انجمن کامپیوتر ایران

گريد نسل جديدي از شبكه‌هاي توزيع يافته است و همانند اينترنت به‌ كاربران خود اجازه مي‌دهد فايل‌ها را به ‌اشتراك بگذارند. علاوه بر اين، منابع مشتركي از اطلاعات را براي استفاده‌كنندگان فراهم مي‌كند. با عنايت به ويژگي‌هاي خاص محيط گريد، نظير پويايي بالا و ناهمگوني منابع و اعضاي اين شبکه، چالش‌هايي در اين بستر رايانشي مطرح مي‌باشد. يکي از چالش‌هاي اصلي در محيط‌هاي گريد، کشف منابع است. هدف اکتشاف منابع، شناسايي ليستي از منابع در دسترس، جهت واگذاري به کارها مي‌باشد. در اين مقاله، با استفاده از اختصاص دادن اعداد اول به‌ عنوان وزن گره‌هاي درخت، الگوريتم جديدي ارائه شده است که در آن، چندين شبکه با ساختار داخلي سلسله‌مراتبي با روش ابر گره، با هم در ارتباط هستند. نتايج حاصل از آزمايشات و مقايسه آنها با روش‌هاي مرتبط اخير، حاکي از بهبود روش پيشنهادي از نظر تعداد گره‌هاي ملاقات شده در حين روند جستجو تا 50% ، مقياس پذيري و کاهش بار پردازشي ناشي از محاسبه وزن يال‌هاي درخت است.

هدف سامانه‏ هاي پرسش و پاسخ بصري دريافت يک تصوير و يک سوال مرتبط با آن تصوير و ايجاد پاسخ مناسب براي سوال است. در اغلب روش‌‏هاي فعلي، ويژگي‏‌هاي تصوير و سوال به ترتيب با استفاده از شبکه‌‏هاي عصبي کانولوشني و حافظه کوتاه مدت طولاني استخراج شده و پس از ترکيب با هم، پاسخ نهايي توليد مي‏شود. اين روش‌‏ها در عمل توانايي استنتاج بر روي تصوير را ندارند و تنها دانش موجود در مجموعه داده آموزشي را مدل مي‏کنند. به همين منظور، معماري‏‌هاي ماژولار مبتني بر شبکه عصبي معرفي شد. اين معماري شامل دو بخش توليد برنامه و موتور اجرا است. بخش توليد برنامه، سوال ورودي را به يک برنامه که شامل مجموعه‏‌هاي از توابع است، تبديل مي‏کند. اين توابع نحوه قرار گرفتن ماژول‌‏هاي شبکه عصبي لازم براي سوال ورودي را مشخص مي‏کنند. سپس در بخش موتور اجرا، ماژول‏‌ها به ترتيبي که مشخص شده است، بر روي تصوير اجرا خواهند شد و در نهايت پاسخ نهايي توليد مي‏شود. در اين مقاله يک سامانه بهبوديافته پرسش و پاسخ بصري ارائه شده است که در آن از واحدهاي بازگشتي دروازه‏اي و جستجوي محلي به منظور کدگذاري بهتر سوال ورودي استفاده شد است. بررسي‏‌هاي انجام شده بر روي مجموعه داده CLEVR، بهبود سه درصدي در بخش کدگذاري پرسش را نسبت به روش‏‌هاي موجود نشان مي‏دهد.

