انجمن کامپیوتر ایران

به وجود آمدن اينترنت اشياء يا IoT بسياري از مسائل مربوط به شبکه‌هاي بي‌سيم را تحت تأثير قرار داد. با توجه به تعدادِ زياد تجهيزات بي‌سيم، همچنين کاربردهاي متنوع اينترنت اشياء در زندگي روزمره انسان‌ها، روش‌هاي کنترل دسترسي به رسانه انتقال MAC و مسيريابي کارآمد نقش مهمي در تضمين دست‌یابي به اهداف نهايي شبکه، که در نهايت موجب رضايت کاربران مي‌شود، ايفا ميکند. در اين مقاله، يک الگوريتم مسيريابي شناختي آگاه از وضعيت رسانه و آگاه از انرژي پيشنهاد شده‌است. در اين روش، يک شبکه از اتوماتاي يادگير با مجموعه اعمال متغير براي ساختن مسير از مبدأ به مقصد به کار گرفته مي‌شود. انتخاب مسير در هر گام به صورت توزيع شده و خود-تطبيقي، و با در نظر گرفتن قابليت اطمينان اتصال (پارامتر کنترل دسترسي به رسانه)، انرژي گره (پارامتر فيزيکي مؤثر)، و فاصله گره تا مقصد (پارامتر مسيريابي) انجام مي‌شود. به اين ترتيب، روش پيشنهاد شده قابليت‌هاي اصلي يک روش شناختي را دارا مي‌باشد. نتايج حاصل از شبيه سازي و مقايسه با پروتکل‌هاي کارآمد و رايج پيشين نشان مي‌دهد، که اين روش قادر است معيارهاي مهم کارآيي شبکه، يعني قابليت اطمينان انتها به انتها، تآخير انتها به انتها، و ميزان مصرف انرژي را بهبود بخشد

شهر هوشمند مبتني بر فناوري اطلاعات و ارتباطات يکي از راه‌حل‌هاي موفق براي مقابله با مشکلات و پيچيدگي‌هاي سيستم‌هاي مختلف شهري، مانند حمل و نقل، خدمات اداري و شهري، محيط زيست، سلامت شهروندان ... است. افزايش کيفيت در ارائه خدمات در هر يک از اين سيستم‌ها از اهداف هوشمندسازي است که با گسترش فناوري‌هاي ارتباطي مانند اينترنت اشيا تا اندازه‌اي محقق شده است. اين مقاله وضعيت شهر تبريز را بر اساس شاخص‌هاي مدل‌هاي مرجع ارزيابي شهر هوشمند بررسي و هدف آن کمک به برنامه‌ريزان شهري براي شناخت چالش‌ها و فرصت‌ها در بستر شهر هوشمند است. به اين منظور، شاخص‌هاي ارزيابي مرتبط از چندين مدل مرجع استخراج، سپس داده‌هاي مورد نظر هر شاخص جمع‌آوري، و بعد از تحليل دادهها ميزان کيفي هر کدام براي شهر تبريز استنتاج شده است. نتايج تحليل داده‌ها نشان مي‌دهد که شهر تبريز يکي از شهرهاي در حال توسعه سيستم‌هاي هوشمند شهري است، اما ضعف سيستم‌هاي ارتباطي به عنوان بستر توسعه شهر هوشمند و نيز عدم برنامه‌ريزي کلان و هماهنگي در سطح مديريت شهري، باعث کندي اين حرکت شده است.

