انجمن کامپیوتر ایران

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.

در اين مقاله، یک مدل تحلیلی برای تخمین نرخ برخورد در یک سطح از حافظه نهان GPU ارائه شده است. مدل پیشنهادی قادر است نرخ برخورد در یک بلاک را به ازای دسترسی به هر آرایه محاسبه نماید. این مدل الگوهای منظم و گام های دسترسی یکسان (به ازای هر دسترسی) را پوشش می دهد. ورودی مدل اندازه بلاک و حجم حافظه نهان، تعداد دسترسی و گام دسترسی است. صحت این مدل توسط ارزیابی تجربی با استفاده از GPU-GT740M با چهار الگوی مختلف شامل گام ها و تعداد دسترسی های مختلف و توسط پروفایلر CUDA تحقیق شده است. در یک الگوی رایج دسترسی، برای تعداد دسترسی 32، 128، 512 و 1024، با گام های مختلف، خطای میانگین مدل نسبت به پروفایلر به ترتیب برابر با %65/0-، %24/0-، %20/0- و %87/8 حاصل شده است.

امروزه توسعه سرويس‌گرا به عنوان يک متدلوژي توسعه نرم‌افزار از جايگاه ويژه‌اي در علم مهندسي نرم‌افزار برخوردار است. از سوی دیگر رویکرد مدل‌محور با مدل‌سازی سیستم در سطوح مختلف انتزاع به خودکارسازی و پویایی فرآیند توسعه کمک می‌کند. هدف از این مقاله ارائه روشی برای توسعه ‌سرویس‌‌گرا به صورت مدل‌محور، با استفاده از زبان‌ مدل‌سازی فرآیندهای کسب و کار و زبان مدل‌سازی معماری سرویس‌گرا می‌باشد. روش ارائه شده در این مقاله طی سه مدل کسب‌ و‌ کار، مدل طراحی سیستم سرویس‌گرا و مدل پیاده‌سازی سیستم سرویس‌گرا و با بیان قوانین نگاشت بین این سه مدل، فازهای مدل‌سازی کسب‌ و‌ کار، شناسایی، توصیف، تحقق، ترکیب و پیاده‌سازی سرویس‌ها را انجام می‌دهد. این روش، با شناسایی سرویس‌ها مبتنی بر اهداف کسب و کار، مدل فرآیندهای کسب و کار و موجودیت‌ها آغاز و در ادامه به توصیف سرویس‌ها با تعیین پیام‌ها، واسط‌های سرویس، قراردادهای سرویس و معماری سرویس‌های سیستم می‌پردازد سپس در فاز تحقق سرویس‌ها، قطعات نرم‌افزاری تعیین می‌شوند و در ادامه در ترکیب سرویس‌ها، هم‌نوایی و هم‌آرایی سرویس‌ها با استفاده از استاندارد BPMN2.0 مدل می‌شود. سرانجام مولفه‌های پیاده‌سازی سرویس‌ها شامل شمای XSD، کد WSDL، کد WS-BPEL و کد WS-CDL از روی مولفه‌های مدل طراحی سیستم استخراج می‌شوند. استفاده توامان از اهداف، فرآیندهای کسب و کار و موجودیت‌های کسب و کار در شناسایی سرویس‌ها، توصیف سرویس‌ها از هر دو جنبه ساختاری و رفتاری، در نظر گرفتن روابط بین سرویس‌ها و موجودیت‌ها علاوه بر روابط بین سرویس‌ها با یکدیگر در تعیین قطعات نرم‌افزار در تحقق سرویس‌ها و مدل‌سازی هم‌نوایی و هم‌آرایی سرویس‌ها به طور دقیق با استفاده از BPMN2.0 و اعتبارسنجی مدل‌ هم‌آرایی در کنار خودکارسازی فرآیند شناسایی، توصیف، تحقق و ترکیب‌ سرویس‌ها، تولید خودکار مولفه‌های پیاده‌سازی و استفاده از استانداردهای مدل‌سازی از مزایای روش پیشنهادی در مقایسه با روش‌های موجود می‌باشد.