با رشد فناوري و گسترش ابزارهاي نرم‌افزاري و سخت‌افزاري، حملات عليه رمزهاي قالبي جنبه‌ هاي جديدي يافته است. در بسياري از موارد، مهاجمين به جاي تلاش براي انجام حملات تحليل نظري و محاسباتي، از نقاط ضعف موجود در نحوه پياده‌سازي رمزهاي قالبي استفاده مي‌کنند. بنابراين، طراحي و ارائه روش‌هايي براي پياده‌سازي امن رمزهاي قالبي در شرايطي که مهاجمين داراي دسترسي نامحدود به جزئيات پياده‌سازي هستند (حملات مدل جعبه سفيد)، اهميت فراوان يافته است. گسترش حوزه‌هاي کاربرد اينترنت اشياء در صنايع، ساختمان‌هاي مسکوني، سامانه‌هاي حمل و نقل شهري و ...، اهميت و پيچيدگي تامين امنيت آن را مضاعف ساخته است. در شبکه هاي حسگري بي‌سيم، بسياري از گره‌ها در محيط‌ هاي محافظت نشده قرار داشته و مهاجمين فرصت مناسبي را براي دسترسي به جزئيات تبادل اطلاعات و انجام حملات خود دارند. لذا گره‌هاي يک شبکه حسگري بي‌سيم عمدتا مشمول حملات مدل جعبه سفيد هستند. در اين مقاله، يک روش سخت‌افزاري براي پياده‌سازي امن رمزهاي قالبي به صورت مقاوم در برابر حملات مدل جعبه سفيد ارائه مي‌شود که متناسب با توان پردازشي و ظرفيت حافظه گره‌هاي شبکه حسگري بي‌سيم است.

با گسترش روزافزون اينترنت اشياء، وابستگي مردم به خانه‌هاي هوشمند و سيستم‌هاي امنيتي مرتبط با آن مانند اعلام حريق يا ورود غيرمجاز افزايش يافته است. سيستم‌هاي امنيتي خانه‌هاي هوشمند بايد بتوانند در شرايط بحراني، اقدامات پيشگيرانه براي کاهش خسارت‌هاي مالي و جاني انجام دهند. معماري جديد پيشنهادي به‌صورت دائم فضاي داخلي خانه را بررسي و در صورت بروز تهديد به ساکنين خانه هاي هوشمند هشدار مي دهد و در صورتي که ساکنين خانه هاي هوشمند اقدام مناسبي انجام ندهند و هشدار به سطح بحران برسد، سيستم بطور اتوماتيک اقدام لازم براي کاهش خسارت‌ را انجام دهد.

شبکه‌ي اجتماعي ريسرچ‌گيت(ResearchGate) يک شبکه‌ي اجتماعي علمي است که با ايجاد فضايي تعاملي ميان کاربران، محيطي مناسب را جهت ارتباط، همکاري و مبادله‌هاي علمي براي پژوهشگران سراسر جهان فراهم نموده و افراد از طريق دنبال‌کردن و پاسخ دادن به سؤال‌هاي ديگر کاربران به دنبال کشف يک فرصت جهت ايجاد ارتباط با کاربران تاثيرگذار، همکاري‌هاي علمي و ايجاد انجمن‌هاي علمي مي‌باشند. با تشخيص اجتماعات در اين شبکه که يکي از مهم‌ترين کاربردهاي تحليل شبکه‌هاي اجتماعي است، انجمن‌هاي شکل‌گرفته براساس روابط موجود در شبکه مشخص مي‌شوند. در اين پژوهش ابتدا روابط هم‌نويسندگي، دنبال‌کنندگي دنبال‌شوندگي و پرسش و پاسخ در شبکه‌ي ريسرچ‌گيت ايجاد‌ شده و با استفاده از روش ماژولاريتي(Modularity) که از الگوريتم لووين(louvain) پيروي مي‌کند انجمن‌هاي ايجاد شده در روابط با يکديگر مقايسه شده‌اند. از آنجائيکه در شبکه‌هاي اجتماعي علمي هدف از بارگذاري و انتشار مقالات توسط محققان، انتقال و به اشتراگ‌گذاري دانشي است که در پژوهش خود کسب کرده‌اند؛ بنابراين پژوهشگر مي‌تواند از طريق رابطه‌اي که به طور ميانگين افراد بيشتري را به يکديگر پيوند داده است دانش خود را ميان کاربران بيشتري به اشتراک بگذارد. طبق نتايج پژوهش حاضر، رابطه‌ي دنبال‌کنندگي دنبال‌شوندگي در اين شبکه بيشترين تراکم را در ميان روابط دارد و سبب انتقال دانش ميان کاربران بيشتري مي‌شود.

