انجمن کامپیوتر ایران

حملات فیشینگ به گونه‌ای از حملات گفته می‌شود که در آن تلاش می‌شود یک کاربر به صفحات تقلبی از وب‌سایت‌های مهم و پرکاربرد هدایت شود. صفحات جعلی در بسیاری از موارد، بسیار شبیه به صفحات اصلی می‌باشند و همین موضوع می‌تواند کاربران را با مشکلات مختلفی مواجه سازد. به عنوان مثال ممکن است برای دست‌یابی به اطلاعات ایمیل، یک کاربر به صفحه‌ی ورود جعلی از جی‌میل یا یاهومیل هدایت شود. تشخیص به موقع این‌گونه حملات به منظور حفظ حریم خصوصی و نیز افزایش امنیت افراد در تراکنش‌های مالی آنلاین، یکی از چالش‌های اخیر است. در این مقاله یک روش مبتنی بر شبکه عصبی خودرمزنگار به منظور استخراج ویژگی موثر و طبقه‌بندی حملات فیشینگ اینترنتی معرفی شده است که در این روش، برای هر کلاس یک شبکه‌ی خودرمزنگار به منظور استخراج ویژگی، به صورت غیرنظارتی آموزش داده می‌شود تا هر شبکه بتواند ویژگی‌های هر کلاس را به صورت موثر استخراج کند. پس از آن، به کمک تابع بیشینه‌ی هموار، هر دو شبکه به صورت نظارتی و به کمک داده‌های آموزشی، آموزش داده می‌شوند. نتایج بدست آمده به خوبی نشان می‌دهند که روش بکار گرفته شده قادر است دقت بالاتری نسبت به روش پرسپترون چند لایه و دیگر روش‌های طبقه‌بندی فراهم آورد.

مسأله بازشناسی رشته ارقام دست‌نویس به دليل اهميت کاربرد آن طی سال‌های اخیر به یک موضوع تحقیقاتی جذاب در حوزه تحقیقات دانشگاهی و صنعت تبدیل شده‌ است. این مسأله را می‌توان حالت محدود‌تر مسأله بازشناسی متن دست‌نوشته دانست چرا که ليست واژگان آن تنها محدود به ارقام است. با این حال این مسأله چالش‌های متفاوتی نسبت به بازشناسی متن دست ‌نوشته دارد. در این مسأله معمولا بکارگيری مدل زبانی به منظور بهبود دقت بازشناسی چندان موثر و کارا نيست. در این مقاله، یک مدل انتها-به-انتها که تماماً مبتنی بر لایه‌های پیچشی است برای حل این مسأله پیشنهاد داده شده است. همچنین در این مدل پیشنهادی از معماری لایه پیچشی دروازه‌ای بهره برده‌ایم. برای ارزیابی مدل پیشنهادی، به لحاظ منصفانه بودن مقایسه نتایج ما با نتایج ارائه شده توسط پژوهش‌های پیشین، از مجموعه دادگان‌ ORAND CAR_A و ORAND CAR_B و معیارهای ارزیابی که در مسابقه ICFHR 2014 معرفی‌ شده‌اند، استفاده کرده‌ایم. است. دقت نتایج حاصل از اجرای مدل پیشنهادی بر روی دادگان‌های ORAND CAR_A و ORAND CAR_B به ترتیب برابر 94.53% و 94.94% است.

امروزه کیفیت و اطمینان‌پذیری برنامه‌های کاربردی وب به دلیل استفاده گسترده آنها توسط کاربران باید از جنبه‌های گوناگونی مانند امنیتی و کارکردی مورد ارزیابی و آزمون قرار بگیرد. استخراج رفتار برنامه‌های کاربردی وب در ارزیابی کیفیت آنها بسیار مهم است. استخراج رفتار به صورت دستی دشوار و هزینه‌بر است. همچنین روش‌های خودکار برای استخراج رفتار به دلیل بزرگ بودن فضای حالت برنامه‌های کاربردی وب و زمان محدود قادر به پوشش کامل رفتار آنها نیستند. بنابراین روش‌های خودکار برای استخراج رفتار برنامه‌های کاربردی وب با چالش پوشش مناسب کارکردهای این برنامه‌ها در فضای حالت بسیار بزرگ آنها و در زمان محدود روبرو هستند. این پژوهش یک روش بر پایه یادگیری تقویتی برای استخراج رفتار برنامه‌های کاربردی وب ارائه می‌دهد. به بیانی دیگر روش پیشنهادی بر پایه یادگیری تقویتی به تعامل با برنامه کاربردی وب می‌پردازد. در این تعامل، رفتار برنامه کاربردی وب به تدریج، استخراج و کارکردهای آن پوشش داده می‌شود. اثربخشی روش پیشنهادی بر روی چندین برنامه کاربردی وب مورد بررسی قرار گرفته است. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی در استخراج رفتار برنامه‌های کاربردی وب موفق است و به پوشش بیشتری از کارکردهای برنامه‌های کاربردی وب در استخراج رفتار آنها می‌رسد.

