کننده بی‌نام با صرف هزینه بسیار کم می‌تواند هزینه جدی به رله‌های شبکه Tor وارد نماید. در راه حل فعلی، اگر مصرف حافظه از یک حد آستانه بیشتر گردد، به منظور مقابله با این حمله مدارهای مظنون از بافر قربانی حذف می‌شوند. ما در این مقاله راه‌حل فعلی را مورد بررسی قرار داده و نقاط ضعف آن را بیان می‌کنیم. سپس پروتکل جدیدی را برای مقابله با این حمله پیشنهاد می‌کنیم. حمله تک تیرانداز از دو نقطه ضعف مهم شبکه Tor بهره‌برداری می‌کند که عبارتند از: یکی، نداشتن هیچ محدودیتی روی صف‌های لایه کاربرد و دیگری، نداشتن هیچ مکانیزم کنترل انباشتگی. پروتکل پیشنهادی ضعف فقدان کنترل انباشتگی را جبران کرده و جلوی حمله را می‌گیرد. تشویق کاربران به استفاده از شبکه Tor یکی از اصول مهم این شبکه است. برای بهتر نمودن تجربه استفاده کاربران، یک پرچم جدید در سرورهای متولی-راهنما در Tor معرفی شده است. این پرچم نشان‌دهنده میزان انباشتگی یک رله است و در الگوریتم انتخاب مسیر کاربر در کنار پهنای باند رله‌ها نقش مهمی را ایفا خواهد کرد، به طوریکه کاربرانی که درجه پایین‌تری از بی‌نامی را نیازمندند می‌توانند با انتخاب رله‌هایی که خلوت‌تر هستند، ارتباط سریع‌تری را تجربه کنند. همچنین، این پرچم از کاهش کیفیت سرویس کاربران به علت حملات ممانعت از سرویس پیش‌گیری می‌کند. روش پیشنهادی را روی شبکه شبیه‌سازی شده بررسی کرده و نشان می‌دهیم که هزینه ادامه حمله با بکارگیری این روش مقابله زیاد می‌گردد.

تقلب در کارت‌های اعتباری هرساله خسارت‌های مالی سنگینی، در سراسر جهان به همراه دارد؛ بنابراین، مؤسسات مالی به ‌طور مداوم مجبور به بهبود سیستم‌های تشخیص تقلب می‌باشند. رویکردهای متفاوتي به ‌منظور کشف تقلب کارت‌های اعتباری معرفي شده‌اند. بااین‌حال بسیاری از مطالعه‌ها، به هزینه‌های مالی در ارتباط با روند تشخیص تقلب توجه نکرده‌اند. علاوه بر این، در هنگام ساخت یک مدل تشخیص تقلب کارت اعتباری، چگونگی استخراج ویژگی‌ها از داده‌های تراکنشی بسیار مهم است. در این مقاله، یک مجموعه‌ از ویژگی‌ها بر اساس تحلیل رفتار خرید دارندگان کارت و یک مجموعه‌ از ویژگی‌ها بر اساس تحلیل رفتار دوره‌ای از زمان با استفاده از توزیع فون‌میزس به دست می‌آیند. هم‌چنین در الگوریتم k-نزدیک‌ترین همسایه معیاری جدید به‌ منظور محاسبه شباهت بر اساس زمان انجام تراکنش‌ها بیان می‌گردد. سپس روشی حساس به هزینه با ترکیب الگوریتم‌های k-نزدیک‌ترین همسایه و الگوریتم تطبیق دنباله SSAHA پیشنهاد می‌گردد. در نهایت، با استفاده از مجموعه داده واقعی بانکی به ارزیابی روش پیشنهادی می‌پردازیم. آزمایش‌های انجام‌شده، تأثیر استفاده از مجموعه‌های مختلف از ویژگی‌ها را بر نتایج نشان می‌دهند. هم‌چنین نتایج آزمایش‌های صورت گرفته برتری روش پیشنهادی را هم از منظر سرعت انجام کاوش‌ها و هم از منظر معیار صرفه‌جویی در هزینه با بهبودی حدود 20% نمایش میدهند.

