انجمن کامپیوتر ایران

شبکه‌ی اجتماعی، ساختاری اجتماعی متشکل از مجموعه‌ای از افراد است که تعامل بین افراد را نمایش می‌دهد. در سال‌های اخیر استفاده از شبکه‌های اجتماعی گسترش یافته است، در نتیجه شبکه‌های اجتماعی به بستری مناسب و محبوب برای تبلیغ محصولات و انتشار اطلاعات تبدیل شده‌اند. مسئله بیشینه‌سازی انتشار به صورت شناسایی تاثیرگذارترین گره‌ها به منظور رسیدن به بیشترین تاثیر انتشار در یک شبکه اجتماعی معرفی می‌شود که به عنوان یک مسئله‌ی NP-Hard شناخته می‌شود. در این مقاله، الگوریتمی برای یافتن تاثیرگذارترین گره‌ها با هدف بیشینه‌سازی انتشار در شبکه‌های اجتماعی ارائه شده است. در الگوریتم پیشنهادی، برای انتخاب تاثیرگذارترین کاربران از ترکیب شناسایی جوامع گراف با شباهت کاربران استفاده شده است. برای شناسایی جوامع از الگوریتم لووین و برای ارزیابی شباهت کاربران از سه شاخص شباهت جاکارد، سالتون و سورنسون استفاده شده است. نتایج آزمایشات انجام شده بر روی مجموعه دادگان استاندارد شبکه اجتماعی مختلف، حاکی از موفقیت الگوریتم پیشنهادی دارد.

انجمن‌های آنلاین برای به اشتراک گذاشتن تجربیات و نظرات در مورد محصولات و خدمات استفاده می‌شوند. این انجمن‌ها از سایت‌های متن نظرات مانند آمازون تا شبکه‌های اجتماعی مانند توییتر را شامل می‌شوند. محتوای تولید شده توسط کاربر در پلتفرم‌های مذکور، شامل پیشنهادها و دیدگاه‌هایی است که نظر سایر کاربران و مدیران سازمان را جلب می‌کند. با توجه به حجم انبوه متون غیرساخت‌یافته، انجام پیشنهادکاوی بر روی متن نظرات از اهمیت بالایی برخوردار خواهد بود. پیشنهادکاوی یک مسئله طبقه‌بندی دودویی است که جملات را به‌عنوان پیشنهاد و غیر پیشنهاد برچسب‌گذاری می‌کند. در این مقاله مسئله تشخیص پیشنهاد از متن نظرات را بررسی کرده‌ایم. سیستم ما مبتنی بر بازیابی اطلاعات برای طبقه‌بندی متن انجام شده است. ابتدا پیش‌پردازش‌های لازم را قبل از آموزش مدل طبقه‌بندی اعمال کرده‌ایم. سپس با استفاده از الگوریتم‌های یادگیری ماشین و روش شبکه عصبی طبقه‌بندی را انجام داده‌ایم. آزمایش بر روی مجموعه داده ارائه شده در مسابقه SemEval2019-Task9 انجام شده است. نتایج پیاده‌سازی نشان می‌دهد که ارزیابی روش پیشنهادی نسبت به روش‌های پیشین به نتایج نسبتا بهتری دست یافته است.

