انجمن کامپیوتر ایران

یکی از اصول مهم در تدوین معماری سازمانی فناوری اطلاعات، همسوسازی اهدف فناوری و کسب وکار می باشد. عدم استفاده از روش های مناسب در فرآیند تکمیل نیازمندی چارچوب های معماری سازمانی، باعث بروز مشکلات تطبیق پذیری در تنظیم سند معماری سیستم های اطلاعاتی سازمان با زیرساخت های فناوری مناسب و نیازمندی های واقعی محیط می گردد. بخش عمده ای از شکست سیستم های ERP در سازمان ها مربوط به تجویزهای نادرست معماری ناشی از همین عدم تطبیق پذیری ها می باشد. مطالعات سال های اخیر نشان می دهد که چارچوب معماری سازمانی توگف با بهره گیری از روش ADM بهبود یافته و الحاق لایه ی تنظیمات مقدماتی، می تواند به عنوان راهکاری مناسب در مواجهه با این قبیل مشکلات مورد استفاده قرار گیرد. در این مقاله، به تحلیل و بررسی ویژگی های لایه تنظیمات مقدماتی در روش ADM بهبود یافته پرداخته و مبنای تطبیق پذیری چارچوب معماری سازمانی توگف با مولفه های کلان فناوری اطلاعات سازمان را معرفی خواهیم نمود.

در فرایند توسعه نرم افزار، کشف خطا اهمیت بالایی در کیفیت نرم افزار دارد. اگر خطاهای نرم افزار در مرحله طراحی یعنی قبل از پیاده سازی و اجرای آن کشف گردد، می توان کیفیت نرم افزار را به سطح قابل قبولی رساند. برای رسیدن به این هدف، ارزیابی صحت رفتار و اعتبارسنجی نمودارهای UML (Unified Modeling Language( می تواند نقش مهمی را در رویداد کشف خطا در مرحله طراحی، ایفا نماید. بررسی صحت رفتار و اعتبارسنجی نمودار توالی UML نیازمند تولید مسیرهای آزمون و ردیابی حالت های اجرایی تعامل ها در این نمودار است. در این مقاله سعی شده است با استفاده از شبکه های پتری رنگیمدل قابل اجرایی از تعامل های بیان شده در نمودار توالی UML، ارائه گردد که با استفاده از این مدل و اجرای آن بتوان به ردیابی حالت های اجرایی تعامل ها در نمودار توالی پرداخت. نتایج حاصل شده از مدل نشان می دهد که مدل قابل اجرای ایجاد شده، تمام حالت های اجرایی ممکن در نمودار توالی را شناسایی و استخراج می نماید، بنابراین این مدل می تواند به عنوان مدلی برای ارزیابی صحت رفتار و اعتبارسنجی سیستم بکار گرفته شود.

امروزه، محاسبات ابری منابع وسیعی را در اختیار سازمان‌ها و کاربران خود قرار می‌دهد. این منابع اغلب به صورت زیرساختی به شکل ماشین‌های مجازی به کاربران اجاره داده می‌شوند. از آنجا که کاربران دسترسی مستقیم به این زیرساخت ندارند، بهتر است خدمت موردنظر قبل از استقرار در محیط ابر با استفاده از مدل‌سازی، تحلیل و ارزیابی گردد. برای نیل به این هدف می‌توان از انتزاع فراهم شده توسط زبان مدل‌سازی یوام‌ال استفاده نمود. اگرچه، زبان استاندارد یوام‌ال یک زبان عام‌منظوره است اما امکانی فراهم نموده است تا از طریق سازوکار نمایه یوام‌ال زبان‌های مد‌ل‌سازی برای دامنه‌های خاص ارائه گردد. بر این اساس، در این پژوهش یک نمایه خاص دامنه محاسبات ابری با عنوان AUPCC طراحی و پیاده‌سازی می‌شود که امکان مدل‌سازی نمونه‌ها و زیرساخت سیستم پیش از استقرار در محیط محاسبات ابری را فراهم می‌کند. در نتیجه‌ی مدل‌سازی خدمت با استفاده از این نمایه، درک بهتری از خدمت مورد استقرار فراهم می‌گردد. به منظور ارزیابی سودمندی نمایه پیشنهادی، یک سیستم مدیریت فروش نوعی با آن مدل‌سازی ‌شده است.