دسته‌بندي نزديک‌ترين همسايگي يک تکنيک ساده و در عين حال مؤثر براي شناسايي الگو مي‌باشد. عملکرد اين تکنيک بطور قابل توجهي به تابع فاصله بکار رفته براي محاسبه شباهت بين نمونه‌ها ارتباط دارد. در روش پيشنهادي، براي تشخيص دسته‌ي نمونه آزمايشي ابتدا چند زيردسته بند‌ نزديک‌ترين همسايه با حاشيه بزرگ، بر مبناي يادگيري يک معيار فاصله ماهالانوبيس پياده‌سازي مي‌شوند. سپس نتايج دسته‌‌بندي اين چند زير‌دسته‌بند براي برآورد نتيجه‌ي نهايي در چارچوب نظريه دمپستر- شفر ترکيب مي‌شوند. از چارچوب نظريه دمپستر-شفر به دليل توانايي خوب در اجرا و ترکيب اطلاعات غيردقيق استفاده شده است. آزمايش‌ها روي مجموعه داده‌هاي UCI انجام شده‌اند تا تاثيرات تکنيک پيشنهادي را نشان دهند. نتايج آزمايش ها نشان مي‌دهد که روش پيشنهادي با دقت بالايي توانسته عمل دسته‌بندي را انجام دهد.

آزمون مبتنی بر مدل براساس نیازمندی های تعریف شده برای سیستم به انجام آزمون می پردازد. هر چه نیازمندی های سیستم دقیق تر و کامل تر باشد، نتایج آزمون ها واقعی تر خواهد بود. در برخی موارد سیستم هایی باید مورد آزمون قرار گیرند که دسترسی به مستندات مشخصات سیستم آن ها وجود ندارد. نیازمندی های بعضی از سیستم ها نیز به مرور زمان به صورت غیر رسمی تغییر یافته ولی مستندات مشخصات نیازمندی ها بروز نشده است. در چنین مواقعی مدل های آزمون طراحی شده نسبت به مدل های طراحی سیستم متفاوت بوده و در نتیجه آزمون هایی که بر مبنای مدل های آزمون انجام می شوند، کامل و قابل اطمینان نخواهند بود. در این مطالعه روشی برای یافتن نواقص نیازمندی ها براساس آزمون رفتار در حال اجرای سیستم در محیط عملیاتی ارائه شده است. در روش پیشنهادی مدل های استفاده از سیستم به کمک تحلیل داده های محیط عملیاتی ایجاد می شوند. داده های ورودی مدل های آزمون براساس مدل های استفاده طراحی شده تعیین می گردند. سپس با مقایسه خروجی های مورد انتظار هر مورد آزمون با نتایج واقعی موجود در محیط عملیاتی، می توان نواقص یا نیازمندی های غیررسمی سیستم را شناسایی نمود. بر همین اساس می توان سند مشخصات نیازمندی ها را تکمیل و یا رفتار سیستم را اصلاح نمود. این روش به منظور اعتبارسنجی برروی سیستمی در دامنه پرداخت الکترونیک اعمال گردیده است.

نخستین گام برای ایجاد بسیاری از سیستم‌های خودکار تحلیل تصویرهای شبکیه چشم، جداسازی رگ‌ها است. در این مقاله روشی مبتنی بر تبدیل مورفولوژی تاپ‌هت برای جداسازی رگ‌ها ارائه می‌دهیم که با استفاده‌ی مناسب از خطی بودن شکل رگ‌ها در تصویر شبکیه، رگ‌ها را تقویت و درعین‌حال پس‌زمینه را یکنواخت‌تر می‌کند. درنهایت روش پیشنهادی را روی مجموعه تصویرهای استاندارد آزمایش و با سایر روش‌ها مقایسه می‌کنیم. نتایج الگوریتم پیشنهادی، هم به‌صورت کمی و هم به‌صورت کیفی بررسی‌شده‌اند. کد برنامه نیز برای بازتولید نتایج در دسترس قرار داده‌ شده است.

در این مقاله، به‌منظور پرس و جو از یک دیتاست تصویری از یک شبکه عصبی پس انتشار خطا، استفاده می‌شود. پس از آموزش شبکه عصبی، کلمه مورد پرس و جو دریافت شده و شبکه عصبی تمام تصاویر موجود را پویش می‌نماید و میزان تطابق آن‌ها را با متن مورد پرس و جو مشخص می‌نماید. سپس به‌کمک مفاهیم مجموعه‌های فازی، مواردی که دارای بیشترین تطابق با متن پرس و جو باشد بعنوان نتیجه پرس و جو برگردانده می‌شود. به‌منظور تعیین ویژگی از یک الگوریتم ابتکاری قابل رقابت با SVM استفاده شده است.

