انجمن کامپیوتر ایران

فرایند هم تراز سازی آنتولوژی ها به یافتن شباهت میان موجودیت های آنتولوژی ها می پردازد. دو آنتولوژی ممکن است در جنبه های متفاوتی مانند ساختار، معنا و ... با هم شباهت داشته باشند. بیشتر سیستم های هم ترازسازی آنتولوژی ها از چندین روش شباهت یابی به منظور استخراج همه ی موارد شباهت که در دو آنتولوژی ممکن است وجود داشته باشد، استفاده می کنند. بنابراین ، ما با یک مشکل عمده برای جمع آوری شباهت میان موجودیت ها مواجه هستیم. برخی از سیستم های هم ترازسازی آنتولوژی ها از وزن های تجربی و برخی دیگر از روش های یادگیری ماشین و الگوریتم های بهینه سازی برای یافتن وزن های مطلوب به منظور جمع آوری شباهت های مختلف استفاده می کنند. هر دو رویکرد دارای معایبی هستند. در این مقاله، مشکلات استراتژی های مختلف جمع آوری شباهت های موجود بیان می شود. سپس، یک استراتژی جدید پیشنهاد می شود که از اطلاعات ساختاری آنتولوژی ها برای دست آوردن وزن های ترکیب شباهت یاب ها، جهت فرایند جمع آوری شباهت ها استفاده می کند. عملکرد سیستم هم ترازسازی ارائه شده در این مقاله با دیگر سیستم های مشارکت داده شده در مسابقه 2009 OAEI مقایسه شده است.

در ساليان اخير تلاش زيادي در زمينه اشکال¬زدايي خودکار نرم¬افزار صورت گرفته است. اغلب راهکارهاي خودکارسازی فرآیند اِشکال¬زدایی، بدون توجه به دنباله‌های اجرایی برنامه‌ها، رفتار تعیین‌کننده‌های برنامه را به صورت جدا از یکدیگر در اجراهای موفق و ناموفق مقایسه می‌کنند. به همین دلیل قادر به تشخیص خطاهایی که در یک الگوی دنباله دار خاص، بروز پیدا می‌کنند، نمی‌باشند. برای رفع این مشکل در این مقاله، از روشی کارآمد جهت مقایسه دنباله‌های اجرایی برنامه استفاده می¬شود که علاوه بر مقیاس پذیری مناسب، زیرمسیر خطادار در برنامه را تشخیص می‌دهد. راه‌کار ارایه شده، با فراهم نمودن مسیر حاوی تعیین‌کننده‌های ناموفق ، به برنامه نویس در کشف محل دقیق خطا کمک زیادی می¬کند. در راه کار پیشنهادی از ضريب همبستگي Φ، برای حذف تعيين¬کننده¬هاي بي¬اثر بر نتيجه برنامه با دقت بسیار بالا استفاده شده است. روش ارايه شده در اين مقاله، بر روي مجموعه برنامه زيمنس ارزيابي شده است. نتایج این ارزیابی، دقت و کارآمدی راه‌کار پیشنهادی را نشان می‌دهد.

گرید روشی برای به اشتراک گذاشتن مجموعه‌های بزرگ و ناهمگون از منابع فراهم می‌کند. از جمله سرویس‌های مهم در گرید، سرویس جستجوی منابع می‌باشد. یکی از روش‌هایی که برای جستجوی منابع در گرید پیشنهاد شده است، روش (همتا به همتا) می‌باشد. استراتژی انتخاب همسایه بعدی برای هدایت پرس و جو، از مسایل اساسی این روش می‌باشد. در این مقاله مکانیزمی برای انتخاب همسایه بعدی با استفاده از الگوریتم کلونی مورچه‌ها پیشنهاد می‌شود. مکانیزم پیشنهادی در این مقاله می‌تواند در محیط‌هایی که چگونگی توزیع منابع بر روی گره‌های گرید ناشناخته می‌باشد مورد استفاده قرار می‌گیرد. عملکرد روش پیشنهادی به کمک شبیه‌سازی‌های کامپیوتری مورد ارزیابی قرار می‌گیرد.