تشخیص موضوع بر روی متون مختلف از جمله متون خبری یکی از مسائلی است که در سال‌های اخیر مورد توجه قرار گرفته و پژوهش‌های گوناگونی بر روی آن انجام شده است. برای حل این مسئله روش‌های مختلفی ارائه شده که در آن‌ها معمولاً به تعیین فاصله میان متون و خوشه‌بندی آن‌ها می‌پردازند و یا در برخی از پژوهش‌ها از روش‌های مدل‌سازی موضوعی برای حل این مسئله استفاده می‌‌کنند. هدف این روش‌‌ها در نهایت تقسیم‌‌‌‌بندی این متون به خوشه‌‌های مختلف است به شکلی که هر خوشه شامل متونی باشد که از نظر موضوع به هم نزدیک ‌‌باشند. از جمله روش‌‌های مورد استفاده برای خوشه‌‌بندی اسناد K-medoids است که این گونه از روش‌‌های خوشه‌‌بندی به انتخاب مراکز اولیه حساس بوده و با انتخاب مراکز اولیه مختلف نتیجه‌‌ی خوشه‌‌بندی تغییر می‌‌کند. در این مقاله یک روش تشخیص موضوع ارائه می‌‌شود که در این روش ابتدا برای تعیین فاصله میان اسناد از یکی از روش‌‌های مدل‌‌سازی موضوعی یعنی LDA (Latent Dirichlet Allocation) استفاده می‌‌کنیم. با بهره‌‌گیری از توزیع LDA اسناد، فاصله میان اسناد محاسبه شده و از روی آن گراف اخبار که نشان‌‌دهنده‌‌ی میزان شباهت میان اخبار است تولید می‌‌شود. گراف حاصل توسط الگوریتم K-medoids خوشه‌‌بندی می‌‌شود.‌‌ با توجه به حساس بودن این گونه از روش‌‌های خوشه‌‌بندی به مراکز اولیه، با استفاده از DivRank که یک روش گام‌‌برداری تصادفی تقویتی است مراکز اولیه مناسب مشخص می‌شوند و در اختیار الگوریتم K-medoids قرار می‌‌گیرند. آزمایش‌‌های ما بر روی مجموعه‌‌دادگان مختلف نشان می‌‌دهد که روش ما در نحوه‌‌ی تولید گراف و یافتن مراکز اولیه‌‌ی مناسب برای الگوریتم K-medoids در مجموع در روند تشخیص موضوع بهبود ایجاد می‌‌کند و در مقایسه با انتخاب تصادفی مراکز اولیه، با احتمالی بین 70% تا 92% (بسته به مجموعه‌دادگان متفاوت) به معیار F بالاتری می‌توان دست یافت.

مدارهای DCVS از جمله ساختارهای شناخته شده در طراحی مدارهای مجتمع هستند. این روش طراحی منجر به تولید همزمان دو خروجی می‌شود. به دلیل وجود افزونگی ذاتی در ساختار داخلی، از این مدارها معمولا در کاربردهای تشخیص خطا استفاده می‌کنند. سرعت بالا از دیگر مزایای این طرح است. در این مقاله، یک نیم جمع کننده سه ارزشی بر این اساس و با استفاده از جمع خازنی ارائه می‌شود. طرح پیشنهادی نمونه منحصربفردی است که تا جایی که نویسندگان این مقاله اطلاع دارند، قبلا مشابه آن وجود نداشته است. طراحی مدار با استفاده از ترانزیستورهای نانو لوله کربنی انجام می‌شود. این فنآوری نوظهور به عنوان اصلی ترین جایگزین ترانزیستورهای ماسفت در آینده شناخته می‌شود که قابلیت‌های زیادی به ویژه برای طرح‌های چند ارزشی ایجاد می‌کند. شبیه سازی‌هایی که با نرم افزار HSPICE و تکنولوژی 32 نانو متر انجام گرفته است نشان از استحکام و سرعت بالای مدار پیشنهادی دارد.