امروزه انرژي به‌عنوان يكي از مهم‌ترين اركان عوامل توليد و اقتصاد هر كشور محسوب مي‌گردد و تأثير مستقيم و يا غيرمستقيم بر بخش‌هاي مختلف اقتصادي، اجتماعي، سياسي، زيست‌محيطي و غيره دارد. عرضه انرژي به‌صورت امن، قابل‌اطمينان، قابل حصول و پاك، جهت رشد اقتصادي و بهبود استانداردهاي زندگي مردم، از چالش‌هاي بزرگ قرن اخير مي‌باشد. حوزه‌هاي کاربردي زنجيره‌بلوکي در صنعت انرژي با توجه به جديد بودن اين فناوري، به‌طور عمومي شامل تبادلات همتا به همتاي انرژي ، کنترل اپلاينس هاي هوشمند و پرداخت‌هاي صورتحساب با رمزارزها مي‌شود‎. با توجه به اين‌که منابع تأمين انرژي به دو دسته منابع تجديد ناپذير و تجديد پذير تقسيم مي‌گردند، با بررسي نتايج پژوهش‌هاي شرکت‌هاي بزرگ جهان ، مي‌توان نتيجه گرفت که تمرکز و پيشرفت استفاده از فناوري زنجيره‌بلوکي در اين صنعت، در حال حاضر بر روي انرژي‌هاي تجديد پذير و به‌خصوص برق بوده است. پژوهش پيش رو با عنوان مروري بر کاربردهاي زنجيره‌بلوکي در حوزه انرژي، در سه بخش ارائه شده است. بخش اول اين مقاله به ارائه کلياتي در حوزه زنجيره‌بلوکي و انرژي مي‌پردازد. در بخش دوم کاربردهاي زنجيره‌بلوکي در صنعت انرژي بررسي شده است. در اين بخش،سه کاربرد مطرح شامل تبادلات همتا به همتاي انرژي و کنترل اپلاينس هاي هوشمند و پرداخت‌هاي صورتحساب با رمزارزها و موارد کاربردي و محصولات آن‌ها در بازار شرح داده شده است.

شبکه‌هاي حسگر بي‌سيم شامل تعداد زيادي گره حسگر با انرژي محدود مي‌باشند که در مناطق جغرافيايي خاص پراکنده مي‌‌شوند. مهمترين مسئله در اين شبکه‌ها افزايش طول عمر شبکه است. با توجه به محدوديت‌هاي موجود در آرايش و طراحي گره‌ها در شبکه‌‌هاي حسگر، خوشه‌بندي يکي از مناسب‌‌ترين راه حل‌‌ها براي بهبود در استفاده از انرژي و غلبه بر اين محدوديت انرژي مي‌باشد. در اين مقاله يک مدل برمبناي الگوريتم بهينه‌‌سازي قلب براي خوشه‌بندي شبکه‌هاي حسگر بي‌سيم ارائه شده است. در مدل پيشنهادي، سرخوشه‌ها برمبناي انرژي باقيمانده و فاصله انتخاب مي‌شوند. در هر خوشه، يک گره به عنوان سرخوشه انتخاب مي‌‌شود که گره‌‌هاي زير مجموعه‌‌ي اين سرخوشه اطلاعات خود را به آن ارسال کرده و گره سرخوشه، داده‌‌هاي دريافتي، را به چاهک ارسال مي‌‌کند. اين سرخوشه در دورهاي بعدي تغيير مي‌‌کند تا تمامي گره‌‌هاي زير مجموعه يکبار سرخوشه شوند. نتايج شبيه‌سازي نشان داد که مدل پيشنهادي در مقايسه با LEACH عملکرد بهتري دارد. تعداد بسته‌‌هاي دريافت شده توسط چاهک در مدل پيشنهادي در مقايسه با LEACH بيشتر است. با بررسي نمودارهاي مربوط به تعداد بسته‌‌هاي دريافت شده توسط چاهک، تعداد گره مرده و تعداد گره زنده مشهود است که مدل پيشنهادي کارايي بالايي دارد. مدل پيشنهادي برمبناي پارامترهاي فاصله و انرژي باقيمانده در مقايسه با LEACH عملکرد بهتري دارد و توانسته طول عمر گره‌‌ها را بهبود دهد.