در سال‌هاي اخير، پردازنده‌هاي گرافيکي جايگاه ويژه‌اي در مراکز داده‌ ابري يافته‌اند. اين امر به دليل توان پردازشي بالاي پردازنده‌هاي گرافيکي در انجام کارهاي موازي است. بااين‌وجود، استفاده از پردازنده‌هاي گرافيکي با چالش‌هايي ازجمله توان مصرفي بالا و بهره‌وري پايين همراه است. يک راه‌حل براي بهبود بهره‌وري، مجازي‌سازي پردازنده گرافيکي است. در اين روش، پردازنده گرافيکي با استفاده از روش‌هاي مجازي‌سازي بين چند ماشين‌ مجازي به اشتراک گذاشته مي‌شود. براي استفاده بهينه از منابع پردازشي گرافيکي و جلوگيري از هدررفت منابع، الگوريتم‌هاي تخصيص منابع توسعه داده‌شده‌اند. بااين‌حال، کارايي اين الگوريتم‌ها تاکنون در بسترهاي ابري ناهمگن مطالعه و بررسي نشده است. هدف اين مقاله، بررسي رفتار الگوريتم‌هاي متداول تخصيص منابع در بسترهاي ابري ناهمگن مبتني بر پردازنده گرافيکي است. بدين منظور، مرکز داده‌اي با دو نوع کارت گرافيکي مختلف شبيه‌سازي شده و کارايي الگوريتم‌هاي تخصيص منابع مختلف بررسي و مقايسه شده‌ است. همچنين الگوريتمي براي بهبود زمان اجراي بار کاري در اين‌گونه بسترها ارائه شده و نتايج به‌دست‌آمده با نتايج الگوريتم‌هاي مشابه مقايسه شده است. نتايج شبيه‌سازي نشان مي‌دهد استفاده از روش پيشنهادي در بستر‌هاي ناهمگن مي‌تواند نسبت به روش‌هاي پيشين تا 11% زمان اجراي بار کاري و انرژي مصرفي مرکز داده را کاهش دهد.

با توجه به این ‌که نسل آینده ارتباطات توسط شبکه 5G رقم خواهد خورد و دلیل اصلی توسعه‌ی این شبکه پشتیبانی از سرویس‌های مختلف و جدید مبتنی بر نیاز کاربران است، بنابراین اپراتورهای شبکه باید بتوانند بر اساس گروه‌بندی کاربران بر اساس نیازمندی خاصی که دارند، سرویس مورد انتظار آن‌ها را با حداکثر کارایی و حداقل هزینه ارائه دهند. ابزاری که برای تحقق این منظور مطرح‌شده است، استفاده از برش‌بندی شبکه است. یکی از مهم‌ترین چالش‌هایی که در برش‌بندی شبکه وجود دارد، نحوه‌ی تخصیص منابع در میان نقش‌های تجاری است که می‌خواهند سرویسی مناسب را برای کاربران برش‌ها ایجاد کنند. همه‌ی کارهای مرتبط انجام شده فقط به دنبال بیشینه‌سازی سودمندی تأمین‌کنندگان شبکه هستند که این مورد برخلاف هدف اصلی 5G یعنی ارائه سرویس با کیفیت، با در نظر گرفتن نیازمندی کاربران برش‌هاست؛ بنابراین در این مقاله در برش‌بندی هسته روشی‌ پیشنهاد می‌گردد که سودمندی نقش‌های تجاری موجود در برش‌بندی شبکه اعم از کاربران، مستأجران و تأمین‌کنندگان شبکه را هم‌زمان در نظر گیرد و هم از قیود واقع‌گرایانه اعم از کارایی منابع، عدالت، اولویت در میان برش‌ها و مستأجران و پشتیبانی از SLA های مهم برای برش‌ها پشتیبانی کند تا بتواند با این دید، تعادل را در میان بازیگران مسئله ‌مذکور ایجاد کند و برای اجرا در سناریوهای بزرگ و واقعی انعطاف‌پذیر باشد. بر همین اساس الگوریتمی طراحی می‌شود که به طور میانگین 10.45 درصد در سود جمعی بهبود دارد.

