انجمن کامپیوتر ایران

با توجه به حجم وسيع اطلاعات و نرخ بالاي پرسوجو و جريان داده که امروزه با آن مواجه هستيم، نمايهگذاري به عنوان راهحلي براي مبارزه با پيچيدگي ذاتي بازيابي متن و تسريع امر بازيابي اطلاعات در ميان شمار زيادي از زبانهاي مختلف مورد توجه قرار گرفته است. نمايهگذاري وب فرآيند فيلتر اطلاعات دنياي وب است و نمايهگذار پالاينده اطلاعات آن. زبان فارسي يکي از پرکاربردترين زبان‌هاي خاورميانه است که در کشورهايي نظير ايران، افغانستان و تاجيکستان صحبت مي‌شود. بنابراين ميزان زيادي از اسناد موجود در وب به زبان فارسي هستند، اما متاسفانه تلاش‌هاي محدودي در زمينه بازيابي اين اسناد صورت گرفته است. در اين مقاله راهکاري مناسب جهت بازيابي اسناد فارسي با استفاده از‌ نمايه‌گذاري چند‌-وزني و با تکنيک توزيع‌شدگي ارائه شده است. نمايهگذاري چند-وزني به عنوان روشي براي پاسخگويي کاراتر به پرسوجوها مورد توجه قرار گرفته و کيفيت بازيابي اطلاعات را به طور چشمگيري افزايش ميدهد. به منظور حل مشکل سرعت پايين نمايه¬گذاري چند¬-وزني، به طراحي سيستم نمايه‌گذاري چند-وزني توزيع شده مورد استفاده در سيستم‌هاي بزرگ با دادگان بسيار زياد براي زبان فارسي پرداختيم و با مقايسه اين روش با ساير روش‌ها به نتيجه بهتري هم از نظر سرعت بازيابي و هم از نظر کيفيت اسناد بازيابي شده رسيديم.

انتخاب بهترین مجموعه آزمون از بین مجموعه آزمون های مختلف، تأثیر زیادی روی کاهش توان و زمان بکارگیری آزمون دارد. روشهای پیشین انتخاب مجموعه آزمون، به دو معیار کاهش توان و زمان بکارگیری آزمون بصورت جداگانه پرداخته‌اند. در این مقاله دو معیار کاهش توان و زمان بکارگیری آزمون بصورت همزمان در نظرگرفته شده و روش جدیدی ارائه شده است. نتایج شبیه‌سازی روی محک‌های ISCAS 85 بهبود مصرف توان و زمان بکارگیری آزمون را نشان می‌دهد.

شبکه‌های کامپیوتری علیرغم منافعی از قبیل اشتراک منابع، خطراتی را نیز در خصوص امنیت سیستم‌های کامپیوتری به همراه می آورند. از آنجا که ساخت سیستم‌های بدون نقص کاری غیر ممکن به نظر می‌رسد و از طرفی خطای انسانی در پیکربندی سیستم‌ها همیشه وجود داشته است، نیاز به سیستم‌های تشخیص نفوذ به شدت احساس می‌شود. در این مقاله طراحی و پیاده‌سازی یک سیستم تشخیص نفوذ با استفاده از مدل مخلوط گوسی بیان شده است. تکنیک مدل مخلوط گوسی یک روش یادگیری از نوع مولد و احتمالاتی می‌باشد. در این روش، هر یک از دسته‌های ورودی به تنهایی و بدون مقایسه با سایر دسته‌ها، مدل می‌شود. در این روش سعی می‌شود تا توسط مجموعه‌ای توابع توزیع احتمال گوسی که آنها را مخلوط‌های گوسی می نامیم، بهترین توزیع احتمال ممکن برای هر دسته ساخته شود. استفاده از این تکنیک امکان آموزش هر یک از دسته‌ها بدون نیاز به آموزش و تغییر در سایر دسته‌ها را فراهم می‌سازد. آزمایشات انجام شده نشان می‌دهد که این روش در دسته‌هایی که تعداد داده آموزشی زیادی دارند، از کارایی خوبی برخوردار است.