در این مقاله روشی برای شناسایی چهره در تصاویر رنگی روبرو با وجود تنها یک تصویر آموزشی از هر فرد ارائه شده است. تصاویر مورد نظر ابتدا به فضای رنگ YCbCr منتقل شده و با توجه به اینکه رنگ پوست دراین فضا یک خوشه را تشکیل می دهد، ناحیه صورت استخراج می‌شود. سپس با اعمال یک تبدیل پیشنهادی روی ناحیه مذکور و استفاده از پردازش¬های مورفولوژیکی، مکان چشم¬ها با دقت بسیار بالا تشخیص داده می‌شوند. با مشخص شدن مکان چشم¬ها، محدوده صورت استخراج می‌شود. با اعمال تبدیل کسینوسی گسسته بصورت بلوکی، بردار ویژگی هر تصویر جهت مقایسه و تشخیص شبیه ترین تصویر بدست می‌آید. این الگوریتم بر روی 200 تصویر چهره از پایگاه داده FERET آزمایش شده و نتایج بدست آمده نشان از دقت بالای الگوریتم طراحی شده دارد.

سیستم¬های همتابه¬همتا (Peer to Peer) به دلیل داشتن خصوصیاتی منحصر به فرد از قبیل مقیاس¬پذیری، استواری و هزینه¬ی پائین توسعه، در چند سال اخیر رشد قابل توجهی داشته¬اند.سیستم¬های همتابه¬همتا خود ممکن است پایگاهی یا ناپایگاهی باشند. یکی از مهم¬ترین مسائل مطرح در سیستم¬های پایگاهی همتابه¬همتا، مسئله¬ی پردازش پرسش است، بطوریکه یک بهبود جزئی در آن تاثیر قابل توجهی در کارایی سیستم خواهد داشت. یکی از راه¬های کاهش هزینه¬ی پردازش پرسش، خوشه¬بندی همتاهای با حیطه¬ی داده¬ای مشابه است. خوشه¬بندی همتاهایی با محتویات مشابه، باعث می¬شود پرسش¬های مطرح شده بتوانند مستقیماً به خوشه مربوطه راه یافته و در آنجا بطور موثری پاسخ داده شوند. در این مقاله روش جدیدی برای خوشه¬بندی همتاها در سیستم پایگاهی همتا¬به¬همتا ارائه می¬دهیم که در آن از الگوریتم خوشه¬بندی مبتنی بر رفتار مورچه¬ها استفاده شده است. آزمایشات انجام شده به منظور ارزیابی کارائی نشان می¬دهد که الگوریتم ارائه شده خوشه¬بندی همتاها را با دقت و کیفیت بالاتری نسبت به الگوریتم¬های ارائه شده انجام می¬دهد. علاوه¬براین الگوریتم ارائه شده به سرعت به حالت بهینه همگرا می¬شود و مقیاس¬پذیری بالائی در برابر افزایش اندازه مسأله دارد.

يكي از مسايلي كه در محيط پايگاه داده تحليلي مطرح است تشخيص تغييرات در منابع داده عملياتيميباشد. داده ها جهت بارگزاري در پايگاه داده تحليلي از منابع داده عملياتي استخراج ميشوند،به علت تغييرات منابع داده عملياتي در طي زمان نياز است فرايند به روز رساني پايگاه داده تحليلي در فاز نگهداري انجام شود واين تغييرات به پايگاه داده تحليليمنتقل شوند. از روشهاي موجود جهت تشخيص تغييرات در منابع داده عملياتي روش مقایسهتصاویر منابع داده عملیاتیاست. يكي از معايب اين روش انجام مقايسات زياد و زمانبر بين ركوردها جهت تشخيص تغييرات است. هدف از ارايه روش پیشنهادی این مقاله، بهبود زمان تشخيص تغيييرات داده از طريق كاهش تعداد مقايسات بين ركوردها، در روش مقایسه تصاویر ارايه شده توسط روسانا است. این روش، روشي معمول و بهبود يافته در مقایسه تصاویر ميباشد. آزمايشات انجام شده بر روي داده هاي آزمايشي نشان می¬دهد که روش پیشنهادی در این مقاله، منجر به20 درصد بهبوددر زمان تشخيص تغييرات در روش متداول All Signature که توسط روسانا ارايه شده است می¬شود.