با توجه به اهمیت استفاده از شبکه‌های عصبی عمیق در بازشناسی خودکار گفتار، در این مقاله با انجام چندین آزمایش مختلف روی مجموعه دادگان گفتاری TIMIT سعی شده است، نحوه استخراج ویژگی‌های عمیق گلوگاهی، برای انجام بازشناسی خودکار گفتار مورد بررسی قرار گیرد. همچنین جهت بررسی نوع ویژگی‌های گفتاری ورودی، آموزش بانظارت و تاثیر مشتقات زمانی ویژگی‌های ورودی آزمایش‌هایی انجام شده است. از آزمایش‌های انجام شده مشخص گردید ویژگی‌های گلوگاهی قادر هستند، در مقایسه با ویژگی‌های رایج گفتاری مانند MFCC حدود 7 درصد دقت بازشناسی را افزایش دهند. همچنین بهترین دقت بازشناسی از ویژگی‌های گلوگاهی مربوط به شبکه آموزش دیده بصورت با نظارت، با استفاده از ویژگی‌ها طیفی مبتنی بر معیار مل (MFSC)، با در نظر گرفتن ویژگی‌های مشتق زمانی، حاصل شده است.

امروزه سرقت‌های نرم‌افزاری در قالب نسخه‌برداری، اشتراک و توزیع نرم‌افزارها به‌صورت غیرقانونی اتفاق می‌افتد. به‌همین دلیل امنیت و محافظت از نرم‌افزار نقشی اساسی در مهندسی نرم‌افزار ایفا می‌کند. با روند رو به رشد سرقت‌های نرم‌افزاری و گسترش استفاده‌ی کاربران از این نرم‌افزارها، موجبات نگرانی تولید‌کنندگان نرم‌افزارها فراهم‌شده است. هر چند امکان‌پذیر نیست که تولیدکنندگان به‌طور قطع اطمینان حاصل کنند که نرم‌افزارشان غیر‌قابل‌ نفوذ است، اما واقع‌گرایانه‌ترین راه‌حل این است که تا حد امکان از نرم‌افزار تولید شده محافظت نمایند و راه نفوذ را بر نسخه‌برداري غيرمجاز نرم‌افزار ببندند. تاكنون روش‌های مختلفي به‌منظور دشوارتر و پیچیده‌تر کردن سرقت‌های نرم‌افزاری ارائه شده است. در اين مقاله، براي محافظت از نرم‌افزار در برابر نسخه‌برداری‌های غیرمجاز، به ارائه راهکاری با بهره‌گیری از قفل سخت‌افزاری و تنظیم پروتکل ارتباطی بر پایه‌ی رمزنگاری، می‌پردازيم.

برای کار با سیستم‌های محاسبات ادراکی نیازمند مدل‌سازی کلمات و عبارات می‌باشیم. در این مقاله روشی برای مدل‌سازی کلمات بر پایه‌ی مجموعه‌ی سایه‌ای ارائه شده است. این روش مانند روش‌های Interval Approach (IA)، Enhanced Interval Approach(EIA) و Hao_Mendel Approach (HMA) شامل دو بخش data part و fuzzy part می‌با‌شد. در بخش اول بر روی بازه‌های جمع‌آوری شده از افراد پیش‌پردازش انجام می‌شود و در بخش دوم از بازه‌های باقی‌مانده از بخش اول، برای هر کلمه ابتدا مجموعه‌ی سایه‌ای(Shadowed Set) متناظر و سپس مجموعه فازی نوع اول(Type-1 Fuzzy Set) متناظر با آن به دست‌آورده می‌شود و در انتها، از مجتمع‌سازی مجموعه‌های فازی نوع اول، مدل فازی نوع-2 فاصله‌ای(Interval Type_2 Fuzzy Set) متناظر با کلمه به دست می‌آید. در این روش نیز مانند HMA بازه‌ی هم‌پوشان به عنوان بازه‌ای تفسیر می‌شود که همه‌ی افراد راجع به آن اتفاق نظر دارند و همین امر سبب کاهش ضخامت مدل‌های نهایی متناظر با کلمات می‌شود.

