انجمن کامپیوتر ایران

جرم‌یابی شبکه زیرشاخه‌ای از جرم‌یابی دیجیتالی و علم ضبط، جمع‌آوری و تحلیل ترافیک جهت کسب اطلاعات و تحلیل درباره‌ی‌منبع حمله است. جهت تحلیل ترافیک و شناخت منابع حمله از سیستم‌های پایش و نظارت بر شبکه استفاده می‌شود که اهداف متفاوتی از جمله کنترل و نظارت بر عملکرد سرویس‌دهنده‌ها، کاربران و تجهیزات شبکه و SLAرا دنبال می‌کنند. این سیستم‌ها علاوه بر بحث نظارت، وظیفه‌‌ی مدیریت متمرکز را نیز انجام می‌دهند. سیستم‌های سنتی از پروتکلی مانند SNMP استفاده می‌کنند که در تشخیص صحیح جرم و منابع حمله، پاسخگوی نیاز‌های نظارتی مانند جرم‌یابی شبکه‌ نمی‌باشند. سیستم‌های تشخیص نفوذ و دیواره‌های آتش، وظیفه‌ی تشخیص حمله و تهدیدات را بر عهده دارند، لذا در فرآیند جرم‌یابی خود جزئی از این سیستم می‌باشند و به عنوان یک حسگر امنیتی به فرآیند جرم‌یابی کمک می‌کنند. در سیستم‌های پایش لازم است تا تمام مراحل مدل جرم‌یابی گام به گام انجام‌ شده و از پروتکل مناسب با توانایی تحلیل بالا مانند پروتکل Netflow استفاده شود. پروتکل NetFlow به پنج سؤال رایج در ترافیک شبکه پاسخ می‌دهد، چه فرستنده‌ای به کدام گیرنده در زمان مشخص چه داده‌ای را در چه حجمی ارسال می‌کند. این تحقیق نشان می‌دهد که با استفاده از پروتکل NetFlow می‌توان ساختار پایش شبکه‌ها را اصلاح‌ کرده و یک زیرساخت بهینه جهت جرم‌یابی شبکه‌ها و سیستم‌ها ایجاد نموده و همچنین تحلیلی دقیق و سریع روی جرایم ارائه نمود.

امروزه برقراری سرویس اینترنت با کیفیت بالا در کنار افزایش امنیت در جاده‌ها مورد توجه فراهم کنندگان سرویس‌های شبکه قرار گرفته است. از این رو زیرساخت شبکه متحرک بی‌سیم برای وسایل نقلیه (VANET) در سال‌های اخیر توسعه یافته است. شبکه سلولی LTE از نسل چهارم شبکه موبایل تکنولوژی مناسبی جهت فراهم سازی زیرساخت موردنیاز VANET است. اما برقراری سرویس اینترنت در سناریوهایی با سرعت بالا از قطع سرویس در اثر پدیده هنداور رنج می‌برد. هنداورهای مکرر در سرعت‌های بالاتر منجر به قطع کامل سرویس داده موبایل می‌شوند. ما در این مقاله برای حل مشکل قطع سرویس از مکانیزم توازن بار توزیع شده بین وسایل نقلیه در حال حرکت استفاده می‌کنیم. این مکانیزم با برقراری یک همکاری توزیع شده بین وسایل نقلیه مجاور سرویس اینترنت یکپارچه (بدون قطعی) را برای مسافران جاده‌ای در سناریوهای سرعت بالا فراهم می‌کند. ما به کمک شبیه سازی عددی براساس پارامترهای واقعی LTE الگوریتم ارائه شده را مورد ارزیابی قرار می‌دهیم.