شبکه نرم‌افزار محور برای ایجاد تغییر در معماری شبکه‌های سنتی جهت رسیدن به شبکه‌های هوشمند به وجود آمده است. اخیراً این نوع شبکه‌ها، به دلیل انعطاف‌پذیری در مدیریت سرویس‌های شبکه و کاهش هزینه‌های عملیاتی در بین سازمان‌ها محبوبیت خاصی پیداکرده‌اند. در معماری این نوع شبکه‌ها، بخش کنترل از بخش داده جدا شده و به‌صورت متمرکز سوئیچ‌های داده را مدیریت می‌کند. با توجه به گسترش روزافزون حملات در شبکه‌های کامپیوتری و اهمیت امنیت اطلاعات و لزوم ارائه درست سرویس‌ها از طریق این شبکه‌ها، یکی از مسائل مهم در شبکه‌های کامپیوتری امنیت است. وجود کنترل‌کننده متمرکز در شبکه نرم‌افزار محور مزایای قابل‌توجهی را نسبت به شبکه‌های سنتی به‌ویژه در زمینۀ تشخیص حملات فراهم می‌کند. در این مقاله، با استفاده از ساختار داده CRT-RS و رابطه آماری فاصله هلینگر الگوریتم جدیدی برای تشخیص حملات DNS Amplification ارائه شده است. استفاده از طرح (اسکچ) برگشت‌پذیر (CRT-RS) که توانایی ادغام و فشرده‌سازی ترافیک شبکه و بازیابی معکوس آدرس‌های منبع غیرعادی را دارد، موجب برطرف شدن مشکل مصرف منابع زیاد هنگام بازیابی آدرس‌های مخرب می‌شود. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی قادر است حملات DNS Amplification را در زمان واقعی با دقت و صحت مناسب تشخیص دهد، در حالی‌ که تأثیر محدودی بر عملکرد کاربران عادی داشته باشد.

شبکه‌های بین خودرویی، نوع خاصی از شبکه‌های اقتضایی متحرک (MANETs) هستند؛ که ارتباط میان وسایل نقلیه و واحدهای کنار جاده‌ای را فراهم می‌کنند. از جمله مشخصه‌های این شبکه‌ها، تحرک سریع گره‌ها و تغییرات مکرر توپولوژی می‌باشد. که بهبود این چالش‌ها موجب ایجاد تکنیک‌های جدید گردیده است. خوشه‌بندی یکی از كارآمدترین رویکردهای موجود در جهت سازماندهی ارتباطات در شبکه به شمار می‌رود. و همچنین خوشه‌بندی با ایجاد یک ستون فقرات مجازی در سطح جاده، جابجایی داده‌ها را به صورت بهینه فراهم کرده و میزان استفاده از پهنای باند را بهبود بخشیده است. در این مقاله، به تشریح ساختاری جدید در جهت ادغام خوشه‌ها و انتخاب سرخوشه جدید، پرداخته شده است. که در صورت برقرار بودن شروط تعیین شده، ادغام صورت می‌گیرد. و همچنین در فرایند انتخاب سرخوشه جدید، گره‌ای که از نظر میزان سرعت نسبی و تعداد همسایگان مشترک در بین گره‌های همپوشانی شده شرایط بهتری را داشته باشد، به عنوان سرخوشه جدید معرفی می‌گردد. نتایج شبیه‌سازی توسط نرم‌افزار ++OMNET و دو ابزارSUMO و VIENS حاکی از آن است، که الگوریتم پیشنهادی در مقایسه با الگوریتم قدرتمند PMC، از عملکرد بهتری در میانگین مدت زمان سرخوشه ماندن، میانگین مدت زمان عضو بودن گره‌ها و تعداد تغییرات سرخوشه‌ها برخوردار است.

بازشناسی احساس از گفتار، یک زمینه‌ی فعال تحقیقاتی در حوزه پردازش گفتار محسوب می‌شود. اما علیرغم پیشرفت‌های گسترده‌ای که در حوزه‌ی یادگیری ماشین حاصل شده است، کارایی سیستم‌های بازشناسی احساس از گفتار چندان مطلوب نمی‌باشد. یکی از اصلی‌ترین دلایل آن کمبود دادگان احساسی خصوصا از نوع برچسب‌دار است. در این مقاله، با الهام از پژوهش‌های انجام شده در این حوزه به یکی از راه‌حل‌های فراگیر چند سال اخیر در رابطه با افزایش دادگان یعنی شبکه‌های مولد رقابتی پرداخته می‌شود. معماری در نظر گرفته شده یک شبکه‌ی مولد رقابتی چرخشی است که با استفاده از یک مجموعه داده‌ی بدون برچسب سعی می‌کند به تولید بردارهای ویژگی جدید که بازنمایی از یک احساس مورد نظر در مجموعه داده‌ی برچسب‌دار هستند بپردازد و به این شکل منجر به افزایش داده برای مجموعه داده‌ی برچسب‌دار می‌شود. این مدل بر روی دو مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO ارزیابی شده است. نتایج حاصل حاکی از آن است که استفاده از بردارهای ویژگی تولید شده توسط شبکه در کنار بردارهای ویژگی واقعی برای مجموعه‌‌ی دادگان‌ IEMOCAP و ShEMO، به ترتیب باعث بهبود بازخوانی به میزان ۱۴درصد و نه درصد با استفاده از دسته‌بند ANN و نه درصد و ده درصد با استفاده از دسته‌بند CNN می‌شود.