در دهه اخیر استفاده از مهندسی خط تولید نرم‌افزار در جهت توسعه محصول‌ها با هزینه پایین، کیفیت بالا و زمان مناسب ارائه به بازار، محبوبیت یافته است. فرایند مهندسی خط تولید نرم‌افزار، تفاوت‌های اساسی با نرم‌افزارهای تک محصول دارد و به همین دلیل در فعالیت‌هایی مانند تست نرم‌افزار نیز نمی‌توان از راهکارهای یکسانی برای هر دو این روش‌های توسعه استفاده کرد. در مهندسی خط تولید نرم‌افزار، فرایند تست می‌تواند بسیار هزینه‌بر باشد. پژوهش‌هایی که در جهت بهبود هزینه تست انجام شده است، اغلب برای تست سیستم بوده و کمتر بر تست یکپارچگی تاکید شده است. راه‌حل‌های موجود برای تست یکپارچگی خط تولید نرم‌افزار، از مزایای مدل ویژگی برای اولویت‌بندی موردهای تست در جهت رسیدن به مصالحه بین کیفیت تست و هزینه صرف شده برای آن، استفاده نکرده‌اند. در این مقاله روشی ارائه شده است که با تأکید بر استفاده مجدد از فراورده‌های مهندسی دامنه در خط تولید نرم‌افزار و بر اساس اولویت‌بندی موردهای تست یکپارچگی عمل می‌کند. این روش در دو مرحله باعث کاهش تعداد موردهای تست می‌شود که تأثیر قابل توجهی در کاهش هزینه تست دارد و در ارزیابی تحلیلی، این موضوع ثابت شده است. همچنین روش مورد نظر بر روی مدل ویژگی یک سیستم مدیریت آموزشی اعمال شده است.

پروژه خط سفید یكی از جدیدترین و سوال بر انگیزترین طرح های اصلاح فرهنگی انجام شده توسط شهرداری تهرران در سالهای اخیر است. این اصلاح رفتار ترافیكی، بیش از هر چیز پاسخ روشن شهروندان پایتخت به طرح انضباط ترافیكی تلقری میشرود کره مدیریت شهری با همكاری شهروندان، آن را آغاز کرده است. آموزش از راه دور می تواند در کوتاه تررین زمران ممكرن، بییرترین ضریب نفوذ در بین مردم را نسبت به سایر روش های میابه داشته باشد. امكانات کم و هزینه پایین این سیستم از مزیت های مهم این سیستم است. هدف آموزش الكترونیكی یا به عبارت دیگر آموزش از راه دور، ارتقای دانش و مهرارت هرای نیرروی انسرانی برا بكارگیری برنامه ای به روز و مقرون به صرفه است. در این مقااه، با استفاده از تكنیک تحلیل سلسله مراتبی، انواع روش های اموزش از راه دور جهت توسعه هرچه بییتر فرهنگ خط سفید مورد مقایسه و بررسی قرار گرفتند و سعی شده تا میزان موفقیت این طرح سنجیده شود و همچنین پارامتر های اثر گذار بر آن مورد تحلیل و بررسی قرار گیرد. مهمترین سواای که در این مطااعه بر آن تمرکز شد است، میزان موفقیت آموزش های داده شده زمینه توسعه فرهنگ خط سفید به شهروندان است. با توجه به امتیراز نهرایی بره دست آمده از مقایسات زوجی گزینه توسعه آموزش از راه دور با استفاده از اپلیكیین و موبایل بییترین امتیاز را نسبت بره سرایر مدل های دیگر بدست آورده است. همچنین، مطالعات میدانی و پرسینامه ای بیانگر رضایت نسبی شهروندان از توسعه کنونی و آتی این طرح در منطقه 61شهرداری تهران است.

امروزه شبکه های اجتماعی با تحول شگرفی که در نظام اجتماعی به وجود آورده اند، چنان در بین کاربران اینترنتی تلفن همراه مورد استقبال قرار گرفته اند که به جرات می توان گفت از تاثیرگذارترین خدمات ارائه شده در اینترنت هستند. هدف این مقاله تاثیر شبکه های اجتماعی تلفن همراه بر هویت فرهنگی دانشجویان شهر تهران در سال 1395 است. این پژوهش از نظر هدف کاربردی و از نظر شیوه اجرا پیمایشی است. جامعه آماری پژوهش را دانشجویان دانشگاه آزاد واحد علوم و تحقیقات تشکیل داده اند که بر اساس جدول کرجسی و مورگان 170 نفر به صورت تصادفی مورد پرسش قرار گرفته اند. داده های این پژوهش با استفاده از پرسشنامه محقق ساخته روا و پایا (آلفای 79%) گردآوری شده اند. داده ها با استفاده از نرم افزار spss19 و با کمک آزمون های آماری رگرسیون و ضریب همبستگی تاو-بی کندال تحلیل شدند. نتایج پژوهش نشان داد که بین مدت زمان عضویت، میزان استفاده و میزان مشارکت و فعالیت کاربران در شبکه های اجتماعی تلفن همراه و هویت فرهنگی کاربران رابطه معنادار معکوس و بین واقعی تلقی کردن محتوای مطالب شبکه های اجتماعی تلفن همراه و هویت فرهنگی کاربران رابطه معنادار مثبتی وجود دارد. یعنی هر چه مدت زمان عضویت، میزان استفاده و میزان فعالیت و مشارکت کاربران در شبکه های اجتماعی تلفن همراه از سوی کاربران افزایش یابد هویت فرهنگی کاربران ضعیف تر می شود.