در سیستم‌های معمول بازشناسی احساس گفتار، معمولا توزیع دادگان منبع (آموزش) و هدف (آزمایش) یکسان در نظر گرفته می‌شود. اما دقت این سیستم‌ها برای گفتار با لهجه یا زبان دیگر و در حالت متفاوت بودن توزیع دادگان منبع و هدف، با افت مواجه می‌شود. برای حل این مشکل، می‌توان از روش‌های انتقال یادگیری و تطبیق دامنه استفاده کرد. در این مقاله، دو روش برای حل این مشکل پیشنهاد می‌شود. در روش پیشنهادی اول، ابتدا مدل با دادگان منبع و سپس با بخشی از دادگان هدف آموزش می‌بیند. در روش پیشنهادی دوم، ابتدا مدل با دادگان منبع آموزش داده می‌شود، سپس برای تطبیق با دادگان هدف، یک لایه‌ی تطبیق خطی در ورودی به مدل اضافه می‌شود و صرفا لایه‌ی جدید با بخشی از دادگان هدف آموزش می‌بیند. برای ارزیابی روش‌های پیشنهادی از چهار شبکه‌ی عصبی عمیق با ساختارهای متفاوت استفاده شده است. نتایج روش‌ها بر روی دادگان IEMOCAP (زبان انگلیسی-دادگان منبع) و EMODB (زبان آلمانی-دادگان هدف) مورد ارزیابی قرار گرفته است. نتایج بیانگر این هستند که روش پیشنهادی اول به طور نسبی 35% و روش پیشنهادی دوم به طور نسبی 36% روی دادگان EMODB نسبت به مدل پایه (مدل بدون استفاده از انتقال یادگیری و لایه‌ی تطبیق) افزایش دقت داشته‌اند.

کیفیت سرویس دهی به معنی توصیف یا اندازه‌گیری کاراییِ کلی مرتبط با یک سرویس است. یکی از عوامل موثر در کیفیت سرویس‌دهی شبکه، کنترل ازدحامِ داده در مسیریاب‌ها می‌باشد. مدیریت صف فعال (AQM) به عنوان یک راه حل به منظور کنترل ازدحام در شبکه‌های TCP به شمار می‌رود. این روش مبتنی بر دور انداختن یا علامت‌گذاری بسته‌ها در صف مسیریاب است. با ورود مهندسی کنترل به حیطه کنترل ازدحام، زمینه مساعدی برای بهبود عملکرد شبکه‌های کامپیوتری فراهم شده است. در این پژوهش یک سیستم کنترلی به منظور بهبود عملکرد شبکه‌های مبتنی بر مدل جریان سیال TCP ارائه می‌شود. سیستمِ کنترلی مورد نظر متشکل از کنترل‌کننده مدلغزشیِ مرتبه دوم، سیستم پیش بین حالت و یک سیستم حسابگر طول بهینه صف است. عملکرد مطلوب مورد نظر در این پژوهش، کمینه کردن تابع هزینه مبتنی بر تعداد بسته دورانداخته شده و زمان رفت و برگشت بسته می‌باشد. نتایج شبیه سازی ارائه شده در این مقاله نشان می‌دهد که سیستم کنترلی ارائه شده، علاوه بر پایدار نگهداشتن طول صف، تابع هزینه مطلوب را کمینه می‌کند.