در تیم‌های رباتیک خودمختار در کاربردهای دنیای واقعی لازم است عامل‌ها برای رسیدن به بیشترین سود باهم همکاری کنند. تصمیم‌گیری و چگونگی عملکرد و همکاری آنان با هم به دلیل پویا بودن محیط، پیوستگی برخی از پارامترها، غیرقطعی بودن محیط و ناشناخته بودن هم‌تیمی‌ها فرایندی پیچیده محسوب می‌شود. در این مقاله مأموریت نظارت پهپادها به عنوان یک سیستم چندعامله در دنیای واقعی و مسأله تصمیم‌گیری برخط عامل‌ها در شرایطی که اعضای تیم و محیط به طور کامل شناخته شده نیستند، مطرح شده و با کمک مدل مارکوف به صورت متمرکز روشی برای تصمیم‌گیری بهینه عامل‌ها در تیم ارائه شده است. آزمایش‌های انجام شده نشان می‌دهند این روش تصمیم‌گیری که مبتنی بر دانش آموخته شده قبلی عامل‌ها است، عملکرد تیم را در محیط ناشناخته بهبود می‌دهد.

در سال‌های اخیر و با رشد روز افزون داده‎ها، حجم انبوهی از داده‎ها ذخیره و نگه‎داری می‌شوند که تمام این داده‌ها جهت استفاده مجدد مورد نیاز نخواهند بود. یکی از روش‎های کاهش حجم داده‎های تکراری و کم اهمیت، روش انتخاب ویژگی‎های مهم می‌باشد. این مقاله با استفاده از الگوریتم بهینه‎سازی کلونی مورچگان که به عنوان یک روش ابتکاری مطرح است، به دنبال کاهش ابعاد مجموعه‎داده‎ها با حفظ عملکرد اولیه داده‎ها می‌باشد. از روش Wrapper و شبکه عصبی برای انتخاب ویژگی‎ها استفاده شده است. در این مقاله محاسبه فاصله ویژگی‎ها (η) با دو روش SUFC و SUFF انجام خواهد شد. نتایج نشان‏ دهنده عملکرد مناسب الگوریتم در مجموعه ‎داده‎های بزرگتر می‌باشد.

خطاهای حاصل از بازشناسی گفتار عامل مهمی در کاهش کارایی خلاصه‌سازی گفتار است. هدف این مقاله انجام خلاصه‌سازی بدون استفاده از سیستم بازشناسی خودکار گفتار (ASR) است. با توجه به مفید بودن واحدهای مبتنی بر واج در خلاصه‌سازی بی‌نظارت در تحقیقات گذشته، به‌جای ویژگی‌های مبتنی بر کلمه از ویژگی‌های مبتنی بر n-گرم واجی برای خلاصه‌ساز بانظارت استفاده شد که نیازی به سیستم بازشناسی گفتار ندارند. همچنین تاثیر استفاده از ویژگی‌های مستقل از ASR برای خلاصه‌سازی بانظارت در حوزه اخبار مورد بررسی قرار گرفت و کارایی ویژگی‌های مختلف مقایسه و سپس ویژگی‌هایی با بیشترین کارایی برای آموزش طبقه‌بندی کننده انتخاب شدند. نتایج ارزیابی روی پیکره اخبار فارسی نشان‌دهنده‌ی موثر بودن ویژگی‌های مستقل از ASR و فرآیند انتخاب ویژگی 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.

به علت مقیاس بندی روزافزون فناوری CMOS، خطاهای نرم ناشی از برخورد ذرات پرانرژی یک نگرانی جدی برای قابلیت اطمینان مدار‌های مجتمع امروزی به شمار می‌روند. طراحان مدار‌های دیجیتال قصد دارند تا مدار را از لحاظ کارایی، مساحت و نرخ خطای نرم به طور همزمان بهینه نمایند. اما بهینه‌سازی مدار برای نرخ خطای نرم به طور بالقوه با هزینه و کارایی در تناقض می‌باشد، یعنی کمینه‌سازی نرخ خطای نرم با افزایش سربار مساحت و تأخیر همراه است. بنابراین، رویکردهای بهینه‌سازی باید موازنه‏ بین نرخ خطای نرم، مساحت و کارایی را مدنظر قرار دهند. در این مقاله، یک رویکرد اندازه‌گذاری دروازه مبتنی بر برنامه‌ریزی خطی دو هدفه ارائه شده است تا ضمن کنترل سربار مساحت و تأخیر، نرخ خطای نرم مدار را کمینه نماید. نتایج حاصل از شبیه‌سازی‌ها بر روی مدارهای محک ترکیبی ISCAS’85 نشان می‌دهد که الگوریتم پیشنهادی بدون از دست دادن کارایی و با سربار مساحت ۱۲٪ نرخ خطای نرم را به طور میانگین ۴۳٪ کاهش داده است.