امروزه با گسترش استفاده از شبکه‌هاي بي‌سيم محلي، نياز به افزايش سرعت و کيفيت انتقال اطلاعات در اين شبکه‌ها بسيار افزايش يافته‌است. يکي از موثرترين روش‌هايي که تاکنون در راستاي دستيابي به اين هدف مطرح شده‌است، مکانيسم تجميع فريم است. تعيين اندازه فريم تجميعي همواره يک چالش مهم بوده و هدف اصلي پژوهش‌هاي مرتبط با اين مسئله، افزايش اندازه تجميع تا حداکثر ميزان ممکن با توجه به محدوديت‌هاي تأخير بوده‌است. از طرفي ارزيابي روش‌هاي موجود اغلب از طريق شبيه‌سازي صورت گرفته است. اين مقاله روشي جديد به نام Binary BitAllowance را معرفي مي‌کند که در آن اندازه فريم تجميعي با توجه به نرخ ارسال، براي هر ايستگاه تعيين مي‌شود. هدف اصلي در اين روش کمينه‌سازي مجموع زمان ارسال در هر ايستگاه است. در نتيجه ميزان استفاده از کانال توسط ايستگاه‌هاي مختلف کاهش يافته و منابع موجود به صورت بهينه‌ مورد استفاده قرار مي‌گيرند. روش پيشنهادي به‌همراه دو روش مهم EDF و موعدمحور در يک بسترواقعي و در هسته لينوکس پياده‌سازي شده و مورد ارزيابي قرار گرفته‌اند. نتايج ارزيابي‌ها نشان مي‌دهند که در حالت ارسال ترافيک به صورت اشباع، اين روش نه تنها ميانگين تأخير در ارسال بسته‌ها را نسبت به دو روش ديگر به حدود يک پنجم کاهش مي‌دهد، بلکه مدت زمان اشغال کانال در آن نيز ثابت بوده‌است. همچنين در اين روش هيچ يک از بسته‌ها گم نشده و حتي تأخير ارسال در هيچ بسته‌اي بيشتر از آستانه قابل قبول نبوده‌است. در حالي که در دو روش ديگردر حالت اشباع، حدود 80% از بسته‌ها آستانه تأخير را نقض کرده و حدود 15% از آنها گم شده‌اند.

به منظور کاهش آلودگی هوا و بهبود بهره‌وری انرژی، بسیاری از کشورها و شهرها وسایل نقلیه الکتریکی را به عنوان جایگزینی مناسب برای خودروهای بنزینی، در سیستم ترافیک فعلی معرفی کرده‌اند. یکی از زیرساخت‌های مهم در جهت توسعه شبکه خودروهای الکتریکی، ایستگاه‌های شارژ این خودروها می‌باشد. با توجه به هزینه بالای نصب و نگه-داری این ایستگاه‌ها، انتخاب محل‌هایی جهت ایجاد آن‌ها به صورت مناسب و بهینه از اهمیت زیادی برخوردار است. در این مقاله راهکاری برای انتخاب مناسب‌ترین محل جهت احداث ایستگاه شارژ از بین نقاط کاندید با در نظر گرفتن محدودیت‌های شهری و ترافیکی ارائه گردیده‌است. هدف، قرار گرفتن جایگاه‌های شارژ در مناطقی است که هزینه‌ها در آن کمینه شده و پارامترهایی چون چگالی خودرویی (تعداد خودروها در ناحیه‌ای مشخص)، جریان ترافیک و محدودیت-های محیطی با هدف رسیدن به کارآیی بالای شبکه در چیدمان لحاظ شده باشند. انتظار می‌رود با در نظر گرفتن پارامترهای بالا در چیدمان و مسیردهی مناسب خودروها به سمت ایستگاه شارژ متناسب با مقصد، از میزان زمان سفر، اتلاف انرژی و زمان انتظار و هزینه نصب و نگه داری ایستگاه‌های اضافی کاسته شود.