رشد سریع درخواست¬های محاسباتی و برنامه¬های خدمت¬گرا و همچنین گرایش آنها به مدل رایانش ابری، منجر به استقرار مراکز داده بسیاری با مقیاس وسیع شده است. از آنجایی که مراکز داده¬ای میزبان این برنامه¬ها، میزان بسیار زیادی انرژی الکتریکی مصرف می¬کنند و موجب افزایش هزینه¬های عملیاتی، انتشار گرما و گاز کربن در محیط می¬شوند. انتقال پویای ماشین¬های مجازی به عنوان یکی از راهکارهای کاهش انرژی، با استفاده از ایده مهاجرت پویا و خاموش کردن خدمت¬گذارهای بیکار، به ارائه-دهندگان سیستم¬های رایانش ابری این امکان را می¬دهد که مصرف انرژی را کاهش و بکارگیری منابع را تا حدودی بهبود دهند. در این مقاله روشی مبتنی بر مفهوم ضریب همبستگی برای جایگذاری ماشین¬های مجازی ماشین¬های مجازی مهاجرت یافته ارائه می¬شود، به نحوی که هر ماشین مجازی روی میزبانی قرار خواهد گرفت که دارای کمترین ضریب همبستگی از نظر بهره¬وری CPU با دیگر ماشین¬های مجازی روی این میزبان فیزیکی باشد، چرا که هر چه میزان همبستگی در مصرف منابع یا بهره¬وری CPUمیان ماشین¬های مجازی یک میزبان بیشتر باشد، احتمال این که آن میزبان سریع¬تر دچار سرریز بار شود، بالاتر است؛ بنابراین امکان بروز تخطی در میزان سطح توافق شده خدمت¬دهی به کاربر یا SLA (Service Level Agreement) نیز وجود دارد. روش پیشنهادی در این مقاله توسط شبیه¬ساز CloudSimارزیابی می¬شود. ارزیابی نشان می¬دهد که این روش نسبت به روش¬های ارائه شده تاکنون نتایج خوبی را در زمینه بهره¬وری مصرف انرژی و میزان تخطی در SLAدر مراکز داده در محیط¬های ابری ارائه می¬دهد.

روش تحلیل تمایز هسته، یک روش کاهش بعد غیرخطی مبتنی بر هسته است، که به عنوان یک استخراج کننده ویژگی به منظور دسته بندی نمونه داده¬ها به کار می¬رود. هدف این روش دستیابی به یک زیرفضای غیرخطی یا منیفولد کم بعد است، که نمونه¬های دسته¬های مختلف نگاشت شده در آن بیشترین تمایز را از یکدیگر داشته باشند. این هدف از طریق نگاشت تعریف شونده توسط تابع هسته تحقق پیدا می¬کند. در اغلب کارهای پیشین بر روی این مدل، تمرکز بر بهینه سازی پارامترهای تابع هسته برای بالا بردن کارایی دسته بندی با آن بوده است. در این مقاله نشان داده می¬شود که نوع تابع هسته نیز در کنار پارامترهای آن می¬تواند تأثیر به سزایی در کیفیت دسته بندی با این روش داشته باشد. بدین منظور توابع هسته مختلف ساده و ترکیبی همراه با یک فرآیند تنظیم پارامترها و وزنهای ترکیب این هسته¬ها بر روی چند مجموعه داده شناخته شده آزمایش شده و با چندین روش مرتبط مقایسه می¬شود. دستیابی به بهبود قابل توجه در دقت دسته بندی از این طریق مؤید اهمیت انتخاب نوع و پارامترهای هسته بطور همزمان در روش تحلیل تمایز هسته است.

مهندسی نرم‌افزار مدل‌رانده روشی در توسعه‌ی نرم‌افزار است که امکان تولید خودکار کد از روی مدل را فراهم می نماید. هدف از روش‌های مدل‌رانده، افزایش بهره‌وری افراد و کیفیت نرم‌افزار تولید شده می‌باشد. با توجه به گسترش روزافزون نرم‌افزارها، نیاز به تکنیک¬ها و ابزارهایی جهت وارسی و اعتبارسنجی برنامه‌ها بیش از پیش احساس می¬شود. یکی از این ابزارها،JPF است که جهت وارسي صوري برنامه¬هاي نوشته شده به زبان جاوا مورد استفاده قرار می¬گیرد. پیمانه‌ی JPF-Statechart امکان وارسی رفتار پویای سیستم، که به صورت کد جاوا و در قالبی مشخص تهیه شده است را فراهم می‌کند. با توجه به این واقعیت که تهیه این کد جاوا به صورت دستی در خلاف اهداف مهندسی نرم¬افزار مدل‌رانده است و مدل رفتاری سیستم اغلب به صورت نمودار حالت UML تهیه می‌شود، هدف ازاین مقاله، ارائه¬ی روشی بر اساس تبدیل مدل است به گونه‌ای که نمودار حالت UML را بتوان به صورت خودکار به قالب مورد نظر JPF تبدیل نمود و آن را مورد وارسی قرار داد. بدین منظور، برای مدل¬سازی نمودار حالت UML از افزونه¬یPapyrus، و برای تبدیل مدل UML به قالب مورد نظر، از تولیدکننده¬ی کدAcceleo استفاده شده است. در نهایت ابزاری در قالب یک افزونه¬ی اکلیپس تهیه شده است که کد مناسب را از روی مدل تولید می نماید. یک مطالعه موردی برای دستگاه خودپرداز برای ارزیابی روش و ابزار ارائه شده نیز انجام گردیده است.