در اين مقاله، یک پروتکل ارتباطی چندعامل در یک سیستم نظارت ویدئویی ترافیک شهری به منظورره گیری غیرمتمرکز وسایل نقلیه ارائه شده است. نظارت خودکار ترافیک شهری یکی از حوزه های تحقیقاتی پراهمیت در سیستم های حمل و نقل هوشمند است. تطبیق مشخصه های وسایل نقلیه از منظر چندعامل نظارتی مختلف، یک پارامتر اساسی برای افزایش دقت ره گیری سیستم نظارتی خواهد بود. یک سیستم نظارتی تک عامل شامل محدودیت های ذاتی چون محدود بودن ناحیه دید عامل و انباشتگی خطا در الگوریتم های تفاضل زمینه است. در راهکار پیشنهادی، در نواحی دید مشترک، دو عامل نظارتی مختلف بطور همزمان، یک وسیله نقلیه را ره گیری می کنند و این ساختار نظارتی چندعامل با ناحیه دید مشترک می تواند مشکلات ناشی از همپوشانی وسایل نقلیه در ناحیه دید هر یک از عامل ها را از طریق دیگری مرتفع نماید و لذا سطح بالایی از خطاپذیری را ایجاد کند. لذا با ارائه یک پروتکل ارتباطی بر پایه تبادل پیغام، به ارزیابی دقت ره گیری سیستم نظارتی چندعامل می پردازیم. هدف اصلی از یک سیستم نظارت توزیع شده، کاهش کارآمد نرخ انتقال و همچنین آنالیز صحنه ترافیک بصورتی غیرمتمرکز و ارسال داده های مورد نیاز به دیگر عامل های سیستم نظارتی است. در این ساختار ناحیه دید سیستم نظارتی وسیع تر شده و با ادغام داده های چندعامل، یک وسیله نقلیه می تواند در کل ناحیه دید سیستم نظارت ترافیک شهری بطور یکنواخت ره گیری شود.

ترمیم تصاویر دیجیتال، یکی از حوزه های پردازش تصویر است که امروزه مورد توجه محققان بسیاری قرار گرفته است. این رشته به خصوص در بازیابی تصاویر، حذف نویز و حذف اشیای نامطلوب از تصویر کاربرد فراوانی دارد. در میان الگوریتم های مختلفی که تا کنون معرفی شده اند، الگوریتم های مبتنی بر نمونه ترمیم تصویر به دلیل سرعت و دقت بالا، مبنای بسیاری از پژوهش های این حوزه قرار گرفته اند. این الگوریتم ها اگر چه ساده، سریع و کارآمد هستند، اما در ترمیم تصاویر با ساختارهای خطی پیچیده، با مشکل مواجه و دچار خطاهای جدی می شوند. محدودیت این الگوریتم ها در ترمیم ساختارهای خطی، موضوعی است که تا کنون به آن کم تر پرداخته شده است. در این مقاله، با استفاده از همسان سازی تصویر به روش Anisotropic Diffusion الگوریتم جدیدی ارائه می شود که ضمن افزایش دقت و کیفیت ترمیم تصویر، بر مشکل فوق نیز غلبه می کند. نتایج حاصل از ارزیابی الگوریتم پیشنهادی این مقاله و مقایسه آن با الگوریتم های موفق در حوزه ترمیم تصویر، نشان می دهد الگوریتم ارائه شده، در دقت و کیفیت ترمیم تصویر، پیشرفت چشمگیری ایجاد کرده است.

سامانه‌های توصیه‌گر به‌عنوان بخش مهم اینترنت، به سه دسته پالایش اطلاعات جمعیت شناختی، مبتنی بر محتوا و مشارکتی تقسیم میگردند. پالایش مشارکتی مبتنی بر همسایگان به‌عنوان مهم‌ترین کلاس‌های پالایش مشارکتی، کاربرد گسترده‌ای در حوزه تجاری را داراست. کلید این رویکرد در یافتن کاربران (کالا‌ها) مشابه براساس ماتریس امتیازات کاربر-کالا بوده تا بتواند توصیه‌های مناسبی را برای کاربران فراهم نماید. اکثر رویکردهای سامانه‌های توصیه‌گر براساس الگوریتم‌های شباهت مانند کسینوس، ضریب همبستگی پیرسون و ... می‌باشد که تنها از کالا‌های دارای امتیاز مشترک مابین کاربران به‌منظور محاسبه شباهت میان دو کاربر استفاده می‌نمایند. از همینرو این معیارها مناسب ماتریس امتیازات پراکنده نمی‌باشند. در این مقاله به‌منظور محاسبه شباهت، معیار مشابهت جدیدی را براساس همسایگان کاربران ارائه داده‌ایم تا عملکرد توصیه‌ها را زمانی که تعداد امتیازات کمی در دسترس باشد، نیز بهبود بخشد. ازاین‌رو از رویکرد احتمالاتی برای مدل‌سازی معیار مشابهت پیشنهادی میان دو کاربر استفاده کرده‌ایم. به‌منظور بیان اثربخشی معیار پیشنهادی، عملکرد معیارهای مشابهت سنتی و بروز را با معیار مشابهت پیشنهادی مقایسه کرده‌ایم. نتایج توصیه‌های صورت گرفته براساس معیارهای ارزیابی مختلف نشان‌دهنده این است که معیار مشابهت پیشنهادی عملکرد بهتری در مقایسه با دیگر معیارهای مشابهت در داده‌های پراکنده را داراست.