احساسات، نقش مهمی را در ارتباطات انسان‌ها ایفا می‌کنند. از اين رو نياز به بازشناسي خودکار آن براي بهبود ارتباط انسان و رايانه افزايش يافته است. در سال‌های اخیر تشخیص احساسات دروني افراد بسيار مورد توجه قرار گرفته است. مطالعه‌ احساس از طریق پردازش سیگنال‌های بیولوژیکی، علاوه بر تشخیص و درمان به موقع ناهنجاری‌های روانی، در علوم مبتنی بر تعاملات انسان و رایانه نیز نقش مهمی بازی می‌کند و باعث پیشرفت‌های زیادی در این زمینه می‌گردد. اما با توجه به این‌که معمولا تعداد کانال‌ها و تعداد ویژگی‌های استخراج شده از سیگنال مغز زیاد است، رسیدن به زیر فضایی کاهش یافته‌ای که تشکیل شده از ویژگی‌های موثر و مشترک بین افراد باشد بسیار با اهمیت است. از طرفی این زیر فضا بایستی به نحوی باشند که در مواجهه با افراد جدید کارایی مناسبی داشته باشد. به همین منظور در این مقاله برای بدست آوردن زیرفضای کاهش یافته مرتبط با احساسات و مشترک بین افراد، رویکرد چند وظیفه‌ای ارائه شده است. برای نشان دادن کارایی روش پیشنهادی از دادگان SEED و DEAP استفاده شد. نتایج آزمایشات نشان می‌دهند که روش پیشنهادی نسبت به روش‌های مطرح در این حوزه کارایی بهتری دارد.

فرآیند مهاجرت به ابر، با توجه به ساختار پیچیده برنامه‌های قدیمی، محیط پویا و تغییر اولویت اهداف استراتژیک سازمان‌ها، مدل‌های مختلف مهاجرت و تنوع بسیار زیاد خدمات ابری مسئله‌ای پیچیده، زمان‌بر، مستعد خطا و چالش برانگیز است. در مقایسه با رویکردهای موجود که فرآیند مهاجرت را به عنوان یک مسئله بهینه سازی برای یافتن یک استقرار بهینه از اجزای نرم افزاری بر روی ابر بدون ارائه یک برنامه مهاجرت عملی مدل نموده‌اند، در این مقاله یک رویکرد مهاجرت مبتنی بر برنامه ارائه شده است که بر اساس آن مدیریت سازمان قادر به دنبال کردن گام‌های مهاجرت تعریف شده در یک برنامه معتبر است که تا حد ممکن اهداف استراتژیک سازمان را برآورده می‌سازد. رویکرد ما یک مدل مخفی مارکوف را به عنوان یک مدل از محیط برای تعیین اولویت اهداف استراتژیک سازمان با توجه به مشاهدات محیطی پیشنهاد می‌کند. مطالعات تجربی نشان می‌دهد، به ویژه در شرایط پویا و متغییر که استفاده از برنامه مهاجرت انعطاف‌پذیر ضروری است، روش تطبیق‌پذیر در برآوردن اهداف استراتژیک سازمانی بسیار موثر است به طوریکه این روش در مقایسه با روش غیر تطبیقی با اطمینان %90 در کاهش هزینه‌های نگهداری در طول زمان، بهتر عمل کرده است.

تشخيص حملات شبکه به عنوان يکی از مکانیزم‌های اصلی در برآوردن امنیت شبکه‌ها و سیستم‌های رایانه‌ای مطرح است. در اين مقاله از يک طبقه‌بند ترکيبي جديد براي سيستم تشخيص نفوذ به شبکه استفاده می‌شود. به اين صورت که ابتدا داده‌ها به چند طبقه‌بند داده می‌شود، خروجي هر کدام از طبقه‌بندها گرفته می‌شود، سپس به جاي راي‌گيري حداکثري، از خروجي اين چند طبقه‌بند به عنوان ورودي يک طبقه‌بند جديد استفاده می‌شود. طبقه‌بندهاي مورد استفاده در این تحقیق درخت تصميم، نزديکترين همسايه و Bagging می‌باشد. هدف ما دراین مقاله کاهش نرخ هشدار نادرست در سیستم‌های تشخیص نفوذ به شبکه بود که با این روش پیشنهادی توانستیم نرخ هشدار نادرست را در دو کلاس حمله U2R و R2L به صفر و همچنین دو کلاس حمله DOS و Probe به ترتیب 0.02 و 0.01 برسانیم که در اين راستا نتايج بدست آمده آمار مورد قبولي را ارائه کرده‌اند و بيانگر كارايي خوب اين سيستم در تشخيص نفوذ مي‌باشد.