در اين مقاله، برنامه‌ریزی کوتاه‌مدت تولید محصولات کارمزدی با استفاده از الگوریتم رقابت استعماری ارائه‌ شده است. با توجه به اینکه در فضای رقابتی امروز برنامه‌ریزی صحیح برای خطوط تولید از اهمیت بالایی در تعیین جایگاه شرکت‌ها و جلب رضایت مشتری برخوردار است، ارائه روش‌های به‌روز و هوشمند برای این مسئله بسیار حائز اهمیت است. با توجه به مفهوم برنامه‌ریزی تولید به‌عنوان چینش سفارش‌های تولید در محور زمان، این مسئله به‌عنوان یک مسئله جایگشت در نظر گرفته‌ شده است که در نهایت خروجی مسئله، ترتیب تولید سفارش‌های خواهد بود. نسخه گسسته الگوریتم رقابت استعماری به‌عنوان یکی از الگوریتم‌های تکاملی برای حل این مسئله در نظر گرفته‌ شده است. با در نظر گرفتن زمان لازم برای تولید هر کدام از سفارش‌های و همچنین مهلت تحویل محصولات و جریمه تأخیر به ازای هر روز تأخیر در هر سفارش، کمینه کردن جریمه کل به‌عنوان تابع هدف در نظر گرفته‌ شده است. ارزیابی‌ها نشان می‌دهد که الگوریتم پیشنهادی به‌خوبی توانسته است برنامه‌ریزی کوتاه‌مدت برای تولید محصولات کارمزدی که منجر به کمترین جریمه تأخیر شود را ارائه نماید.

در اين مقاله قصد داريم با ترکيب روش تکامل تفاضلي با درخت مدل خطي محلي، تعداد نرونهاي مدل اصلي را براي رسيدن به خطاي مشخصي کاهش دهيم و ساختار درخت مدل خطي محلي را بهينه کنيم. در واقع با استفاده از توانايي سيستم هاي عصبي- فازي و روشهاي تکاملي، سيستم همهمنظوره اي با حجم محاسبات کم و زمان اجراي پايين جهت تخمين توابع معرفي کرده، سپس کارايي آن را با الگوريتم اصلي مقايسه مي کنيم. نتايج نشان مي دهد سيستم معرفي شده داراي کارايي مناسب تري نسبت به الگوريتم اصلي و روشهای قبلی است.

معماري‌هاي مختلفي براي پياده‌سازي سخت‌افزاري ضرب پيمانه‌اي مونتگمري مورد استفاده در الگوريتم‌هاي رمزنگاري كليد‌عمومي همچون ECC، پيشنهاد شده كه هدف آنها بالا بردن كارايي بوده‌است. در اين مقاله طرح جديدي براي بخش محاسباتي ضرب‌پيمانه‌اي‌مونتگمري ارائه مي‌نمائيم كه براي سيستم رمز ECC در GF(2n) و GF(p)، مورد‌استفاده ‌قرار‌مي‌گيرد. معماري معرفي‌شده به‌صورت پايپ‌لاين قابل پياده‌سازي است. در طرح جديد علارغم اكثر معماري‌هاي شناخته‌شده، به‌جاي استفاده از CSA براي كاهش تاخير مسير بحراني از كدگذاري جديد كه كاهش حجم فضاي مصرفي را نيز به‌دنبال دارد، استفاده شده‌است. در اين مقاله با معرفي كدگذاري جديد اعداد، براي جلوگيري از انتشار رقم‌نقلي، به‌جاي استفاده از CSA در عمل جمع از جمع‌كننده‌جديدي استفاده‌شده‌است كه از CSA نيز مناسب‌تر است. در اين مقاله با تعميم چنين جمع‌كننده‌اي براي جمع اعداد علامت‌دار، علاوه‌بر افزايش سرعت پردازش تا 48% ، حجم فضاي‌مصرفي را نيز تا 54% در مقايسه با معماري‌هاي قبلي بهبود داده ‌است.