با پيشرفت تکنولوژي، طراحي و ساخت مدارهاي بسيار مجتمع در ابعاد نانو با چالش‏هاي زيادي روبه‏رو شده است. بررسي پارامتر تحمل‏پذيري در برابر اشکال‏هاي زماني، گامي موثر در طراحي مدارات قابل اطمينان و با بازده بالا در تکنولوژي نانو مي‏باشد. اين مقاله چگونگي تاثير تغييرات زماني را ، بر روي مدارات ناهمگام شبه غير حساس به تاخير(QDI) مبتني بر الگو، بررسي مي کند. در اين مقاله دو الگوي شناخته شده که بطور گسترده اي در طراحي مدارات ناهمگام مبتني بر الگو کاربرد دارند، در نظر گرفته شده و تحمل‏پذيري و قابليت پايداري اين دو الگو در برابر تغييرات زماني مورد بررسي قرار گرفته است. ساختارهاي متعددي از اين الگوها در زبان توصيف سخت افزار پياده سازي شده اند. شبيه سازي گسترده مونت کارلو، انتخاب يکي از اين الگوها را به عنوان مدار تحمل‏پذيرتر تحت تغييرات زياد زماني پيشنهاد مي‏دهد. به عبارت ديگر، هنگام طراحي مدارات ناهمگام QDI در ابعاد نانو، مي‏توان با توجه به مطالعات انجام گرفته، بين کارآيی مدار و پايداري آن در برابر تغييرپذيری زماني موازنه مناسبي برقرار نمود.

در رويکردهاي حاشيه‌نويسي موجود اغلب از ويژگي‌ مبتني بر نواحي تصوير استفاده مي‌شود. اين نواحي معمولاً به صورت مستطيل‌هاي يکسان و يا اشکال شئ مانندي هستند، که با کمک الگوريتم‌هاي قطعه بندي توليد مي‌شوند. قطعه‏بندي تصوير فرايندي پرهزينه و زمانبر است. بعلاوه، نتايج الگوريتم‌هاي قطعه‌بندي موجود با خطاي بسيار همراه است و تاثيرات مخربي بر کارايي حاشيه‌نويسي دارد. از سوي ديگر، نواحي مستطيلي به تنهايي انتخاب مناسبي براي کار حاشيه‌نويسي تصوير نيستند، زيرا در مقابل تبديلات و تغييرات متداول روي تصوير مقاوم نمي‌باشند. در اين مقاله، يک رويکرد حاشيه‌نويسي مبتني بر اطلاعات برجستگي‌هاي تصوير پيشنهاد شده است. نواحي برجسته تصوير در مقابل تغييرات متداول روي تصوير مقاومند و استخراج آنها هزينه‌بر و همراباخطا نيست. در رويکرد پيشنهاد شده اطلاعات بلوک‌ها و نواحي برجسته تصوير ترکيب شده است. آزمايشات نشان مي‌دهند، که رويکرد پيشنهادي از دقت و کارايي خوبي در حاشيه‌نويسي تصوير برخوردار است.