تخمین جهت دریافت منابع باند پهن از دیرباز در بسیاری از کاربردها مورد استفاده قرار گرفته است. استفاده از روش‌های همدوس همچون روش‌های همدوس زیرفضایی سیگنال به دلیل دقت بالا و عملکرد مناسب در نسبت سیگنال به نویزهای پایین همواره مورد توجه بوده است. در این مقاله تلاش کرده‌ایم تا روش تشکیل ماتریس نگاشتی برای روش‌های همدوس ارائه دهیم که برخلاف روش‌های گذشته نیازی به عملیات پیش‌پردازش جهت به دست آوردن تخمین اولیه از جهت‌ها نداشته باشد.

امروزه با مطرح شدن مباحثی همچون دولت الکترونیک، با فرآیندهای بزرگ و پیچیده‌ای مواجه هستیم که برمبنای مشارکت سازمان‌های مختلف و سرویس‌های آن‌ها طراحی می‌شوند. در راستای این مشارکت، روز به روز شاهد افزایش اهمیت مبحث تعامل‌پذیری برون سازمانی هستیم. در این مقاله با تمرکز بر جایگاه تعامل‌پذیری در فرآیندهای کسب‌وکار و با بررسی چالش‌های این حوزه، از جمله بار سنگین ناشی از فراخوانی‌های مکرر و لزوم پشتیبانی از سرویس‌های کاری متنوع و پویا در تعاملات و فرآیندها، به معرفی راهکاری مبتنی‌ بر معماری ریزسرویس‌ها درجهت رفع این چالش‌ها و افزایش بهره‌مندی از تاثیرات مثبت ناشی از تعامل‌پذیری فرآیندهای کسب‌وکار و همچنین بهبود تعامل‌پذیری میان سرویس‌های سازمان‌های مختلف می‌پردازیم. برای ارزیابی رویکرد ارائه شده، یک سناریو از فرآیندهای سازمانی را شبیه‌سازی کرده و ویژگی‌های کیفی مرتبط با تعامل‌پذیری را اندازه‌گیری کردیم.

در این مقاله، طراحی یک فلیپ‌فلاپ چهارمقداری حساس به لبه نوع D با استفاده غالب از مدارهای دودویی و بر اساس فناوری ترانزیستورهای نانو‌لوله‌کربنی شرح داده شده است. مراحل تبدیل از یک لچ چهارمقداری به فلیپ‌فلاپ‌های حساس به سطح و لبه به طور کامل توضیح داده شده است. در هر مرحله مبدل‌هایی جهت تبدیل مدارها به یکدیگر ارائه می‌شوند. در این فلیپ‌فلاپ، قابلیت موجود در لچ برای سفارشی کردن خروجی‌های Q و حفظ می‌شود، تا تعداد تقسیم ولتاژ کمتری صورت گرفته و توان مصرفی کاهش یابد. از آنجایی که فلیپ‌فلاپ پیشنهادی در این مقاله با فرض وجود تنها یک منبع تغذیه طراحی می‌شود، تعداد تقسیم ولتاژ کمتر به معنای توان ایستای کمتر است. نتایج حاصله نشان می‌دهد که حذف یکی از خروجی‌ها میانگین مصرف توان و مصرف توان ایستا را تا حدود نصف کاهش می‌دهد. بعلاوه، مدار پیشنهادی با استفاده از نرم افزار اچ-اسپایس و فایل کتابخانه ترانزیستورهای نانو‌لوله‌کربنی با طول کانال 32 نانومتر اعتبارسنجی و شبیه‌سازی شده است. نتایج شبیه‌سازی حکایت از بهبود %35/79 کارآیی مدار جدید نسبت به بهترین فلیپ‌فلاپ چهارمقداری که قبلا ارائه شده است، دارد. درضمن، زمان تنظیم و زمان نگهداری از جمله عوامل مهم در طراحی فلیپ‌فلاپ می‌باشند، که تاثیر زیادی در تعیین فرکانس سیستم دارند. هر دو عامل در مدار پیشنهادی کاهش چشمگیری نسبت به مدارهای CMOS داشته‌اند.