شناسایی الگوهای طراحی استفاده شده در یک سیستم نرم‌افزاری به نگهداری و مهندسی مجدد نرم افزار کمک می‌کند و نیز باعث سهولت فهم کد برنامه‌ها میشود. این فهم به انطباق بین کد برنامه‌ها و طراحی آن‌ها، کمک زیادی میکند. علاوه براین، پیاده سازیهای مختلف از یک الگوی طراحی، تشخیص نمونه‌ی الگوها از کد برنامه را سخت میکند. از آنجاییکه هر الگوی طراحی مجموعه‌ای از نقش‌هایی است که توسط کلاس‌ها در برنامه ایفا میشوند و در واقع نقش‌ها اجزای اصلی و تعیین کننده در الگوهای طراحی هستند، با تعیین نقشی که هرکلاس در یک نمونه الگو ایفا میکند، میتوان الگوهای طراحی برنامه را شناسایی نمود. بنابراین، در این مقاله، روشی برای شناسایی نقش‌های الگوهای طراحی از کد برنامه پیشنهاد میگردد که مسئله تشخیص نقش‌ها را به یک مسئله یادگیری ماشین نگاشت می‌کند. نتایج آزمایشات با استفاده از برنامه‌های واقعی نشان میدهد که روش پیشنهادی، روش نسبتا موفقی است.

روزانه کاربران زیادی برای دستیابی به پاسخ پرسش‌های خود در حوزه‌ی پزشکی و درمان، به وب سایتهای مربوطه مراجعه می‌کنند. در سال 2015 کتابخانه‌ی ملی پزشکی آمریکا سیستم پرسش و پاسخی برای پاسخگویی به پرسش‌های پزشکی کاربران عادی که به زبان انگلیسی مطرح می شوند، ارائه نمود. دسته‌بندی پرسش، یک بخش کلیدی در طراحی این نوع سیستم‌ها است. با توجه به کوتاه بودن متون پرسش‌های کاربران عادی، تحلیل‌های سطحی نمی‌تواند اطلاعات کافی از پرسش‌های آن‌ها به دست دهد؛ همچنین آگاهی کم کاربران در مورد واژگان تخصصی، منجر به بیان غیر دقیق پرسش‌ها و شباهت زیاد در پرسش‌های مربوط به دسته‌های مختلف می‌شود و دسته‌بندی این پرسش‌ها را دشوار می‌کند. در این پژوهش روشی برپایه‌ی یادگیری ماشین برای دسته‌بندی پرسش‌های پزشکی کاربران عادی، براساس طبقه‌بندی ارائه شده در کتابخانه ملی پزشکی آمریکا، پیشنهاد شده است. در مدل پیشنهادی، از ویژگی‌های فریم‌های معنایی پرسش براساس فریم‌نت، چندتایی نحوی و ویژگی‌هایی برای نشان دادن هم‌رخدادی چند عنصر پرسش، استفاده شده است. به دلیل تأثیر قابل توجه دسته‌بندی پرسش در کیفیت سیستم پرسش و پاسخ نهایی، دو دسته‌بند با دو مجموعه متفاوت از ویژگی‌‍‌ها استفاده شده است تا پرسش‌ها از زوایای مختلفی بررسی شوند. نتایج تجربی نشان می‌دهد که دقت دسته‌بندی پرسش‌ها در روش پیشنهادی نسبت به بهترین روش موجود، افزایش یافته است.

با افزایش روزافزون حجم داده‌های موجود در اینترنت، پیدا کردن مطلب موردنظر دشوارتر می¬شود. اغلب کاربران دنبال روشی هستند که بتوانند با سرعت بالایی مطالب دلخواه خود را مشاهده کنند. با گسترش استفاده از شبکه‌های اجتماعی و به اشتراک گذاشتن مطالب در آن‌ها پیدا کردن مطالب موردعلاقه از بین سیل عظیم اطلاعات دشوار به نظر می¬رسد. وظیفه¬ی سیستم‌های توصیه¬گر، توصیه¬ی مطالب یا کالاهایی به کاربر است که احتمال می¬دهد مورد دلخواه او باشد. در این مقاله سعی می‎کنیم تا با استفاده از دانش پردازش زبان طبیعی، اطلاعات معناداری را از کامنت‎های کاربران در شبکه‎های اجتماعی ویدئویی استخراج کنیم و از این اطلاعات برای بهبود سیستم‎های توصیه‎گر این شبکه‎های اجتماعی استفاده کنیم. این اطلاعات را با استفاده از معیارهای شباهت و از شباهت بین کامنت‎های ویدئوها به‎دست می‎آوریم. نتایج به‎دست آمده نشان دهنده تاثیر مثبت استفاده از این روش در سیستم توصیه‎گر و وجود ارتباط مناسب بین محتوای کامنت‎های کاربران با محتوای ویدئوها است.