سیستم شهرت بتا روشی است که برای تلفیق نظرات و بازخوردهای گره‌های مختلف شبکه و رتبه بندی میزان شهرت گره‌ها طراحی شده است. سیستم شهرت بتا برای کاربردهای مختلف بسیار مناسب و قابل انعطاف و در عین حال ساده است. ما در این مقاله نشان می‌دهیم که از دیدگاه امنیتی، این سیستم در مقابل گره‌های بدخواه آسیب‌پذیر است. این آسیب‌پذیری به گونه‌ای است که اگر گره‌های بدخواه در تراکنش‌های خود با گره‌های دیگر رفتار مناسبی نشان دهند ولی در ارائه نظرات در رابطه با میزان شهرت گره‌ها (توصیه شهرت) از طریق تبانی با سایر گره‌های بدخواه مقادیر نادرست ارائه دهند؛ شهرت محاسبه شده به شدت از مقدار درست منحرف می‌شود. این حمله را حمله گره‌های تبانی‌گر خوش‌رفتار می‌نامیم. در این مقاله ضمن بررسی و تحلیل آسیب‌پذیری مذکور در سیستم شهرت بتا، اصلاحی برای رفع آن پیشنهاد شده که این آسیب‌پذیری را تا حد زیادی برطرف می‌نماید. روش پیشنهادی مبتنی بر کنترل پذیرش نظرات گره‌های توصیه‌کننده است. برای ارزیابی روش مطرح شده هر دو سیستم اصلی و اصلاح شده پیاده‌سازی و روی مدلی شبیه‌سازی شده از شبکه‌های حسگر بی‌سیم ارزیابی شده است. نتایج حاصل از شبیه‌سازی نشان‌دهنده مقاومت بالای سیستم شهرت بتای اصلاح شده در برابر حمله گره‌های تبانی‌گر خوش‌رفتار است.

خوشه¬بندی یکی از وظایف داده¬کاوی و شاخه¬های یادگیری بدون نظارت است و فرایند خودکاری است که در طی آن داده¬ها به دسته¬هایی که اعضای آن مشابه یکدیگر هستند، تقسیم می¬شوند. در این مقاله روشی جدید برای بهبود سرعت و عملگرد الگوریتم کلونی زنبورهای مصنوعی (ABC) معرفی شده است. همچنین از الگوریتم پیشنهادی برای خوشه¬بندی N شی در K خوشه استفاده شده است. در روش پیشنهادی، بجای انتخاب تصادفی عنصری از راه¬حل و تغییر آن برای تولید راه¬حل جدید که در الگوریتم ABC وجود داشت، با محاسبه فاصله اقلیدسی هر عنصر در راه¬حل و میانگین داده¬های متعلق به آن خوشه در آن بعد، از k اندیس کاندید در k مرکز خوشه، یک اندیس بصورت تصادفی برای تغییر و جایگزینی انتخاب شده¬است. به این ترتیب در الگوریتم ABC، استفاده از روش پیشنهادی جستجوی محلی و تولید نقاط جدید باعث شده¬است تا در هر تکرار، احتمال تولید راه¬حل¬های بهتر و تولید نقاطی با شایستگی بالاتر افزایش یابد که این امر نه تنها باعث افزایش سرعت الگوریتم در همگرایی به نقاط بهینه شده¬است بلکه منجر به تولید جواب¬هایی با میزان شایستگی بالاتر و در نهایت بالا رفتن دقت الگوریتم نیز شده¬است. این الگوریتم روی چندین مجموعه داده واقعی استاندارد آزمایش شده و با الگوریتم¬های فرامکاشفه¬ای معروف در خوشه¬بندی مانند ,GA ,TS ,SA ,ACO ABC و K-NM-PSO مقایسه شده است. نتایج عددی نشان می¬دهد که الگوریتم پیشنهادی نسبت به سایر الگوریتم¬های موجود عملکرد بهتری دارد و شبیه¬سازی¬ها نتایج بسیار امیدبخشی را برحسب کیفیت راه¬حل و زمان محاسباتی نشان می¬دهد.