بسیاری از الگوریتم‌های ردگیری از ویژگی رنگ استفاده می‌کنند. بار محاسباتی کم و استقلال نسبت به چرخش و تغییر شکل شیء از مزایای ردگیری با استفاده از رنگ است. در شرایط حضور چند شیء با رنگ مشابه و تغییرات زیاد نور محیط، الگوریتم‌های بر پایه‌ی ویژگی رنگ دچار شکست می‌شود. الگوریتم تخمین‌گر انتقال میانگین از جمله الگوریتم‌های بر پایه‌ی ویژگی رنگ است. در این مقاله به کمک ترکیب ویژگی‌های رنگ و لبه‌ی شیء متحرک و با استفاده از الگوریتم تخمین‌گر انتقال میانگین، معایب این الگوریتم نسبت به حضور چند شیء مشابه و تغییرات نور محیط بهبود یافته است. در روش ارائه شده، ابتدا هیستوگرام ویژگی‌های رنگ و لبه‌ی شیء متحرک استخراج می‌شود. سپس برای هر ویژگی، الگوریتم تخمین‌گر انتقال میانگین اجرا می‌گردد. برای ترکیب خروجی‌های این الگوریتم به ضرایب مناسبی نیاز داریم. ما با استفاده از ضریب bhattacharya و ارائه‌ی روابط مناسب، ضرایب وزنی مورد نیاز هر ویژگی را استخراج نمودیم. موقعیت نهایی هدف از مجموع وزن‌دار خروجی رنگ و لبه‌ی الگوریتم تخمین‌گر انتقال میانگین به دست می‌آید. نتایج نشان می‌دهد که روش پیشنهاد شده نسبت به الگوریتم تخمین‌گر انتقال میانگین اولیه، در صحنه‌ای با حضور چند شیء با رنگ مشابه و در محیطی با تغییرات نوری زیاد، دارای عملکرد بهتری است.

در اين مقاله يك روش جديد در زمينه کشف جرايم الکترونيک، پيشنهاد شده است. روش پيشنهادي بر مبناي الگوی نويز تصوير و اطلاعات محلي، دوربيني که تصوير با آن گرفته شده است را تعيين مي‌کند. در اين مقاله از الگوي نويز ناشي از تغيير حساسيت سنسور به روشنايي استفاده شده است. با توجه به تحليل‌هاي انجام شده، انتظار مي‌رود بهترين مناطق براي تشخيص صحيح اين نوع نويز مناطقي با پيكسل¬هاي داراي مقدار زياد و واريانس کم باشند. براي شناسايي اين مناطق ابتدا تصوير به بلاك‌هاي غير هم پوشا شكسته شده و از هر كدام از بلاك¬ها يك سري مشخصه از جمله ميانيگن و عكس واريانس استخراج مي¬شود. بر اساس اين مشخصه‌ها، تعدادي از بلاك‌ها جهت تعيين همبستگي الگوی نويز تصوير با الگوی نويز دوربين انتخاب مي¬گردد. با توجه به حذف بلاك¬هايي كه مي‌توانند اثر منفي بر روي تشخيص داشته باشد انتظار مي‌رود تشخيص دوربين منبع بهتر انجام شود. روش پيشنهادي بر روي يك پايگاه تصوير شامل 500 تصوير مورد بررسي قرار گرفته و نتايج بدست آمده تئوري پيشنهادی را تاييد مي-كنند.