یکی از معیارهای سنجش کارایی فرایند، زمان فرایند است. بدین منظور لازم است زمان فعالیت‌های فرایند را اندازه‌گیری نموده و با توجه به میزان حساسیت و دقتی که لازم است برای انجام آن صرف گردد، بهبود زمان فرایند انجام پذیرد. روش‌هایی که برای تخمین زمان فعالیت وجود دارد معمولا بر پایه نظرات کارشناسی یا تجربه‌های پیشین است. اما علم فرایندکاوی زمان واقعی اجرای فعالیت‌های یک فرایند را از نگاره رویداد آن استخراج نموده و بدین ترتیب امکان بهبود زمان فرایند را با کمک تکنیک‌های موجود، فراهم می‌نماید. در بهبود زمان فرایند، لازم است به میزان حساسیت و دقتی که کاربر باید صرف نماید توجه نمود. به عنوان مثال در فرایند تشخیص اطلاعات بیومتریک افراد برای جرم‌شناسی ضروری است که کاربر حداکثر دقت را صرف نماید. زیرا یک تشخیص اشتباه می‌تواند به قیمت جان یک انسان بی‌گناه تمام شود. بنابراین بهبود زمان فرایند همیشه با کاهش زمان اجرای فرایند توام نیست بلکه یافتن زمان مطلوب برای اجرای صحیح فرایند است. این مقاله پس از بررسی روش‌های پیشین محاسبه زمان یک فعالیت، تکنیک‌های فرایندکاوی را به عنوان رویکرد جدیدی که براساس زمان واقعی انجام فعالیت‌های یک فرایند، امکان ارتقاء هوشمندانه زمان اجرای فرایند را فراهم می‌کند، معرفی می‌نماید. بدین منظور طی یک مطالعه موردی، میانگین زمان اجرای فعالیت‌های یک فرایند با تکنیک‌های فرایندکاوی از نگاره رویداد آن استخراج شد. سپس با مطالعه تطبیقی و نظر خبرگان اصلاحاتی روی فرایند اعمال شد. نتایج حاصله نشان دهنده کوتاهتر شدن زمان فرایند است.

محاسبات بدون نیاز به سرویس‌دهنده جدیدترین مدل محاسباتی رایانش ابری است که نشان‌دهنده تکامل مدل‌های برنامه‌‌نویسی ابر و افزایش سطح انتزاع از زیرساخت است. این مدل محاسباتی مزایای زیادی برای سازمان‌ها و توسعه‌دهندگان برنامه‌های کاربردی دارد. سهولت توسعه، صرفه‌جویی در منابع و کاهش زمان عرضه محصول به بازار از جمله مزایای این مدل هستند. طبق این مدل محاسباتی، منطق یک برنامه کاربردی به واحدهایی مستقل و تک وظیفه‌ای به نام تابع تجزیه می‌شود. یکی از قابلیت‌های منحصر به فرد این مدل محاسباتی که منجر به صرفه‌جویی در هزینه‌ها می‌گردد، قابلیت مقیاس‌پذیری به صفر است. این قابلیت به دلیل آزاد کردن تمام منابع اختصاص یافته به تابع پس از اتمام اجرای آن، منجر به چالش تاخیر شروع سرد می‌گردد. هر پلتفرم برای غلبه بر این تاخیر راه حل پیشنهادی خود را دارد که در این مقاله به آن‌ها اشاره شده است. همچنین ارزیابی پلتفرم‌های مدل محاسباتی بدون نیاز به سرویس‌دهنده در این مقاله انجام شده و در نهایت با اجرای یک بنچ مارک بر روی پلتفرم Apache OpenWhisk متغیرهای مرتبط با تاخیر شروع سرد اندازه‌گیری و تحلیل شده است. متوسط تاخیر شروع سرد در این پلتفرم ۵۹ میلی ثانیه گزارش شده است.

ارزیابی از خود و همتا، موجب ترغیب یادگیرندگان برای شرکت مسئولانه در فرآیند یادگیری می‌شود. در این مقاله به بررسی ارتباط بین میزان دقت ارزیابی از خود و همتا از یک طرف و ابعاد شخصیتی نئو یادگیرندگان پرداخته می‌شود. برای این منظور داده‌های مربوط به ارزیابی یادگیرنده از خود و از همتا و نیز ابعاد شخصیتی از یک محیط یادگیری مشارکتی ترکیبی استخراج و با استفاده از آزمون خی دو، ارتباط مورد بررسی قرار می‌گیرد. در قسمتی دیگر از تحقیق ارتباط میان میزان آشنایی بین یادگیرنده و همتا و دقت ارزیابی وی از همتا مورد بررسی قرار می‌گیرد. نتایج نشان می‌دهد که با آشنایی بیشتر یادگیرنده از همتا، ارزیابی ارائه شده نیز دقت بیشتری دارد. نتایج این مقاله میتواند در هر سیستم مبتنی بر یادگیری مشارکتی به منظور بررسی دقتِ ارزیابی همتا که توسط یادگیرنده ارائه شده مورد استفاده قرار گیرد.