در سال‌های اخیر استفاده از مدلسازی شبکه‌ای به ابزاری برای شناسایی و تحلیل الگوهای پیچیده رفتاری در بسیاری از دامنه‌ها تبدیل شده است. یک مسئله نادیده گرفته شده در پیش‌بینی بازارهای مالی، داشتن مدلی است که همزمان از شبکه‌ی روابط سهام‌های مختلف و پیش‌بینی‌های مبتنی بر داده‌های گذشته‌ی بازار استفاده کند. برخلاف بسیاری از دامنه‌ها، استفاده از روش انتشار برچسب مبتنی بر شبکه در پیش‌بینی سری‌های زمانی مالی به علت نبود برچسب مورد توجه قرار نگرفته است. در این مقاله ساختار شبکه‌ای جدید برای مدلسازی روابط میان سهام‌های بازار و تاثیر بازده شان بر هم معرفی شده است و بر اساس این شبکه و با ترکیب پیش‌بینی مدل‌های کلاسیک، یک روش انتشار برچسب با استفاده از الگوریتم پیج رنک با بردار شخصی‌سازی طراحی شده است. در روش معرفی شده به نام LabelNet برچسب‌ها به کمک الگوریتم‌های یادگیری نظارت شده از داده‌های گذشته سهم، برای انتشار در شبکه استخراج می‌شوند و با استفاده از انتشار برچسب پیش‌بینی نهایی انجام می‌شود. در نهایت، ارزیابی‌های ما بر روی داده‌های بازار سهام تهران نشان می‌دهد مدل معرفی شده نسبت به مدل‌های رقیب، دقت بالاتری را در پیش‌بینی حاصل کرده است.

در بازار بورس روش‌های تصمیم‌یار متفاوتی با استفاده از روش‌های محاسباتی ارائه شده است تا افرادی که وارد بازار سرمایه می‌شوند سهم‌هایی را انتخاب کنند که بیش‌ترین بازدهی را داشته باشد، یکی از چالش‌های تکنیک‌های ارائه شده برای بازار سرمایه‌ای ایران، آن است که این تکنیک‌ها متناسب با واقعیت‌های بازارهای سرمایه‌ای کشورمان نیست، به همین سبب در این تحقیق یک روش مبتنی بر یادگیری ماشین به منظور ارائه‌ یک سیستم تصمیم‌یار که بتواند سهام‌داران را در فروش سهام‌هایشان یاری کند ارائه‌ می‌شود، روش پیشنهادی از ۲ مرحله‌ی اصلی تشکیل شده‌ است که در مرحله‌ی اول زیرمجموعه‌ی بهینه‌ای از ویژگی‌ها توسط الگوریتم رقابت جهانی انتخاب می‌شوند و سپس در مرحله بعدی بر اساس آن‌ها و با استفاده از ماشین‌های بردار پشتیبان مدل پیش‌بینی کننده ایجاد می‌شود، در این تحقیق الگوریتم رقابت جهانی به مسئله انتخاب ویژگی که یک مسئله گسسته است تعمیم داده‌ شده است، در ارزیابی که از نتایج حاصل شده بر روی یک نمونه موردی حاصل شده‌ است مشاهده می‌شود که راهکار پیشنهادی با دقت ۷۸ درصد، بهتر از روش‌های ژنتیک و ازدحام ذرات می‌تواند افت وخیز سهام بورسی را پیش‌بینی کند.

شبکه‌های عصبی ضربه‌ای به عنوان نسل سوم شبکه‌های عصبی، انطباق بیشتری با عملکرد شبکه‌های عصبی مغزی دارند. از جمله مزیت‌های این نوع از شبکه‌ها بهره گیری آن‌ها از ماهیت زمانی داده‌ها بویژه در پردازش تصاویر متحرک است. یکی از مهمتری نویژگی‌های شبکه‌های عصبی مغزی، تاخیر سیناپسی میان نورون‌های متصل می‌باشد. اما در اکثر شبکه‌های عصبی ضربه‌ای موجود، عملا از تاخیر سیناپسی و یادگیری آن صرف نظر شده است. در این مقاله یک روش جدید برای فراگیری تاخیرهای سیناپسی ارائه شده است. نتایج بدست آمده نشان می‌دهد که استفاده از تاخیرهای سیناپسی قدرت پردازشی شبکه‌های عصبی ضربه‌ای را افزایش داده و با بهبود دقت بازشناسی همراه شده است.