قابلیت استفاده، یکی از ویژگی‌های مهم کیفیت در نرم افزارهای تلفن همراه است. با توجه به اینکه این ویژگی، اغلب با تجربیات کاربری و نظرات استفاده کنندگان مرتبط است، ارزیابی آن یکی از چالش‌های متداول سیستم‌های نرم افزاری است. برای حل این مساله، در این مقاله رویکردی کمّی برای اندازه‌گیری قابلیت استفاده نرم افزارهای تلفن همراه ارائه شده‌است. بدین منظور، معیارهای دقیق و قابل اندازه‌گیری برای قابلیت استفاده تعریف شده است. به طوری که این معیارها، با ثبت وقایع و تاریخچه فعالیت‌های کاربر در نرم‌افزار تلفن همراه قابل محاسبه و اندازه¬گیری هستند. همچنین، در این مقاله قابلیت استفاده یک نرم افزار متن باز تلفن همراه بر اساس این روش ارزیابی شده است. در این ارزیابی، معیارهای قابلیت پیدا کردن کارکرد در نرم افزار، قابلیت انجام کار به صورت درست، زمان اجرای وظیفه، زمان مکث، خطا‌های مسیر، زمان جستجوی مسیر درست عملکرد، تعداد خطا‌ها و زمان واکنش به خطا به عنوان معیارهای منتخب قابلیت استفاده درنظر گرفته شده اند. سپس قابلیت ثبت وقایع مورد نیاز و تاریخچه فعالیت‌های کاربر به نرم افزار منتخب اضافه شده است. همچنین، برای اندازه گیری این معیارها، یک ارزیابی تجربی طراحی و اجرا شده است. در اجرای این ارزیابی، تعداد 30 کاربر شرکت داشته اند و از آن‌ها خواسته شده است که لیست فعالیت‌های مشخصی را در نرم افزار انجام دهند. بر اساس وقایع ثبت شده، هر یک از معیارهای ارزیابی اندازه گیری و محاسبه شده است. نتایج این ارزیابی نشان می‌دهد که برای یک کارکرد مورد ارزیابی، تنها 23% از کاربران موفق به اجرای آن به صورت صحیح شده اند. همچنین، متوسط زمان جستجوی مسیر صحیح برای رسیدن به این کارکرد 78 ثانیه و متوسط خطاهای کاربران14.33 بوده است. این نتایج نشان می‌دهد که برای این کارکرد مشخص از نرم افزار منتخب، قابلیت استفاده نرم افزار بسیار ضعیف است و نیاز به بازبینی و اصلاح دارد. بر اساس رویکرد این مقاله، اندازه گیری قابلیت استفاده به یک فعالیت دقیق و مهندسی تبدیل شده است که تولیدکنندگان نرم‌افزار را از روش‌های غیردقیق و کیفی برای ارزیابی قابلیت استفاده، مانند تکمیل پرسشنامه توسط کاربران، بی‌نیاز می‌کند و مبنایی دقیق برای تشخیص بهبودهای موردنیاز در نرم افزار فراهم می‌آورد.