امروزه با توسعه‌ی فناوری در حوزه‌ی پزشکی، الکتروانسفالوگرافی دامنه‌ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می‌دهد که کاربردهای بالینی فراوانی دارد. مدل‌سازی پیش‌بینی الکتروانسفالوگرام می‌تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال‌های اخیر، تجزیه و تحلیل‌های مبتنی بر پیش‌بینی نشان دادند که رویکردهای داده محور می‌توانند با ادغام مجموعه داده‌های بالینی و تکنیک‌های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقب‌های بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت‌های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب‌بندی داده‌های سری زمانی، محاسبه‌ی انحراف معیار از داده‌‌های درون قاب، انتخاب مهمترین ویژگی‌های توسط الگوریتم ریلیف و آستانه‌یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه‌بندی یادگیری عمیق با 6 لایه‌ی پیشنهادی نشان می‌دهد که روش پیشنهادی قادر است با دقت %۹۹.۴۰، حساسیت %۹۹.۲۵ و اختصاصیت %۱۰۰ تشنج صرعی را از سایر وضعیت‌های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن آلمان افتراق دهد که در معیار دقت طبقه‌بندی به میزان %۱.۳ بهبود نسبت به الشرهان و همکاران نشان می‌دهد.

پیش‌بینی سری‌های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می‌باشد. از آنجا که داده‌های سری زمانی مالی ماهیتی non-stationary و غیرخطی دارند پیش‌بینی این بازار به خودی خود می‌تواند بسیار چالش برانگیز باشد. نویز و ناهنجاری نیز پدیده جدا نشدنی داده‌های از نوع سری زمانی هستند که پیش‌بینی این داده‌های ماهیتا پیچیده را دشوارتر می‌کنند. رفتارهای هیجانی سرمایه گذاران می‌تواند باعث ایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می‌تواند در ادامه پیش‌بینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک Autoencoder داده‌های مربوط رفتارهای هیجانی بازار را شناسایی کرده و با جایگذاری بهینه این ناهنجاری‌ها داده‌های بهتری را در اختیار یک شبکه عمیق LSTM که به عنوان مدل نهایی جهت پیش‌بینی بازار مورد استفاده واقع شده است قرار دهیم. نتایج بدست آمده نشان می‌دهد که انجام پیش پردازش بر روی داده‌ها باعث بهبود عملکرد مدل و کاهش خطای پیش‌بینی می‌شود به طوریکه خطای پیش‌بینی با روش ارائه شده در کمترین حالت بر اساس توابع ،RMSE MAPE و MAE به ترتیب ۴ ،۴و ۵ درصد بهود داشته است.

فناوری بلاکچین انقلابی در رشته کامپیوتر محسوب می‌شود که با وجود نوظهور بودن، توانسته است نفوذ خود را به سایر حوزه‌ها نیز گسترش دهد. با این حال، محدودیت‌هایی چون مقیاس‌پذیری، تهدیدات امنیتی و مکانیزم‌های اجماع، باعث شده است که در استفاده‌ی از آن با چالش‌هایی نیز مواجه شویم. یکی از راه‌های غلبه بر این مشکلات، زنجیره اعتماد نام دارد. زنجیره‌ اعتماد بر‌خلاف بلاکچین‌های مرسوم، از یک زنجیره واحد استفاده نمی‌کند بلکه، در این سیستم هر گره وظیفه ساخت و نگهداری زنجیره ‌محلی خود را دارد. از بارزترین ویژگی‌های این سیستم، عدم نیاز به مکانیزم‌های اجماع همگانی و مقاومت در برابر حمله سیبیل می‌باشد. در این مقاله سعی کرده‌ایم در وهله اول با پیاده‌سازی عملی سیستم مذکور بر‌روی دستگاه‌های موجود و همچنین افزودن ماژول‌هایی به برنامه جهت به دست آوردن اطلاعات مورد نیاز، مجموعه داده‌ای جامع از پارامتر‌های موثر در کارایی این بلاکچین جمع‌آوری کرده و با تجزیه و تحلیل اطلاعات به دست آمده از طریق الگوریتم‌های استخراج ویژگی، بتوانیم موثرترین ویژگی‌ها در کارایی هر ناظر را به دست آوریم، سپس با افزودن یک سیستم احراز هویت غیر‌متمرکز به بلاکچین، با ارائه‌ی راهکار‌هایی به مقابله با حمله White washing و آسیب پذیری‌های سرویس‌گیرنده بپردازیم.