‌ حسگر بیسیم شبکه‌های با منابع محدود از نظر حافظه، منبع انرژی، قدرت پردازشی و شعاع حسی هستند. بر اساس محدودیت‌های جدی در این شبکه‌ها، پوشش به یک مسئله اساسی و چالش ‌برانگیز تبدیل‌شده است که بر این مسئله تأکید دارد که حسگرها تا چه اندازه می‌توانند منطقه نظارتی را به‌ خوبی پوشش دهند. این مقاله، با استفاده از تئوری بازی‌ها سعی بر ارائه راهکاری برای کاهش حفره پوششی در کل شبکه را دارد. الگوریتم ارائه ‌شده بر اساس ناهمگن کردن شعاع حسی در حسگرهای ثابت با توزیع تصادفی پایه‌ریزی شده است. برای تحقق این امر، از الگوریتم ژنتیک به‌عنوان ابزار بهینه‌سازی استفاده می‌شود. روش پیشنهادی ابتدا با استفاده از ساختار مثلثی دیاگرام HSTT، جمعیت اولیه را تشکیل می‌دهد. سپس برای هر حسگر در شبکه، شعاع حسی به ‌صورت تصادفی اختصاص داده می‌شود. با استفاده از تابع برازندگی الگوریتم ژنتیک، نسلی که کمترین حفره را در شبکه دارد به‌عنوان نسل نهایی انتخاب شود. نتایج شبیه‌سازی نشان می‌دهد این راهکار در مقایسه با روش‌های همگن در این زمینه به شکل مؤثرتری توانسته است پوشش را در شبکه افزایش دهد.

مسأله تشخیص جنسیت نویسنده متن، یکی از مسائل مورد استفاده در حوزه داده کاوی و متن کاوی است که جهت شناسایی هویت مجهول و یا غیر واقعی تعدادی از کاربران اینترنتی و کاربران شبکه‌های اجتماعی بکار رفته است. هدف از ارائه این مسأله این است که با استفاده از یک یا چند روش بهینه در زمینه تجزیه و تحلیل متون، بتوان مدلی را استخراج کرد که با استفاده از آن، ضریب احتمال تشخیص صحیح برای تعیین جنسیت نویسندگان متون مورد نظر (مرد یا زن بودن نویسنده) را بالا ببریم. یکی از دلایل اصلی ضرورت پرداختن به این موضوع، جلوگیری از سوء استفاده‌های احتمالی از دیگر کاربران، توسط افراد ناشناس یا افراد با هویت جعلی است. راهکارهایی که در این مقاله، برای حل مسأله تشخیص جنسیت نویسنده متن استفاده شده است، شامل دو بخش است، بخش اول شامل یک شیوه جدید وزن دهی به نام معکوس فراوانی سند وابسته به جنسیت (GIDF) است که مبنای آن روش معکوس فراوانی سند (idf) می‌باشد. بخش دوم استفاده از یک روش فراابتکاری ترکیبی مبتنی بر روش خفاش‌ها به نام روش ترکیبی خفاش‌ها – زنبورهای مصنوعی (BABC) است که با الگوریتم طبقه بندی ماشین بردار پشتیبان ترکیب شده و وظیفه آن بهبود نتایج حاصل از طبقه بندی SVM بوسیله انتخاب بهترین ویژگی‌ها جهت ساخت مدل پیشنهادی است. مجموعه داده مورد استفاده جهت ساخت مدل، شامل 3000 نمونه جمع آوری شده از متون نگاشته شده توسط مرد و زن در سایت بلاگفا است که 50 درصد از کل نمونه مربوط به متون مربوط به زن و 50 درصد دیگر مربوط به متون مربوط به زن است. نتایج بدست آمده توسط الگوریتم‌های پیشنهادی نشان می‌دهد که دقت کلاس‌بندی برابر با 85.5 درصد است.