با پیشرفت تکنولوژی و کاهش ابعاد ترانزیستورها، چالش‌های جدیدی در حوزه قابلیت اطمینان تراشه‌های دیجیتال بوجود آمده است. از جمله این چالش‌ها می‌توان به سالمندی ترانزیستورها اشاره کرد که باعث کاهش کارآیی و تخریب عملکرد مدار می‌شود. تاکنون روش‌های مختلفی با استفاده از تکنیک بازسنتز منطقی به منظور کاهش اثرات سالمندی در یک مدار ارائه شده است. اما مشکل اصلی این روش ها طولانی بودن زمان اجرا و غیر قابل اعمال بودن آن‌ها برای مدارهای مقیاس بزرگ می‌باشد. در این مقاله، یک روش بازسنتز منطقی مبتنی بر بخش‌بندی به منظور کاهش تنزل کارآیی ناشی از سالمندی در یک مدار دیجیتال ارائه شده که به طور موثری زمان اجرای فرآیند بهینه‌سازی را کاهش می‌دهد. در روش پیشنهادی، مدار با استفاده از ساختارهای مخروطی به مجموعه ای از زیرمدارهای کوچکتر بخش‌بندی می‌شود. سپس این زیرمدارها سطح بندی شده و زیرمجموعه‌ای از موثرترین زیرمدارها به منظور بهینه‌سازی انتخاب شده و تکنیک بازسنتز منطقی بر روی هر زیر مدار اعمال می‌شود که باعث کاهش فضای جستجو و کاهش زما اجرای الگوریتم می‌شود. نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی با سربار مساحت 2/3% تنزل کارآیی ناشی از سالمندی را حدود 9/12% بهبود داده است. همچنین زمان اجرای روش پیشنهادی در مقایسه با روش همسان‌سازی مسیرها، حدود 11 برابر سریع‌تر است.

رشد انفجاری اطلاعات در سال‌های اخیر و ادامه این روند سبب افزایش تمایل کاربران به سامانه‌های خلاصه‌سازی خودکار متن برای دستیابی به اطلاعات مورد نیازشان شده است. در این مقاله یک روش نوین برای خلاصه‌سازی تک‌سندی بر پایه الگوریتم ژنتیک ارائه شده است که در آن تولید خلاصه استخراجی به یک مسئله بهینه‌سازی دودویی نگاشت می‌شود. تابع هدف در سامانه پیشنهادی متشکل از پنج معیار امتیازدهی به جملات است که سه ویژگی آن مبتنی بر ویژگی‌های ظاهری و دو ویژگی دیگر مبتنی بر شباهت کسینوسی است. ایده اصلی در تابع هدف، استفاده از شباهت کسینوسی بین جملات خلاصه و جملات متن اصلی و همچنین بین جملات خلاصه و عنوان سند برای افزایش پوشش مطالب مهم متن ورودی است. کاهش افزونگی در خلاصه تولیدی از طریق محاسبه شباهت بین جملات خلاصه با یکدیگر صورت می‌گیرد. علاوه بر این، جهت تولید خلاصه‌ای با حداکثر طول مشخص تابع تولید جمعیت اولیه و عملگرهای بازتولید در الگوریتم ژنتیک دستخوش اصلاحاتی شده است. ارزیابی سامانه پیشنهادی با استفاده از ابزار استاندارد ROUGE روی مجموعه داده DUC2002 انجام گرفته است. نتایج ارزیابی و مقایسه این سامانه با بهترین روش‌های موجود برای خلاصه‌سازی تک‌سندی نشان‌دهنده عملکرد بهتر روش پیشنهادی نسبت به سایر روش‌ها است.

در سال 2014 یک مسابقه بین‌المللی تحت عنوان مسابقه سزار (CAESAR) شروع به کار کرد که هدف آن انتخاب یک یا چند الگوریتم رمزگذاری توام با احراز اصالت امن و کارا است. الگوریتم Deoxys یکی از الگوریتم‌هائی است که به دور سوم مسابقه بین‌المللی سزار راه یافته است. الگوریتم Deoxys از تابعی مشابه تابع دور الگوریتم AES به همراه یک ورودی اضافه به عنوان توئیک، بهره می‌برد. در این مقاله یک تحلیل تفاضل ناممکن برای رمز قالبی کاهش یافته‌ی هفت دوری Deoxys-BC-256 در مدل توئیک ارائه می‌شود. این اولین بار است که امنیت این رمز قالبی در مقابل تحلیل تفاضل ناممکن بررسی می‌شود. همچنین براساس اطلاعات نویسندگان مقاله این اولین بار است که هفت دور رمز قالبی Deoxys-BC-256 در مدل تک‌کلید بررسی می‌شود. تحلیل‌های ارائه شده در مقالات منتشر شده، در مدل کلید و توئیک مرتبط هستند که نسبت به مدل توئیک مرتبط، مدلی نظری محسوب می‌شود. تحلیل ارائه شده در این مقاله، از نوع توئیک مرتبط و متن اصلی منتخب است که به 248 بایت حافظه نیاز دارد و پیچیدگی داده‌ای معادل 2116.5 متن منتخب و پیچیدگی زمانی معادل 2116.5 عملیات رمزگذاری هفت دوری دارد.