شبکه‌های حسگر بی‌سیم مجموعه‌ای از گره‌های حسگر کوچک هستند که هر یک از آن‌ها توانایی جمع‌آوری اطلاعات از محیط پیرامون خود و ارسال آن‌ها به یک ایستگاه پایه را دارند. یکی از عوامل موثر در بقای شبکه، محدود بودن انرژی موجود در این گره‌های حسگر می‌باشد. پروتکل‌های خوشه‌بندی یک رویکرد کارآمد برای تعدیل بار بین گره‌های حسگر و افزایش طول عمر شبکه هستند. با خوشه‌بندی داده‌های ارسالی، گره‌های درون خوشه توسط سرخوشه تجمیع شده و به ایستگاه پایه ارسال می‌شوند. با این حال، این پروتکل‌ها انتخاب مناسب‌ترین گره جهت سرگروه شدن را تضمین نمی‌نمایند. بدین منظور، در این مقاله یک الگوریتم جدید برمبنای الگوریتم‌های خوشه‌بندی و مسیریابی‌های چندگامه ارائه شده است. الگوریتم پیشنهادی با مکانیزمی خاص محیط شبکه حسگر را لایه‌بندی میکند و در هر لایه تعداد بهینه سرخوشه‌ها را مشخص کرده و سپس با استفاده از الگوریتم فراابتکاری PSO بهترین گره‌ها را برای سرخوشه شدن انتخاب می‌نماید. نتایج شبیه‌سازی الگوریتم پیشنهادی در محیط‌های مختلف با تعداد گره‌های متفاوت، نشان می‌دهد که الگوریتم پیشنهادی از نظر افزایش طول عمر شبکه نسبت به پروتکل‌های LEACH و ELEACH به طور میانگین حدود 40 درصد عملکرد بهتری داشته است.

امروزه شرکت‏ها، سازمان‏ها، مؤسسات و ارگان‏های مختلف بعضاً خدمات یکسانی را از طریق درگاه‏های مختلف ارائه می‏دهند تا شهروندان با توجه به دسترسی‏های دلخواه خود، از سرویس‏ موردنظر استفاده نمایند. با توجه به گسترش فناوری‏های نوین در عرصه‏ ارتباطات و رشد جمعیت کلان‏شهرها و همچنین آسان‏سازی جهت استفاده شهروندان از خدمات شهری، لزوم ایجاد بسترهای مختلف در ارائه خدمات شهری با صرف کمترین هزینه زمانی و کاهش سفرهای درون‌شهری همواره از مهم‌ترین دغدغه‏های مدیریت کلان‏شهرها بوده است. در این بین نقش خدمات الکترونیک در رفاه حال شهروندان و همچنین کنترل، مدیریت و نظارت دقیق نهاد مسئول بر خدمات ارائه‌شده بسیار مهم بوده که در سال‏های اخیر به این امر توجه بیشتری شده است. معرفی شهر هوشمند، آشنایی با خدمات الکترونیک، توسعه صنعت پرداخت، سرویس‏های الکترونیکی شهرداری تهران و نگاهی بر آمار و ارقام میزان استفاده شهروندان از خدمات غیرحضوری از مهمترین مواردی است که در این مقاله به آن خواهیم پرداخت.