زبان طبیعی ابزاری موثر و آسان برای توصیف ایده‎های بصری و تصاویر ذهنی است و می‎توان تصاویر را مستقیما از طریق توصیفات زبان طبیعی تولید کرد. در بسیاری موارد توصیف زبانی یک صحنه ممکن است از رسم تصویری آن برای کاربر ساده تر باشد. لذا وجود یک سیستم تبدیل خودکار متن به تصویر صحنه به کاربر این اجازه را می‌دهد بدون نیاز به یادگیری نرم‌افزار تخصصی، تصاویر خود را ایجاد نماید. سه پیمانه پردازش زبان طبیعی، استخراج دانش و ترسیم کننده وظایف اصلی سیستم را برعهده دارند. وظیفه پیمانه پردازش زبان طبیعی، استخراج اجزای تصویر (شامل اشیاء، ویژگی های بصری آنها و روابط مکانی میان آنها) از متن ورودی می باشد. پیمانه استخراج دانش عرفی، اجزائی که در متن وجود ندارند اما توسط انسان به صورت پیشفرض تصور می‎شوند به تصویر اضافه می‎شود. در نهایت پیمانه ترسیم کننده، با توجه به اطلاعات استخراج شده، صحنه را ترسیم می‎کند. لذا در این مقاله به ارائه یک سیستم پایه تبدیل متن فارسی به تصویر صحنه می‎پردازیم. سیستم پیشنهادی از تکنیک های مبتنی بر دانش و مبتنی بر قاعده بهره می‎برد و از ابزارهای پردازش زبان طبیعی، مدل‎های 3بعدی و منابع زبانی در حین پردازش استفاده می‎کند.

شناسایی و مکان‌یابی لینک‌های معیوب برای مدیران شبکه اهمیت ویژهای دارد. توموگرافی شبکه میتواند با استفاده از اندازه‌گیری‌های انتها به انتها اطلاعات مفیدی را در ارتباط با ابر شبکه که اندازه‌گیری مستقیم در آن پرهزینه و یا غیرممکن است ارائه دهد. این مقاله، به بررسی مسأله مکان‌یابی لینک‌های معیوب در سطح اینترنت با استفاده از توموگرافی شبکه می‌پردازد و یک چارچوب مبتنی بر نمونه‌برداری فشرده برای ساخت ماتریس اندازه‌گیری تصادفی معرفی می‌کند. به منظور بازیابی سریع لینک‌های معیوب در شبکه، الگوریتم قدم‌زنی تصادفی باتوجه به ویژگی ساختاری توزیع درجه گره‌های شبکه، تغییر یافته است. دقت الگوریتم پیشنهادی با انجام شبیه‌سازی برروی گراف‌ها با توزیع درجه توانی که مدل کننده‌ی اینترنت هستند، مورد ارزیابی قرار گرفته است. نتایج شبیه‌سازیها نشان میدهد که استفاده از روش پیشنهادی باعث بهبود نرخ شناسایی و مکان‌یابی لینک‌های معیوب با استفاده از تعداد کمتری اندازه‌گیری می‌شود.

با توجه به اهمیت و نیاز روزافزون به بهبود شبکه‌های بی‌سیم، به‌ویژه از جهت فراهم‌آوری کیفیت خدمات (QoS)، تلاش‌های بسیاری به‌منظور ارتقاء کارایی این نوع از شبکه‌ها انجام گرفته است. یکی از کلیدی‌ترین عوامل استفاده‌شده، تجمیع فریم در لایه کنترل دسترسی است. روش‌های متعددی برای تنظیم و کنترل تجمیع فریم معرفی شده‌اند که اغلب آن‌ها در محیط‌های شبیه‌سازی مورد ارزیابی قرار‌گرفته‌اند. حال آن که به علت ماهیت رسانه بی‌سیم در شرایط واقعی به‌ویژه نوسان‌های موجود، تجمیع فریم می‌تواند تأثیرات کاملاً متفاوتی در بر داشته باشد. در این مقاله، روش جدید تجمیع‌فریم PID Control به همراه دو روش EDF و Deadline برای اولین بار بر روی هسته لینوکس پیاده‌سازی شده‌ و در یک بستر آزمایشی و با شرایط واقعی مورد ارزیابی قرار می‌گیرند. نتایج ارزیابی بیان‌گر آن است که روش PID، نه‌تنها توانسته تا حدود 15 درصد از ظرفیت کانال را کمتر اشغال کند بلکه متوسط تأخیر در حدود یک‌چهارم مقدار حداکثر، ثابت مانده است. علاوه بر این، در حالت وجود ترافیک سنگین، مثل قبل و با احتمال تخطی تأخیر (DVP) کاملاً صفر عمل کرده درحالی که دو روش دیگر با شکست مواجه شده‌اند.