فراگیری نسل‌های جدید برقراری ارتباط و محدودیت‌های موجود در حوزه‌های توان محاسباتی/ذخیره‌سازی و مصرف انرژی، تحولی بزرگ را در روند توسعه و پیاده‌سازی الزامات آن‌ها طلب می‌کند. طی سال‌های اخیر موضوع بارسپاری وظایف در محاسبات لبه‌ای سیار به موضوعی جذاب و پرطرفدار تبدیل شده که هم قادر به بهبود طول عمر باتری دستگاه‌های کاربران پایانی سیار و هم حل مشکلات مربوط به تأخیر محاسباتی و تراکم شبکه آنان می‌باشد. این مقاله تلاش می‌کند حوزه‌های مفهومی و عملی مرتبط با چالش‌های استفاده از این تکنیک نویدبخش را مرور نموده و نقش مؤثر بارسپاری وظایف در بهبود کارایی و افزایش کیفیت ارائه‌ی خدمات به کاربران سیار را تبیین نماید. ارائه‌ی روش‌های دستیابی به بهبود‌هایی که می‌تواند توسط انجام فرایند بارسپاری وظایف برای سیستم ایجاد شود در کنار معرفی محدودیت‌های موجود در این مسیر و کارهای آتی قابل انجام در این حوزه، بخش پایانی این مقاله را تشکیل می‌دهد.

امروزه محاسبات ابر و مه به منظور افزایش قدرت عملکرد اینترنت اشیا توسعه یافته‌اند و زمان‌بندی درخواست‌های وظایف اینترنت اشیا مبتنی بر محاسبات مه-ابر نقش کلیدی را در جهت پاسخ به این درخواست‌ها ایفا می‌کند. یک زمان‌بندی وظیفه بهینه می‌تواند عملکرد سیستم را بهبود بخشد. لذا این پژوهش یک روش زمان‌بندی درخواست‌های وظایف اینترنت اشیا بر روی منابع را برای بهبود کیفی خدمات اینترنت اشیا مبتنی بر محاسبات مه-ابر به منظور کاهش زمان تکمیل درخواست‌های وظایف اینترنت اشیا و کاهش زمان توان عملیاتی سیستم با استفاده از الگوریتم بهینه‌سازی شاهین هریس دو هدفه به منظور کاهش تاخیر کلی پاسخ به درخواست‌های وظایف پیشنهاد می‌دهد. سپس، عملکرد الگوریتم زمان‌بندی پیشنهادی برای حل مساله زمان‌بندی وظایف با استفاده از مجموعه داده‌های مختلف ارزیابی گشته و مقایسه‌ای بین الگوریتم پیشنهادی و سه روش فراابتکاری معروف برای بررسی عملکرد انجام شده است. طبق آزمایشات انجام شده، روش پیشنهادی توانسته است زمان تکمیل درخواست‌های وظایف اینترنت اشیا و زمان توان عملیاتی را کاهش دهد و در نتیجه تاخیر ناشی از پردازش وظایف را کاهش و نرخ عملکرد سیستم را افزایش دهد.