اینترنت اشیا یکی از فناوری‌های جدید است که کاربرد‌های سامانه‌های کامپیوتری را به کوچک‌ترین اشیای دنیای پیرامون گسترش خواهد داد. این کاربرد‌ها همگی بر پایه‌ی اتصال اشیا به شبکه‌ی جهانی اینترنت و ارتباط آن‌ها با یکدیگر میسر خواهند شد. حجم عظیم دستگاه‌ها در کاربرد‌هایی هم‌چون هوشمند‌سازی محیط شهری، مدیریت ترافیک، نظارت بر مصارف خدمات شهری و ... نیاز جدی این زمینه به چارچوب‌هایی برای مدیریت و هماهنگی دستگاه‌های حاضر در شبکه را آشکار می‌کند. پیش‌نیاز ایجاد ارتباط خودکار بین دستگاه‌ها در اینترنت اشیا، کشف و شناسایی دستگاه‌های حاضر در شبکه است. بر این اساس، دستگاه‌ها و برنامه‌های کاربردی باید قادر باشند نیازمندی‌های خود را در قالبی استاندارد به اطلاع دیگر دستگاه‌ها رسانده و نتیجه‌ی درخواست خود را به درستی دریافت کنند. به این منظور، سکوهای اینترنت اشیا، همگی نیازمند چارچوبی برای کشف دستگاه‌های شبکه هستند. در این مقاله، ابتدا یک دسته‌بندی‌ برای چارچوب‌های کشف منابع ارائه می‌شود و سپس با مروری بر کار‌های انجام شده، نقاط قوت و ضعف موجود در این زمینه آشکار می‌گردند.

استفاده از پردازش ابری در فناوری اینترنت اشیا، سهم به‌سزایی در گسترش این فناوری داشته است. در حال حاضر کاربردهایی نظیر واقعیت مجازی و افزوده وجود دارند که تاخیر پردازش به واسطه استفاده از ابر مرکزی، حداقل نیازمندی‌های آنها را در برخی شرایط ارضا نمی‌کند. پردازش لبه رویکرد جدیدی در اینترنت اشیا است که در سال‌های اخیر برای کم کردن بار پردازشی ابر مرکزی، کاهش تاخیر زمان پاسخ، کاهش ازدحام شبکه گسترده، کاهش توان مصرفی و در برخی از کاربردها برای کاهش هزینه‌های اقتصادی ارائه شده است. در این مقاله برآنیم برخی رویکردهای مختلف برای پیاده‌سازی پردازش لبه اعم از تکه‌ابر، پردازش مه و پردازش لبه‌ای متحرک را بررسی نماییم. همچنین معماری، مزایا، چالش‌ها و مسائل امنیتی در پژوهش‌های اخیر در حیطه پردازش لبه بررسی می‌شود.

این مقاله روشی برای مقاوم کردن شبکه روی تراشه در برابر خرابی آرام داده (SDC) ارائه می‌کند. برای اعمال این روش 3 مرحله وجود دارد: 1) ارزیابی خطای SDC برای شبکه روی تراشه معمولی و شناسایی خطاهای مخرب SDC 2) ارائه روشی برای کاهش و مقابله با خطاهای SDC، 3) ارزیابی کارایی روش ارائه شده بر اساس چندین آزمایش تزریق اشکال مبتنی بر شبیه‌سازی. در این روش برای کشف خطا از دوگانه سازی ثبات‌هایی که طی آزمایشات مشخص شد، که از حساسیت زیادی برخوردارند و xor کردن آن‌ها با ثبات کنترلی checksum استفاده می¬شود. در مجموع 10000 خطای نرم به بخش‌های ترکیبی و ترتیبی کد VHDL شبکه روی تراشه معمولی تزریق می‌شود. نتایج نشان می‌دهد که % 12/31 از اشکالات SET در بخش‌های ترکیبی و % 47/34 از اشکالات SEU در بخش‌های ترتیبی در شبکه منجر به خرابی SDC می‌شوند. نتایج ارزیابی شبکه مقاوم شده، نشان می‌دهد که نرخ خرابی در بخش‌های ترکیبی و ترتیبی به ترتیب % 90/20 و % 80/13 رسیده است. سربار سخت‌افزار روش مطرح شده برای بخش‌های ترکیبی و ترتیبی به ترتیب % 66/0 و % 95/5 است. توان مصرفی بخش‌های ترکیبی و ترتیبی به‌ترتیب % 50/2 و % 75/8 افزایش یافته است.