در این مقاله یک تکنیک جدید برای خلاصه کردن یک متن با توجه به ویژگی¬های زبانی عناصر موجود در متن و زنجیره¬های معنای میان آن¬ها ارائه شده¬است. در بسیاری از روش¬های موجود خلاصه¬سازی متون، تمامی توجه به ویژگی¬های آماری عناصر متن می¬باشد. در اینجا با استفاده از نظریه مرکزیت که زنجیره¬های انسجام در داخل متن را تشخیص می¬دهد، یک روش جدید خلاصه¬سازی خودکار متن ارائه می¬شود. برای پردازش متن توسط نظریه مرکزیت و استخراج یک خلاصه¬ی منسجم احتیاج به در¬هم آمیختن تعدادی از ابزارهای پردازش متن شامل روش جایگزینی ضمایر و گروه¬های اسمی با مرجع اسمی آنها (Coreference Resolution)، روش برچسب¬زنی نقش گرامری اسامی در داخل یک جمله (Semantic Role Labeling) و روش برچسب¬زنی گروه¬های اسمی (POS Tagger) می¬باشد.

تشخیص خودکار زبان گفتاری فرایندی است که طی آن کامپیوتر زبان مربوط به سیگنال گفتاری را تشخیص می¬دهد و در کاربردهایی از جمله اندیس¬گذاری خودکار فایل¬های صوتی، پیش پردازش در سیستم¬های تشخیص گفتار و غیره مورد استفاده قرار می¬گیرد. در این مقاله، اطلاعات واج آرایی جهت تشخیص زبان گفتاری مورد استفاده قرار گرفته است و تاثیر استفاده از این معیار نسبت به حالتی که از آواها و فرکانس تکرار آن¬ها جهت تشخیص زبان استفاده شود، اثر حذف سکوت در مدل کردن آوایی زبان¬ها و همچنین تاثیر استفاده از طبقه¬بندی کننده انتهایی، جهت تصمیم¬گیری نهایی بر اساس امتیازات حاصل از مدل¬های زبانی، در مورد زبان مربوط به یک قطعه گفتاری، مورد بررسی قرار گرفته است. نتایج حاصل بر روی دادگان OGI نشان داد که استفاده از اطلاعات واج¬آرایی، حذف سکوت و طبقه¬بندی کننده انتهایی به ترتیب سبب بهبود دقت تشخیص زبان به میزان 79/5%، 25/7% و 25/7% می¬شود

امروزه در بسیاری از مسائل یادگیری، برچسب¬زنی به تمامی داده¬ها، از نظر عملی و یا به لحاظ اقتصادی امکان¬پذیر نمی¬باشد؛ این امر منجر به ایجاد مسائلی می¬شود که در آنها تنها تعداد کمی از داده¬ها دارای برچسب و مابقی، فاقد برچسب می¬باشند. از اینرو در سال¬های اخیر، تلاش¬های فراوانی در جهت ایجاد و بهبود روش¬های یادگیری نیمه¬نظارتی صورت گرفته است. ما نیز در این مقاله به ارائه¬ی چارچوبی تجمیعی در یادگیری نیمه¬نظارتی می¬پردازیم که به صورت همزمان از نتایج چندین طبقه¬بند نیمه-نظارتی، بهره می¬گیرد. انتخاب مناسب طبقه¬بندهای مورد استفاده در چارچوب پیشنهادی، نقش بسیار مهمی در کارایی این روش ایفا می¬نماید. به همین منظور ما در این¬ مقاله دو الگوریتم نیمه¬نظارتی جدید با نام¬های EFM و MCO-Trainingکه صورتی بهبودیافته از طبقه¬بندهای نیمه¬نظارتی EM و Co-Training می¬باشند، به جهت قرارگیری در چارچوب موردنظر، ارائه می¬دهیم. آزمایشات صورت¬گرفته بر تعدادی از مجموعه داده¬های استاندارد، گویای برتری طبقه¬بندهای نیمه¬نظارتی بهبودیافته، نسبت به شکل سنتی خود و نیز برتری طبقه¬بند نیمه¬نظارتی تجمیعی نسبت به استفاده¬ی منفرد از طبقه¬بندهای نیمه¬نظارتی می¬باشد.