امروزه با گسترش روز افزون مراکز داده مبتنی بر رایانش ابری و تقاضای استفاده از سرویس‌های ابری، یکی از مهمترین مشکلات پیش روی این مراکز داده رشد فزاینده مصرف انرژی است.کاهش مصرف انرژی در این مراکز داده مستلزم استفاده بهینه تر از منابع پردازشی موجود از جمله ماشین‌های مجازی و میزبان‌های فیزیکی است. استقرار ماشین‌های مجازی در میزبان‌های فیزیکی از دو جنبه قابل بحث است. جنبه اول استقرار اولیه آنها قبل از پردازش سیستم و جنبه دوم تغییر این چینش در حین پردازش سیستم به منظور متعادل‌سازی بار پردازشی بین میزبان‌ها است. در این تحقیق روش جدیدی برای استقرار اولیه ماشین‌های مجازی در میزبان‌های فیزیکی با استفاده از الگوریتم ژنتیک گروهی پیشنهاد شده است ونشان داده شده است که استفاده از این روش برای استقرار اولیه ماشین‌های مجازیو نیز بهره‌گیری از تکنیک "مهاجرت ماشین‌های مجازی" برای تغییر چینش ماشین‌های مجازی در حین پردازش سیستم، می‌تواند سبب کاهش مصرف انرژی در مراکز داده شود.

در اين مقاله ايده‌ی جديدي مبتني بر الگوريتم بهینه سازی غیر جنسی برای جستجوی وي‍‍ژگي‌هاي مناسب بر روی داده‌های سرطانی ارائه شده است. داده‌های سرطانی با ابعاد بالا، شامل تعداد زیادی ویژگی می‌باشند که اکثر این ویژگی‌ها غیر مرتبط با مسئله‌ی مورد نظر هستند. از طرف دیگر در داده‌های سرطانی، علاوه بر بالا بودن تعداد ویژگی‌ها، تعداد نمونه-های موجود بسیار اندک است که این موضوع تاثیر نامناسبی بر روی کارایی الگوریتم‌های کلاسه‌بندی دارد. برای حل این مشکل، در این مقاله، الگوریتم جدیدی برای انتخاب ویژگی‌های بهینه مبتنی بر الگوریتم بهینه سازی غیر جنسی معرفی شده است. الگوريتم بهینه سازی غیر جنسی يکي از الگوريتم‌هاي تکاملي الهام گرفته از زندگي موجودات تک جنسی است. این الگوریتم به دلیل عدم نیاز به تنظیم پارامتر و عدم نیاز به عملگر انتخاب در مقایسه با الگوریتم ژنتیک بسیار سریع‌تر عمل می‌کند و از افتادن در بهینه محلی اجتناب می‌کند. الگوریتم ارائه شده بر روی دو مجموعه داده¬ی Colon و 9_Tumor تست شده است. قبل از عمل جستجو، به منظور عدم انتخاب ویژگی‌های افزونه از گروه بندی ویژگی‌ها استفاده شده است. پياده سازي روش ارائه شده نشان مي‌دهدکه الگوریتم ARO در مقایسه با الگوریتم ژنتیک دارای سرعت و دقت بالايي در پيدا کردن نتيجه مطلوب است.