در سال‌های اخیر استفاده از شبکه‌های عصبی عمیق در دستگاه‌های لبه در حوزه‌های مختلف مانند اتومبیل‌های خودران، اینترنت اشیاء و تلفن‌های همراه هوشمند مورد توجه زیادی قرار گرفته است. این شبکه‌ها برای ذخیره‌‌سازی نیازمند حافظه ذخیره‌سازی انبوه برای انجام محاسبات می‌باشند؛ در حالی که دستگاه‌های لبه دارای محدودیت حافظه و توان مصرفی می‌باشند. لذا یکی از مشکلات اصلی شبکه‌های عصبی عمیق، فضای ذخیره‌سازی عظیم می‌باشد که برای حل این مشکل تکنیک های فشرده‌سازی شبکه عصبی معرفی شدند. یکی از مهم‌ترین روشهای فشرده‌سازی شبکه عصبی، چندی‌سازی پارامتر های شبکه عصبی می‌باشد. در این مقاله تکنیک چندی‌سازی با استفاده از نواحی غیرهمپوشان با تعداد بیت متغیر معرفی می شود. در این روش نواحی مختلفی پارامترهای شبکه را براساس توزیع وزن نورون‌ها ایجاد می‌کنیم. هر کدام از این نواحی دارای تعداد بیت چندی‌سازی متغیری می‌باشند. استفاده از تکنیک پیشنهادی اندازه شبکه عصبی عمیق کاهش چشم‌گیری می‌یابد در حالی که دقت شبکه را تغییر نمی دهد. نتایج شبیه سازی نشان می دهد روش پیشنهادی با استفاده از مدل ResNet50 [1] بر روی مجموعه داده‌ی ImageNet [2] به دقت 74.78% دست یافته است، در حالی که اندازه مدل از 816 میلیون پارامتر به 96 میلیون پارامتر کاهش یافته است.

رایانش ابری امکان استفاده از روش‌های نوین در تخصیص منابع را به کاربران خود می‌دهد و این امکان، پیاده‌سازی و استقرار نرم‌افزارهای کاربردی در ابرها را دست‌خوش تغییر کرده است. سیستم مقیاس‌پذیری خودکار فعال، امکان تغییر مقیاس منابع مورد استفاده را به صورت پویا ایجاد می‌کند. کانتینرسازی، یک روش مجازی‌سازی سبک وزن سطح سیستم‌عامل است. استفاده از کانتینرها ریزدانگی تخصیص منابع را افزایش می‌دهد. به همین دلیل از زمان معرفی کانتینرها استفاده از آن‌ها در پیاده‌سازی نرم‌افزارهای کاربردی رو به افزایش است. استفاده از روش‌های مقیاس‌پذیری خودکار فعال، به ما کمک می‌کند تا تخصیص منابع در دسترس را با توجه به تقاضای کاربران و به صورت بهینه در اختیار آنها قرار دهیم. در این مقاله سیستم‌های مقیاس‌پذیری خودکار را معرفی می‌کنیم و روش‌های متنوع پیاده‌سازی آن‌ها را با رویکرد فعال بررسی می‌کنیم.