Fuzzy c-means يک موضوع مطالعاتي مهم در خوشه¬بندي داده¬ها در تکنولوژي داده کاوي است که کاربردهاي عملي در زمينه-هاي مختلف دارد. بزرگترين عيب اين الگوريتم خوشه¬بندي فازي، حساسيت آن به مقداردهي اوليه به تعداد خوشه¬ها و مراکز اوليه خوشه¬ها است. انتخاب نا¬مناسب مراکز اوليه خوشه¬ها در اين الگوريتم منجر به مينيمم محلي مي¬شود. اين مقاله نسخه¬اي بهبود يافته از الگوريتم FCM با رويکرد رفع برخي از مشکلات اين الگوريتم، ازجمله حساسيت به شرايط اوليه ارائه مي¬کند. الگوريتم پيشنهادي مي¬تواند راه¬حل¬هاي بهينه سراسري، از طريق يک قانون ساده و جديد براي انتخاب مناسب مراکز اوليه خوشه بدست آورد. روش پيشنهادي در مقايسه با الگوريتم FCM متداول دقت بالاتري دارد، براي مقايسه دو روش از داده¬هاي دو مجموعه داده حقيقي استفاده شده است.

چارت سازماني، يكي از نمودارهاي مهمي است كه معرف سلسله مراتب پست¬ها در يك سازمان است و ابزارهاي متعددي به صورت خودكار آن را توليد مي¬كنند. در اين مقاله، بهينه¬سازي مصرف كاغذ براي اين ابزارها، در قالبي رسمي بيان شده و به كمك كاهش مسائل به يكديگر، نشان مي¬دهيم كه اين مسئله از رده پيچيدگي محاسباتي NP-Complete است.

مسئله زمانبندي يك برنامه موازي بر روي يك سيستم چندپردازنده‏اي از مسائل رام نشدني محسوب مي‏شود. هدف از اين مسئله، توزيع پردازش‏هاي موازي بر روي پردازنده‏ها است، به‏طوريكه علاوه بر رعايت وابستگي‏هاي اجرايي بين پردازش‏هاي موازي، زمان اجراي كلي آن برنامه موازي نيز حداقل شود. در اين مقاله يك روش زمانبندي مبتني بر اتوماتاي سلولي تكاملي بر پايه الگوريتم ژنتيك پيشنهاد شده است. از آنجاکه توليد مجموعه قوانين يك اتوماتاي سلولي با توجه به نوع مسئله يك فرايند دستي و هزينه بر است، در اين مقاله از الگوريتم ژنتيك جهت پيداكردن مجموعه قوانين بهينه اتوماتاي پيشنهادي، استفاده شده است. زمانبند پيشنهادي با استفاده ازمجموعه قوانين بدست آمده به كمك الگوريتم ژنتيك، قادر به پيدا کردن زمان اجراي بهينه براي برخي از گراف‏هاي وظايف محبوب درحوزه زمانبندي، نظير tree15 و g18 مي‏باشد.

در اين مقاله يك مدل جهت جلوگيري و تشخيص عمليات افراد متقلب در شبكه‌هاي سلولي بي‌سيم ارائه مي‌نماييم. مدل ما با در نظر گرفتن تاريخچه و وضعيت فعاليت و تحرك فعلي كاربر پرونده‌اي تركيبي را براي هريك از كاربران تشكيل مي‌دهد. اين "پرونده تركيبي كاربر تمامي فعاليت‌ها وزنجيره ای از تحرك‌‌‌هاي جديد هريك ازكاربران را با پرونده قبلشان مقايسه وزني مي‌كند. تحليل رفتار كاربر از نظر فعاليت و تحرك بسيار اهميت داشته و حتی مي‌توان اين پرونده تركيبي را بعنوان " امضاء" كاربر در شبكه‌هاي سلولي در نظر گرفت. از آنجا كه هر يك از كاربران رفتارهاي متفاوتي دارند، ما در مدل پيشنهادي كاربران را به سه دسته كلي كاربران با رفتار منظم، نيمه منظم و نا منظم تقسيم بندي مي‌كنيم. اين امر موجب مي‌شود كه ميزان تشخيص اشتباه تقلب توسط سيستم كاهش ‌يابد. نتايج تست و آزمايش مدل مذكور بر روي داده‌هاي واقعي نشان مي‌دهد كه اين مدل قادر به تشخيص بخش عمده‌اي از تقلبات مي‌باشد. همچنين، ميزان هزينه كشف تقلب توسط مدل پيشنهادي نيز بررسي شده است.