گسترش روز افزون استفاده از اینترنت و تهدیدهای امنیتی ناشی از آن، توسعه سیستم‌های مؤثر تشخیص نفوذ از اهمیت زیادی برخوردار شده است. به طور معمول در این نوع سیستم‌ها از روش‌های مختلف یادگیری ماشین و داده کاوی جهت تشخیص حمله‌ها استفاده می‌شود. از آنجا که کیفیت مجموعه داده‌ی آموزشی بکار گرفته شده در سیستم‌های تشخیص نفوذ نقش اساسی را در بهبود کارایی این نوع سیستم‌ها ایفا می‌کند، در این پژوهش الگوریتمی جهت ایجاد یک مجموعه داده‌ی آموزشی کارا بر پایه ی تغییر الگوریتم معروف K-Medoids مطرح شده است. معمولاً خوشه‌بندی بهینه‌ی داده‌ها در الگوریتم K-Medoids به دو عامل تعداد خوشه‌ها و مقادیر اولیه ی مراکز خوشه‌ها بستگی دارد، که تعداد خوشه‌ها توسط کاربر و مقادیر اولیه بصورت تصادفی انتخاب می‌شوند. در روش پیشنهادی در این مقاله، این دو شاخص به گونه‌ای مؤثر و بدون نیاز به دخالت کاربر انتخاب شده اند و با استفاده از مراکز خوشه‌های ایجاد شده مجموعه داده‌ی آموزشی کارایی تولید شده است. در انتها جهت دسته‌بندی داده‌های تست، الگوریتم طبقه‌بندی Naïve Bayes بکارگرفته شده است. مجموعه داده‌ی اولیه مورد استفاده در این مقاله، KDD CUP’99 می‌باشد. بر اساس نتایج آزمایش‌های انجام گرفته، دقت، نرخ تشخیص و نرخ اعلان اشتباه ایجاد شده توسط روش مطرح شده در این مقاله به ترتیب برابرند با 93.6، 88.71 و08.03. نتایج مطرح شده نشان می‌دهند که مجموعه داده‌ی آموزشی تولید شده توسط روش ارائه شده در این مقاله، کارایی بالاتری را به نسبت روش بسیار با کیفیت 10-fold cross validation در هرسه مورد ذکر شده فراهم می‌کند.

خوشه‌بندی به عنوان یک فرآیند یادگیری بدون ناظر، می‌تواند دانش موجود در داده‌های بدون برچسب را کشف و مورد تحلیل و بررسی قرار دهد. اساس کار الگوریتم‌های خوشه‌بندی، گروه‌بندی داده‌ها به بخش‌هایی به ‌نام خوشه است. این عملیات بر مبنای شباهت‌هایی که در ساختار داده‌ها وجود دارد انجام می‌شود. هدف الگوریتم‌های خوشه‌بندی انجام درست و صحیح این گروه‌بندی‌ها به ‌منظور استخراج دانش دقیق‌تر از داده‌هاست. خوشه‌بندی مبتنی بر تراکم، یک دسته از انواع روش‌های موجود در خوشه‌بندی است. در این نوع خوشه‌بندی،‌ خوشه‌ها براساس ناحیه‌های متراکم داده‌ها تشکیل می‌شوند. تعریف معیار فاصله و تراکم در این دسته از خوشه‌بندی‌ها تاثیر به‌سزایی در عملکرد خوشه‌بندی دارد. در این مقاله یک رویکرد جدید با کمک قوانین اگر-آنگاه فازی برای معیار تراکم و فاصله ارائه شده است. از این قوانین برای بهبود عملکرد الگوریتم‌ خوشه‌بندی DBSCAN استفاده شده است. نتایج ارزیابی‌ها بیانگر کاهش خطا و افزایش دقت در خوشه‌بندی داده‌ها توسط روش پیشنهادی نسبت به سایر روش‌های دیگر خوشه‌بندی مشابه فازی می‌باشد.