در سال‌های اخیر شبکه‌های اجتماعی محبوبیت بالایی میان کاربران اینترنت یافته است و به همین دلیل مطالعات زیادی در زمینه تحلیل شبکه‌های اجتماعی انجام شده است. یکی از موضوعات مهم در تحلیل شبکه‌های اجتماعی، بررسی انتشار اطلاعات است. در این زمینه فرض می‌شود که رفتار کاربران تحت تاثیر دیگر کاربران شبکه اجتماعی است. مدل‌های مختلفی برای شبیه‌سازی و تحلیل نحوه انتشار اطلاعات در شبکه‌های اجتماعی طراحی شده است. در این مقاله، ما به بررسی مساله یادگیری احتمالات انتشار برای مدل آبشاری مستقل می‌پردازیم. در ابتدا اهمیت موضوع را بیان می‌کنیم، سپس روش جدیدی برای حل این مساله بر پایه طراحی معادله‌ای برای تخمین احتمال انتشار هر یال، پیشنهاد می‌کنیم. همچنین بهبودی بر روش پیشنهادی به هنگام عدم وجود داده کافی برای یادگیری احتمال انتشار، ارائه می‌گردد. سپس روش پیشنهادی را به کمک چند مجموعه داده ارزیابی کرده و نتایج حاصل از آن را ذکر می‌کنیم. همچنین روش ارائه شده در این مقاله با دیگر روش‌ها از نظر میانگین خطای مطلق و زمان اجرا مقایسه شده است.

اینترنت اشیا (IoT) یک فنآوری در حال ظهور است که کنترل از راه دور شبکه‌های ناهمگن را ممکن می‌سازد و چشم انداز خوبی در کاربردهای صنعتی دارد. به‌عنوان یک زیرساخت مهم، شبکه‌های حسگر بی‌سیم یک نقش مهم را در اینترنت اشیای صنعتی بر عهده دارد. با توجه به محدودیت منابع گره‌های حسگر، طراحی طرح احراز هویت متعادل جهت تامین امنیت و کارایی در شبکه‌های حسگر بی‌سیم یک چالش بزرگ در برنامه‌های اینترنت اشیا است. در این زمینه تاکنون طرح‌های زیادی ارائه شده است. اما متاسفانه هیچ کدام از این طرح‌ها خالی از ایرادهای امنیتی نبوده‌اند و نتوانسته‌اند به طور کامل امنیت مورد نیاز کاربردهای مختلف را تامین نمایند. در سال2017، طرحی توسط Khemissa et al. ]7[ برای احراز هویت کاربران و گره‌های حسگر در شبکه‌های حسگر بی‌سیم ارائه شده است، اما متاسفانه در این مقاله ما نشان می‌دهیم که طرح احرازهویت شبکه‌های بی‌سیمKhemissa et al. در مقابل حملات از هم زمانی خارج کردن و حملات جعل هویت کاربر و جعل هویت گره دروازه آسیب‌پذیر است. احتمال موفقیت حملات ارائه شده در این مقاله برابر یک و پیچیدگی آن‌ها تنها یک‌بار اجرای طرح است.

احساس با خلق و خوی افراد مرتبط است به همین دلیل تشخیص آن نقش مهمی در طبیعی‌سازی ارتباط میان انسان و ماشین دارد. تشخیص احساس از روی گفتار کاربردهای زیادی دارد که از مهمترین آن‌ها می‌توان به ارتباط عاطفی میان انسان و ربات اشاره کرد. از چالش‌های اساسی در در زمینه پردازش گفتار می‌توان به بالا بودن بُعد ویژگی‌ و کم بودن نمونه‌های آموزشی اشاره کرد که باعث بیش برازش داده‌ها و کاهش کارایی سیستم می‌شود. از این رو انتخاب ویژگی‌های مناسب نقش مهمی در کارایی سیستم و کم‌شدن محاسبات دارد. در این مقاله از روش انتخاب ویژگی با ناظر با در نظر گرفتن همبستگی بین ویژگی‌ها و برچسب کلاس‌ها استفاده شده است. علاوه بر آن از تاثیرات ویژگی‌هایی که دارای اطلاعات متفاوت هستند نیز استفاده شد. در عین حال که این ویژگی‌ها اطلاعات کمی را در بردارند، اما به افزایش کارایی کمک می‌کنند. چهار روش همبستگی کانونی، پیرسون، اسپیرمن و کندال و دو روش کاهش بُعد PCA و LDA در نظر گرفته شد. در این مقاله از دادگان برلین که در حوزه‌ی پردازش حالت گفتار بسیار معروف است، استفاده شد. نتایج نشان می‌دهد که استفاده از روش انتخاب ویژگی با ناظر و کاهش بُعد ویژگی‌های انتخاب شده و همچنین استفاده از تاثیرات ویژگی‌هایی با اطلاعات متفاوت کارایی را افزایش می‌دهد.