امروزه، در بيشتر موارد انجام آزمايش‌ها در جوامع انساني كاري غيرعملي و يا غيراخلاقي است و مواردي همچون صحنه‌نبرد، آزمايش مدل‌ها،تئوري‌ها و سناريوهاي ارائه‌شده، مستلزم هزينه‌هاي جاني و مالي زيادي خواهد بود. از اينرو توسعه محيط‌هاي شبيه‌سازي، رويكرد رايج براي بررسي سناريوهاي مختلف است. شبيه‌سازي، به پژوهشگران امكان‌مي‌دهد تا مدل‌ها و تئوري‌هاي خود را با پارامترهاي مختلف و از زواياي متفاوت، بررسي و ارزيابي‌كنند. رويكرد شبيه‌سازي نرم‌افزاري، جايگزين مناسب و در برخي موارد، تنها راه ممكن براي بررسي سناريوها در صحنه‌نبرد است. در اين رويكرد، صحنه نبرد در قالب يك سيستم چندعاملي شبيه‌سازي و بررسي‌مي‌شود كه نرم‌افزارهاي اين حوزه را شبيه‌ساز عامل‌پايه(ABD) مي‌نامند. در اين مقاله، معماري براي شبيه‌ساز صحنه نبرد مبتني بر سه مفهوم اصلي عامل، شبكه و فرايند شناختي طراحي‌شده‌است. اين سه مفهوم منطبق بر چارچوب مفهومي كاپرا است كه براساس رويكردهاي نوين شناختي ارائه‌شده‌است. معماري پيشنهادي به صورت يك نرم‌افزار شبيه‌ساز با استفاده از زبانMATLAB، پياده‌سازي‌شده و قابليت‌هاي تشخيص استراتژي با توجه به پراكندگي عامل‌ها در صحنه نبرد و رفتار انطباقي عامل‌ها در حركت، توسط اين نرم‌افزار مورد بررسي و ارزيابي قرار‌گرفته‌است. نتايج اين شبيه‌سازي، مي‌تواند پيش از اعمال استراتژي‌ها در دنياي واقعي، مورداستفاده‌قرارگيرد.

در اين مقاله، روش جديدي در بهينه¬سازي چند هدفه مبتني بر الگوريتم جستجوي گرانشي به نام الگوريتم جستجوي گرانشي چند هدفه (MOGSA) ارائه مي¬شود. روش MOGSA از «بهينگي پَرِتو» براي شناسايي موقعيت¬هاي «غير غالب» و از يک «مخزنِ بيروني» براي نگهداري اين موقعيت¬ها استفاده مي¬کند. براي اطمينان از صحت عملکرد روش ارائه شده در مواجه با مسائل بهينه¬سازي چند هدفه، آن را بوسيله چندين تابع استاندارد معتبر مورد آزمايش قرار مي¬دهيم. نتايج نهايي نشان از رقابت تنگاتنگ روش پيشنهادي با ديگر الگوريتم¬هاي بهينه¬سازي چند هدفه رايج دارد، از اينرو مي¬توان ادعا کرد روش MOGSA بستر جديدي از تحقيقات را فرا روي محققين قرار داده است.

شناسايي رابطه تقابل در گفتمان به توانائي توليد و درک گفتمان کمک مي¬کند و در سيستم¬هاي متعددي مانند خلاصه¬ساز، تفسير و... کاربرد دارد. اين رابطه در يک گفتمان مي¬تواند به کمک نقش¬نماهاي خاص رابطه تقابل مانند "اما" و "ولي" شناسايي شود؛ اما در بعضي موارد اين نقش¬نماها حذف مي¬شوند و شناسايي رابطه را با مشکل مواجه مي¬کنند. به همين علت به منظور شناسايي اين رابطه، از ويژگي¬هاي زمان فعل¬ها، جفت کلمات، وجود يا عدم وجود شناسه¬هاي اعداد در دو قسمت متني اطراف نقش¬نما، فعل¬ها و کلمات منفي در يک طرف نقش¬نما و در طرف ديگر و عبارات دو و سه کلمه¬اي پرکاربرد در رابطه تقابل، استفاده شد. در اين مقاله پس از گردآوري 5000 نمونه رابطه تقابل و 5000 نمونه ساير روابط از مجموعه داده پژوهشکده هوشمند علائم، براي هر نمونه بردار ويژگي تشکيل داده شد. و در نهايت براي دسته-بندي و تشخيص رابطه تقابل از ماشين بردار پشتيبان (SVM) استفاده شد. ميزان صحت دسته¬بند 84.95 در بهترين حالت است.