در تحلیل چهره یکی از مهم‌ترین عناصر شناسایی، تخمین زاویۀ سر است که میزان تمرکز فرد را نشان می‌دهد؛ لیکن یکی از موانع اصلی برای این تخمین، هزینة برچسب‌گذاری تصاویر است. یکی از راه‌حل‌های جبران کمبود برچسب‌ها، استفاده از روش‌های خودنظارتی است. روش‌های خودنظارتی می‌توانند از داده‌های بدون برچسب، ویژگی‌های مناسب را برای وظیفۀ اصلی استخراج کنند. این مقاله سعی دارد که تمایز استفاده از روش‌های یادگیری خودنظارتی برای تخمین زاویة سر را نشان دهد. به طور کلی دو رویکرد برای استفاده از روش‌های خودنظارتی وجود دارد: الف. پیش آموزش وزن‌های شبکه؛ب. استفاده به عنوان یک وظیفة کمکی در کنار یادگیری بانظارت. در این مقاله با طراحی معماری یادگیری چند وظیفه‌ای ترکیبی و مقایسة آن با روش خودنظارتی «چرخاندن» و «پازل کردن» سعی شده تأثیر استفاده از روش‌های خودنظارتی بررسی شود. نتایج نشان داد که استفاده از روش چرخاندن برای پیش آموزش وزن‌ها و پازل کردن به‌عنوان وظیفة خودنظارتیِ کمکی برای تخمین زاویة سر، بهترین عملکرد را داراست. در این حالت میانگین خطا در مقایسه با روش بانظارت 13 درصد کاهش می‌یابدکه قابل مقایسه با کارآمدترین روش‌ها است.

در این مقاله روشی جهت کاهش پیچیدگی محاسباتی استاندارد VVC براساس محتوای بصری با توجه به تاثیر ابزارهای کدکردن ویدئو در این استاندارد پیشنهاد شده است. به دلیل تاثیر زیاد عملیات تخمین و جبران حرکت در افزایش پیچیدگی محاسباتی کدگذار، در این مقاله محتواهای با حرکات زیاد انتخاب و ابزارهای مربوط به محاسبه تخمین و جبران حرکت مورد بررسی قرار گرفتند. در روش پیشنهادی این مقاله با جداسازی قسمت پیش‌زمینه از پس‌زمینه و بررسی ابزارهای کدکردن خاص استاندارد VVC فقط برای قسمت پیش‌زمینه، محاسبات لازم برای برآورد و تخمین حرکت را کاهش داده و ابزارهای کدکردن با محاسبات بالا، تنها برای بخش دارای حرکات زیاد ویدئوها یعنی پیش‌زمینه استفاده می‌شوند. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی می‌تواند تنها با کاهش ۱ درصدی کارایی فشرده‌سازی منجر به کاهش ۱۰ درصدی زمان انجام عملیات کدگذاری نسبت به روش مرجع استاندارد VVC شود.

امروزه با افزایش تعداد وسایل‎ نقلیه متصل به اینترنت‎ اشیا (IoT)، شبکه‎‌های اقتضایی خودرو (VANET) در حال تغییر به اینترنت‎ وسایل‎ نقلیه (IoV) هستند. یکی از اهداف مهم اینترنت ‎وسایل‎ نقلیه این است که وسایل نقلیه بتوانند با رانندگان، عابران پیاده، سایر وسایل‎ نقلیه و زیرساخت‎های کنارجاده‌‎ای بصورت بلادرنگ ارتباط برقرار کنند. اما حمله انکارسرویس توزیع شده (DDoS) یکی از حمله‌های جدی در این محیط محسوب می‌‎شود. این حمله می‎تواند سرویس‎‌های اینترنت‎ وسایل‎ نقلیه را مختل کند و باعث ترافیک و تصادفات جاده‎‌ای شده و ایمنی کاربران را به خطر اندازد. از طرفی، تشخیص حمله انکارسرویس توزیع شده مبتنی بر بازتاب (DrDoS) به دلیل هویت پنهان آن دشوارتر است. بنابراین یک راه حل مبتنی بر یادگیری گروهی برای شناسایی انواع مختلف حمله انکارسرویس‎ توزیع شده مبتنی بر بازتاب در محیط اینترنت‎ وسایل‎ نقلیه پیشنهاد شده است. مدل پیشنهادی از الحاق دو مدل شبکه عصبی کانولوشن تشکیل شده است که این دو مدل با رویکرد بیزی با استفاده از براوردگرهای Parzen باساختار درختی، بهینه‌سازی شدند. عملکرد مدل پیشنهادی با مجموعه داده جدید CICDDoS2019 ارزیابی شده است. نتایج تجربی نشان می‎دهد که سیستم تشخیص نفوذ پیشنهادی به نرخ صحت ۹۹٪ رسیده است.