در سال‏‌های اخیر برای مجموعه پیمانه {pow(2,n)±1,pow(2,n)±3} طراحی ساختارهای گوناگون سیستم اعداد مانده‏ای، اعم از واحدهای حسابی، مبدل مستقیم و مبدل معکوس مورد توجه پژوهشگران قرار گرفته است. پیاده‏‌سازی مبدل معکوس برای این مجموعه پیمانه، به دلیل پیچیدگی بالای آن از اهمیت ویژه‏‌ای برخوردار است. رویکردهای صورت پذیرفته برای رسیدن به این مهم، یعنی مبدل معکوس کارآمد برای مجموعه پیمانه مذکور تنها محدود به نمایش بدون علامت بوده است. تعامل هر چه کاراتر سیستم اعداد مانده‏‌ای با نمایش وزن‌دار علامت‌دار در طراحی پردازنده‌های سیگنال دیجیتال امری ضروری تلقی می‏‌شود. به همین دلیل در این مقاله، برای اولین بار برای مجموعه پیمانه {pow(2,n)±1,pow(2,n)±3} الگوریتم و پیاده‏‌سازی سخت‌افزاری کارآمدی از مبدل معکوس علامت‏‌دار ارائه می‌‏دهیم. افزون بر آن، واحد مبدل معکوس علامت‏‌دار ارائه‌ شده، شامل واحد تشخیص علامت نیز است،که اولین واحد تشخیص علامت برای مجموعه پیمانه مذکور نیز به‌حساب می‏‌آید. در طراحی واحد مبدل معکوس علامت‌دار پیشنهادی با استفاده از روش اشتراک سخت‏‌افزار، به ساختاری کارآمد هم از نظر سخت‌افزار مصرفی و هم تأخیر انتشار بیشینه دست پیدا کرده‌ایم.

This paper concentrates on cloud computing as one of the principal building blocks of a smart factory to provide a huge data storage space and a highly scalable computational capacity. The cloud computing system used in a smart factory should be a time-predictable computing framework to be able to satisfy hard-real requirements of various applications existing in manufacturing systems. Interleaving an intermediate computing layer –called Fog– between a factory and a cloud data center is a promising solution for such a system to deal with the latency requirements of hard real-time applications. In this paper, a time-predictable cloud framework is proposed which is able to satisfy end-to-end latency requirements in a smart factory. To propose such an industrial cloud framework, we not only use the existing real-time technologies such as Industrial Ethernet and Real-time XEN hypervisor, but we also discuss unaddressed challenges. Among the unaddressed challenges, the partitioning of a given workload between a fog platform and a cloud data center is targeted. Addressing the partitioning problem not only provides a resource provisioning mechanism, but also gives us a prominent design decision to know how much computing resource is required to develop a Fog platform, and how large should be the minimum communication bandwidth between a fog and a cloud data center.