دو الگوريتم اکتشافي براي حفظ حريم خصوصی در کاوش سودمندي

هدف از این مقاله ارائه روشی برای تشخیص خودکار خطاهای موجود در سیستم‌های نرم‌افزاری با حداکثر دقت ممکن و حداقل نیاز به بررسی دستی کد برنامه است. راه کارهایی که تاکنون برای رسیدن به این هدف، ارائه شده‌اند سعی دارند با مقایسه اطلاعات زمان اجرای برنامهها در اجراهای موفق و ناموفق و در نقاط خاصی از برنامه که تعیینکننده نام دارند، نقاط مظنون به خطا را به برنامه نویس معرفی کنند. اما مشکل اصلی این است که تحلیل اطلاعات زمان اجرا در نقاط تعیینکننده بدون در نظر گرفتن وابستگیهای موجود بین تعیینکنندهها، منجر به عدم توانایی این روشها در کشف برخی از انواع خطاها خواهد شد. برای رفع این مشکلات در این مقاله راه کاری نوین بر مبنای تحلیل رفتارهای زمان اجرای برنامه ها در قالب مسیرهای اجرایی و با در نظر گرفتن تعاملات بین تعیینکنندهها، ارائه شدهاست. بدین منظور از یک روش تحلیل خوشهبندی به منظور تشخیص نزدیکترین اجراهای موفق و ناموفق جهت تعیین محل خطا، استفاده شدهاست. ارزیابی راهکار پیشنهادی بر روی مجموعهای از برنامه های واقعی، موفقیت روش پیشنهادی را در کشف دقیقتر خطاها نسبت به روش‌های پیشین نشان میدهد.

راستی¬آزمایی نرم¬افزارهای زمان¬واقعی با دو مسئله مواجه است: (1) چگونه قوانین راستی¬آزمایی تولید کنیم و (2) چگونه آنها را برای راستی-آزمایی توصیف مسئله به کار ببریم. ما در این مقاله روشی را ارائه می¬دهیم تا به وسیله آن به حل این دو مسئله برای سیستم¬هایی که با ماشین حالت زماندار توصیف می¬شوند، بپردازیم. در قدم اول، گزاره¬های منطقی زمان واقعی را از توصیف¬ مسئله به دست می¬آوریم. در قدم دوم، قیود ایمنی را از گراف حالات ماشین حالت زماندار توصیف مسئله به دست می¬آوریم و در قدم سوم این قیود را به گزاره¬های منطقی زمان واقعی تبدیل می¬کنیم. این گزاره¬ها که قیود ایمنی را نشان می¬دهند برای راستی¬آزمایی گزاره¬های حاصل از توصیف که در قدم اول به دست آمده¬اند، به کار گرفته می¬شوند. برای نشان¬دادن عملی¬بودن روش¬مان، مسئله سیستم زمان¬واقعی تقاطع جاده و راه¬آهن را مطرح می¬کنیم و روش¬مان را برای آن به کار می¬بریم.

در اين مقاله برای زمان‌بندي بار محاسباتي تقسيم‌پذير با درنظرگرفتن توأم بازگشت نتايج و محدودیت حافظه، یک مدل ریاضی و حل آن، ارائه شده است. يكي از اهداف زمان‌بندي در اين‌گونه سيستم‌ها، كمينه‌سازي زمان كل پاسخ است. تاكنون الگوريتمی معين با پيچيدگي زماني چند جمله‌اي كه بتواند در تمام حالت‌ها جواب بهينه را توليد كند، براي این منظور ارائه نشده است. اين مساله مانند مسائل تركيباتي، پيچيده به نظر مي‌رسد و راه حل‌هاي موجود برای آن، راه حل‌هاي ابتكاري است. در اين مقاله، مدل پیشنهادی با استفاده از روش توابع پرکننده و انشعاب و تحدید، حل شده است. با انجام شبيه‌سازي و مقايسه نتايج مشاهده مي‌شود كه این راه حل‌ها‌، در مقایسه با ساير روش‌هاي موجود جواب‌هاي بهتري توليد مي‌كنند. در ميان روش‌هاي موجود، الگوريتم‌ پيشنهادي از ميانگين كل درصد خطاي نسبي كمتري برخوردار است.