ارزیابی و امکان‌سنجی استفاده از سیگنال قلبی (ECG: Electrocardiogram) به عنوان یک راهکار زیستسنجی، از جنبه های مختلف در مطالعات گذشته مورد بررسی قرار گرفته است. تغییرات درون سیگنالی و عدم تکرارپذیری در ضربان‌های قلبی، یک مشکل اساسی سیستمهای تصدیق هویت مبتنی بر ECG است. در این مقاله به منظور دستیابی به مشخصه های اساسی، کاهش تغییرات سطحی و افزایش کارایی سیستم، یک روش جدید استخراج ضربانهای قلبی و تقطیع آنها به مولفههای اصلی ارائه شده است. 30 ویژگی مکانی و زمانی از ضربان‌ها استخراج و بر اساس روش انتخاب ویژگی مستقیم در شش دسته 5 الی30 تایی دسته بندی شده اند. برای طبقه‌بندی الگوها از چهار روش نزدیک‌ترین همسایگی K، مدلهای گوسی، ترکیب مدل‌های گوسی و ماشین بردار پشتیبان استفاده شده است. آزمایشها بر روی پایگاه دادگان MIT-BIH نشان می دهد که با استفاده از طبقه‌بندی‌کننده نزدیک‌ترین همسایگی K، دستیابی به معیار نرخ خطای برابر (EER: Equal Error Rate) برابر 25/0± 70/2% با لحاظ شاخص سطح زیر منحنی مشخصه (AUC: Area Under the ROC Curve) برابر با 03/0±73/99% میسر است.

در این مقاله روشی نو در خلاصه سازی ویدئو در حوزه فشرده استاندارد HEVC شرح داده می شود. با استفاده از این استاندارد، ویژگیهای محتوایی فریم ها در حالت فشرده استخراج شده و با استفاده از یک الگو ریتم خوشه بندی، روشی برای خلاصه سازی ارائه گردیده است. اگر چه تحقیقات مختلفی در خصوص خلاصه سازی ویدئویی انجام گردیده است اما بیشتر آن ها، مبتنی بر ویدئو های مبتنی بر حوزه پیکسل بوده که زمان و حافظه زیادی برای کوتاه کردن آن مصرف می گردد. در الگوریتم پیشنهادی، ابتدا ویژگی هیستوگرام نرمال مدهای پیش بینی از ویدئوی فشرده بر اساس HEVC استخراج شده، سپس اشتراک این هیستوگرام به عنوان معیار مشابهت، برای هر دو فریم در ویدئو، محاسبه می گردد. در ادامه یک الگو ریتم خوشه بندی افزایشی، فریم های مشابه را در کلاس های مشخصی جای می دهد. مجموعه نماینده های هر کلاس به عنوان فریم های خلاصه شده در نظر گرفته می شود. نتایج نشان می دهد، الگو ریتم پیشنهادی به دلیل استفاده از استاندارد جدید فشرده سازی به میزان قابل توجهی در تشخیص فریم های مشابه بهتر عمل نموده است و بار محاسباتی کمتری داشته است.

هستان‌شناسی یک توصیف صریح و صوری از یک مفهوم‌سازی اشتراکی است. ساخت دستی هستان‌شناسی‌ها امری بسیار پرهزینه، وقت‌گیر و مستعد خطا است. راه حل رفع این مشکلات خودکارسازی فرآیند ساخت هستان‌شناسی یا به عبارت دیگر یادگیری هستان‌شناسی از منابع مختلف از جمله منابع ساخت‌یافته مانند پایگاه های داده است. امروزه پایگاه‌های داده رابطه‌ای، یکی از بهترین روش‌ها برای ذخیره و بازیابی اطلاعات محسوب می‌شوند اما برای اهداف مختلفی که مبتنی بر نمایش دانش معنایی می‌باشند، مناسب نیستند. از این رو، در این مقاله روشی نوین برای استخراج خودکار یک هستان‌شناسی از شمای یک پایگاه داده رابطه‌ای پیشنهاد شده است. در مقایسه با سایر روش‌های موجود، این روش علاوه بر تحلیل جدول‌ها، کلید‌های اصلی و خارجی و داده‌های موجود در چندتایی‌ها، با تحلیل محدودیت‌های تعریف شده روی ستون‌های یک جدول و نیز تحلیل دیگر عناصر موجود در شمای رابطه‌ای مانند دید، توابع تعریف شده توسط کاربر و رویه‌های ذخیره شده، به استخراج خودکار عناصر هستان‌شناسی می‌پردازد. در نهایت این روش، با یک هستان‌شناسی مرجع که به طور دستی در قلمروی مورد نظر ساخته شده است، مورد مقایسه قرار گرفته و معیارهای فراخوان، دقت و معیار-F به منظور ارزیابی کیفیت هستان‌شناسی تولید شده، محاسبه شده است. مقایسه این معیارها، بیانگر این است که روش پیشنهادی، نسبت به سایر روش‌های موجود عملکرد بهتری دارد.