اختلال طيف اوتيسم يکي از مهم‌ترين بيماري‌هاي عصب شناختي است. اوتيسم يک اختلال مغزي است که در تعاملات اجتماعي و نحوه برقراري ارتباطات فرد اشکالاتي را ايجاد مي‌کند. با پيشرفت فناوري تصويربرداري مغزي، گراف ساختاري نواحي مغز در دسترس قرار دارد. پژوهش‌هاي پيشين در طبقه‌بندي شبکه‌هاي ساختاري در دو گروه داراي کنترل‌هاي سالم يا داراي اختلال اوتيسم با محدوديت‌هاي زيادي از جمله مهندسي ويژگي و زمان اجرا مواجه هستند. در اين مقاله، پس از پيش پردازش هر شبکه، تصويري از آن توليد شده و مسئله طبقه‌بندي شبکه‌هاي پيچيده به طبقه‌بندي تصاوير ساده با استفاده از يادگيري ماشين تبديل مي‌شود. دقت اين روش نسبت به پژوهش‌هاي پيشين داراي بهبود قابل توجه‌، سرعت بيشتر و برخورداري از قابليت پياده‌سازي موازي است و به نظر مي‌رسد که مي‌توان از آن براي ساير گونه‌هاي بيماري‌هاي عصب شناختي بهره برد. نتايج اين تحقيق با راهبرد LOOCV (leave out one cross validation) ارزيابي و نشان داده شده که اطمينان روش پيشنهادي به اندازه‌اي است (ميانگين دقت 99%) که بتوان از آن به عنوان يک ابزار کمک تشخيصي مناسب بهره جُست.

در سال‌هاي گذشته، کاربران محدود به مشاهده اطلاعات در وب‌سايت‌ها بوده‌اند اما امروزه با گسترش استفاده از شبکه‌هاي اجتماعي در بين کاربران در سرتاسر جهان، افراد بيش‌ترين زمان خود را در اين شبکه‌ها صرف مي‌کنند. شبکه‌هايي نظير فيس‌بوک، يوتيوب و توييتر به عنوان پرکاربردترين و محبوب‌ترين نوع شبکه‌هاي اجتماعي بر اساس تعداد کاربران شناخته شده‌اند، اين محبوبيت در شبکه‌هاي اجتماعي منجر به مشکلات مختلفي ازجمله امکان افشاي اطلاعات نادرست و ايجاد محتواي مخرب به کاربران خود از طريق حساب‌هاي جعلي شده‌اند که باعث به‌‌وجود آمدن مشکلات و آسيب‌هاي جدي براي کاربران در دنياي واقعي و مجازي شده است. از اين‌رو در اين پژوهش به شناسايي حساب‌هاي جعلي در توييتر برمبناي ويژگي‌هاي مبتني بر پروفايل و محتواي توييت و طراحي ويژگي‌هاي موثر با استفاده از يادگيري نظارتي و الگوريتم‌هاي طبقه‌بندي J48، K-نزديک‌ترين همسايه، بيزين، شبکه عصبي و پرسپترون پرداخته شده است که در نهايت پس از آزمايش مجموعه داده‌ و تست نتايج، دقت تشخيص نسبت به اکثر پژوهش‌هاي پيشين بهبود يافته است. الگوريتم J48 توانسته است بهترين نتيجه را با دقت %92/99 به‌دست آورد که با مقايسه اين مطالعه با تحقيقات اخير در اين حوزه دقت روش پيشنهادي در اين پژوهش ثابت شده است.

ماشين يادگيري سريع، الگوريتمي براي آموزش شبکه‌هاي عصبي با يک لايه‌ي مخفي است. ساختار تک لايه‌ي اين مدل، کارايي و توانايي تعميم اين الگوريتم را نسبت به ساير شبکه‌هاي عميق کاهش داده است. به منظور استخراج ويژگي‌هاي موثر از داده‌هاي خام، روش‌هاي متفاوتي براي ايجاد يک مدل عميق و چند لايه مبتني بر ماشين يادگيري سريع، ارائه شده است. در تمامي اين روش‌ها، براي تعيين پارامتر‌‌هاي هر لايه، از يک اتوانکدر -که تنها به دنبال ساخت مجدد داده‌ي ورودي در خروجي است و هيچ توجهي به برچسب‌هاي صحيح داده‌هاي آموزشي ندارد- استفاده شده است. در اين مقاله، با بهره‌گيري از برچسب‌هاي صحيح داده‌هاي آموزشي، الگوريتم جديدي براي تعيين پارامتر‌هاي هر لايه از ماشين يادگيري سريع عميق، ارائه شده است. در نظر گرفتن ارتباط بين هر لايه و خروجي صحيح، موجب افزايش کارايي اين مدل شده است. نتايج آزمايش‌ها روي 5 مجموعه داده متفاوت نشان مي‌دهد که دقت طبقه ‌بندي الگوريتم پيشنهادي نسبت به ساير روش‌هاي مشابه بهبود پيدا کرده است.