در قرن حاضر شاهد تولید روزافزون فیلم‌های سینمایی مختلف در دسته‌بندی و ژانرهای متفاوت هستیم. بسیاری از این تولیدات خارج از ارزش‌هایی است که متناسب با مقتضیات سنی یک کودک یا نوجوان باشد. بسیاری از والدین نگران فرزندان خود در مواجه با این تولیدات هستند. بنابراین، طبقه‌بندی صحیح فیلم می‌تواند راهنمای مناسبی برای والدین باشد. در حال حاضر سیستم‌های موجود دسته‌بندی و پیشنهادگر فیلم، عوامل کمی و ... را در نظر می‌گیرند توجه کمتری به محتوای فیلم دارند. هدف از این تحقیق استفاده از روش‌های بازیابی اطلاعات برای شناسایی موضوع، ژانر و طبقه‌بندی سنی فیلم‌ها براساس متن آن‌ها است. به‌گونه‌ای که بتوان از این دانش در توصیه فیلم،‌ با توجه به محتوای فیلم و رده‌سنی کاربر بهره گرفت. در این پژوهش از روش‌ مدلسازی موضوعی (LDA) استفاده شده است که با استفاده از کشف روابط پنهان بین واژگان، موضوعات اسناد و درصد مشارکت هر موضوع در هر سند را مشخص می‌کند. از LDA علاوه بر خوشه‌بندی اسناد، برای استخراج ویژگی‌های اسناد استفاده شده‌است، که منجر به کاهش ابعاد داده‌ها نسبت به روشهای دیگر نمایش کلمات (word embedding) می‌شود. کاهش ابعاد داده، موجب بهبود عملکرد مدلهای یادگیری ماشین می‎‌شود. نتایج پیاده سازی نشان می‌دهد که روش پیشنهادی با دقت 93% توانایی تشخیص رده‌سنی کاربر دارد و با دقت 89% در تشخیص ژانر موفق عمل می‌کند.

پیشرفت‌های اخیر در حوزه فناوری سبب شده است که سازمان‌ها ناگزیر به انتخاب رویکردهای مبتنی بر آمادگی، انعطاف‌پذیری و تطابق با روش‌های نوین انجام کار باشند. فناوری ‌اطلاعات پر شتاب، همسو با تحول دیجیتال، نیازمند نگرشی کل‌نگر و اثربخش در طراحی بومی، پیاده‌سازی در ابزارهای ITSM و جاری‌سازی روش‌های مدیریت خدمات فناوری اطلاعات در سازمان‌ها است. مدیریت حادثه یکی از روش‌های مدیریت خدمات فناوری اطلاعات است که با تداوم کسب و کار رابطه تنگاتنگ داشته و بهبود عملکرد پاسخگویی در این روش از اهمیت بسزایی برخوردار است. از این‌رو، در این پژوهش با الهام از مدل‌های ارزیابی بلوغ قابلیت و تمرکز بر چارچوب ITIL4، مدلی برای ارزیابی بلوغ قابلیت مدیریت حادثه ارائه شده است. در این مدل با توجه به عوامل موفقیت روش مدیریت حادثه، معیار های ارزیابی متناسب با سطح بلوغ، با چهار بعد مدیریت خدمات نگاشت شده و شواهد مورد نیاز جهت تحقق تعیین شده است.

داده‌های جغرافیایی، مرزهای زمین‌های کشاورزی و قطعه‌بندی آن‌ها برای بسیاری از کاربردهای کشاورزی ضروری است. به عنوان مثال می‌توان به تحت نظارت قرار دادن زمین برای مدیریت منابع اشاره کرد. از آنجایی که مرزبندی به صورت دستی و به کمک شخص حقیقی زمان زیاد و ابزارهای خاصی نیاز دارد، نیاز به خودکارسازی تکرارپذیر این کار احساس می‌شود. هدف از این پروژهش، پردازش تصاویر ماهواره‌ای و شناسایی قطعه زمین‌های کشاورزی موجود در این تصاویر به همراه مرزبندی آن‌ها است. به این منظور، مدل Mask R-CNN که یکی از مدل‌های پیشتاز ارائه شده برای تقسیم‌بندی نمونه در یادگیری عمیق است، مورد استفاده قرار گرفت. برای بررسی راه حل پیشنهادی، با تهیه‌ی یک مجموعه داده، مدل تحت آموزش قرار گرفت. ارزیابی مدل نیز با معیارهای تقسیم‌بندی نمونه مطابق با استاندارد COCO صورت پذیرفت. در آزمایشی که از باند‌های رنگی (RGB) ماهواره‌ی Sentinel-2 به عنوان ورودی استفاده شد، میانگین دقت (AP) ٪۵۴ و صحت پیکسلی ۹۰٪ حاصل شد. نتایج به دست آمده نشان داد که روش پیشنهادی در این پژوهش پتانسیل بالایی را در تقسیم‌بندی نمونه‌ی زمین‌های کشاورزی دارد.