بررسی معیارهای کارایی و سودآوری وب‌سایت‌های تجارت الکترونیک و استفاده از آن‌ها برای بهینه‌سازی و افزایش سود برای مدیران تجاری و طراحان این سایت‌ها بسیار مهم بوده و از موضوعات مهم پژوهشی در حیطة تجارت الکترونیک می‌باشد. در این پژوهش یک مدل ریاضی جدید مبتنی بر تئوری گراف از وب‌سایت‌های تجارت الکترونیک ارائه و رفتار کاربران بر این اساس شبیه‌سازی شده است. سپس با استفاده از معیارهایی که برآمده از میزان کارایی و سودآوری وب‌سایت است الگوریتم‌هایی ارائه شده که ساختار صفحات وب‌سایت تجاری را بهبود می‌بخشد. از دستاوردهای دیگر پژوهش، ارائه رویکرد جدیدی برای بررسی وب‌سایت‌های تجاری است که بستری برای یافتن کاستی‌های این وب‌سایت‌ها ایجاد نموده و با ارائه این کاستی‌ها، اجزاء حساس و ضعیف سامانه تجارت الکترونیک را به مدیران می‌نمایاند.

در سال‏های اخیر، حجم داده‌های تولیدی در حوزه سلامت در حال افزایش است که از نمونه آن‌ها اطلاعات مربوط به شیوع همه‏گیری در جامعه است. در واقع الگوهای تماس افراد در جامعه، باعث ایجاد شبکه می‌شوند که تحلیل این شبکه از اهمیت زیادی در پیش‏گیری و کنترل شیوع بیماری‏ها برخوردار است. بنابراین ارائه مدلی برای ذخیره‏سازی این داده‌ها به نحوی که قادر باشد پرس‏وجوهای مطرح در این حوزه را به سرعت پاسخ دهد، ضروری است. در این مقاله برای ذخیره‌سازی این داده‌ها، از سیستم ذخیره‌سازی گرافی که یکی از انواع سیستم‌های «NoSQL» است، استفاده می‌کنیم. برای این کار ابتدا نیازها و پرس‌وجوهای مطرح در این حوزه را مشخص نموده و بر اساس آن مدل مناسب را در سیستم گرافی (neo4j) طراحی می‌کنیم. برای ارزیابی کار خود، طراحی مدل در یک سیستم رابطه‌ای (mysql) را نیز انجام داده و کارایی این دو را در پاسخ به پرس‌وجوها را با هم مقایسه کرده‌ایم. نتایج نشان می‌دهند که کارایی سیستم گرافی در بسیاری از موارد (مانند پیدا کردن مسیر انتقال بیماری، کوتاهترین مسیر بین دو فرد، پیماش گراف،... ) بهتر از سیستم رابطه‌ای است.

اخیرا استاندارد 802.15.4e، به منظور افزایش قابلیت اطمینان در زیر لایه کنترل دسترسی و برای استفاده در شبکه‌های حسگر بی‌سیم ارائه شده است. استفاده از کانال‌های متعدد غیرهمپوشان احتمال رخداد تصادم بین فرستنده‌ها را کاهش داده و این خود باعث افزایش کیفیت سرویس در شبکه و کاهش مصرف انرژی می‌شود. مکانیسم TSCH در این استاندارد هر گره حسگر را قادر می‌سازد تا ارسال بسته داده خود را بر روی یک کانال خاص و در یک اسلات زمانی معین زمانبندی کند. با این حال نحوه تخصیص کانال/اسلات و الگورریتم آن در استاندارد مشخص نشده است. در این مقاله، یک مکانیسم زمانبندی اسلات/کانال مبتنی بر 802.15.4e-TSCH برای شبکه‌های حسگر چندگامه ارائه می-شود. در مکانیسم پیشنهادی، هر گره به صورت توزیع‌شده و بر اساس حجم ترافیک عبوری اسلات‌های موردنیاز خود را برای ارسال داده تعیین می‌کند. در این روش با تخصیص اسلات‌های اختصاصی بیشتر به گره‌های نزدیک چاهک، امکان رخداد تصادم را در آن ناحیه کاهش می‌دهیم. نتایج اولیه شبیه‌سازی بر بستر OpenWSN حاکی از عملکرد کارآمد روش پیشنهادی است.