بحرانهاي ناشي از بلایای طبیعی و غيرطبيعي سالانه سبب خسارتهاي قابل ملاحظه جاني و مالي در شهرهای بزرگ و کوچک مي گردند. مدیریت بحران‌، موضوع مهمی است که به وسیله مشاهده سیستماتیک، تجزیه و تحلیل‌ بحران‌ می تواند در خصوص کاهش آثار، آمادگی لازم، امداد رسانی‌ سریع و بهبودی آن اقدام نماید. در حین یک بحران، واکنش سریع و موثر، نیازمند اطلاعات مربوط به وضعیت، محل دقیق، نوع و افراد درگیر در حادثه می‌ باشد. یکی از بزرگترین مشکلات پس از حوادث کمبود اطلاعات و همچنین نیاز به داده های آنی و به هنگام از شرایط بحرانی می باشد. مشارکت داوطلبانه شهروندان در فراهم نمودن اطلاعات مکاني بحران، می تواند راه حل موثری برای مشکلات فوق باشد. شهروندان می توانند به عنوان حسگرهای پویا، تحلیل گر، هوشمند، مسئولیت پذیر، محیط–آگاه، سیار، توزیع یافته و تعامل پذیر شرایط بحرانی پیرامون خود را رصد نموده و اطلاعات مختلف از قبیل محل آسیب دیدگی ها، میزان تلفات، محل مناسب برای اسکان افراد، درخواست امداد، ایستگاه¬های مناسب امداد رسانی و غیره را از طریق یک سامانه مدیریت بحران مبتنی بر وب GIS گزارش نموده و امکان استخراج اطلاعات مفید و انجام تحلیل های پیچیده مکانی را برای مدیران بحران فراهم نمایند.

در حال حاضر شناسایی موقعیت و مکان‌یابی افراد در محیط‌های سقف‌دار- ساختمان ها از اهمیت زیادی برخوردار است. با ظهور و فراگیری سیستم¬های مکان¬یابی ماهواره¬ی (GPS)، مکان¬یابی در محیط¬های بدون سقف به شکل تقریبی قابل انجام است که به موجب آن مشکلات عمده¬ی موجود در این زمینه، همانند حمل و نقل مرتفع شده است. در همین راستا وجود سیستمی برای مکان¬یابی در محیط¬های سقف¬دار نیز اهمیت فوق¬العاده¬ی دارد. مکان¬یابی در محیط¬های سقف¬دار بوسیله¬ی GPS امکا¬پذیر نیست. به همین دلیل امروزه محققان به دنبال روش جایگزینی برای این مساله، یعنی مکان¬یابی در مکان¬های سقف¬دار هستند. در همین راستا روش ها و راهکارهای مختلفی مبتنی بر امواج رادیوی به منظور شناسایی و رهگیری موقعیت افراد معرفی شده¬اند. در مورد این مسائل یعنی مکان¬یابی در محیط¬های سقف دار، میزان دقت همیشه مهمترین چالش بوده است. در این مقاله روشی برای مکان¬یابی در محیط¬های سقف¬دار پیشنهاد شده است که یقیناً کاربرد وسیعی در حوزه و محورهای مختلف دارد. نجات افراد مصدوم و گرفتار در زیر آوار یک ساختمانِ وسیع (مثل پلاسکو)، بوسیله مکان¬یابی سریع موقعیت آن¬ها، از مهمترین انگیزه¬های معرفی این ایده بوده است. روش پیشنهادی در این مقاله مبتنی بر امواج رادایویی بوده است. ما در پیاده-سازی از تگ¬های RFID نسبتاً برد بلند (محدوده 100 متر) استفاده کرده¬ایم، به این صورت که هر یک از افراد آتش نشان یک تگ RFID خیلی کوچک (به اندازه¬ی یک جاسوئیچی یا مچ بند) را با خود حمل می¬کند و سپس با خواندن مقدار اندازه قدرت سیگنال (RSSI) امواج آن، بوسیله¬ی یک دستگاه Reader از چندین زاویه مختلف می توان موقعیت افراد را با دقت تقریباً 1-3 متر تشخیص داد. نتایج و ارزیابی¬های ما در یک آپارتمان 5 طبق بدست آمده است که بواسطه¬ای آن، مکان فرد، اینکه در چه طبقه¬ای و واحدی حضور دارد با 100% دقت قابل محاسبه است. نتایج و مستندات ما به واقع کامل است و از هر لحاظ آمادگی پیاده¬سازی و آزمایش عملی این رویکرد را برای مدیریت بهران و کمک¬رسانی به مصدومان را در یک محیط واقعی داریم. در واقع ما تاکید می کنیم که این رویکرد، قطعا می¬تواند زندگی افراد مصدوم گرفتار را در زیر آوار و مکان¬های زیرزمینی مثل ساختمان¬ها، تونل¬های مترو و معدن را نجات دهد. از مهم¬ترین ویژگی¬های سیستم¬ مکان¬یابی ارائه شده هزینه خیلی کم محصول نهایی است به این صورت که مثلا برای مدیریت بهران- آتش¬نشانی، هر یک از آتش¬نشانان برای ورود به محل حادثه باید یک مچ¬بند یا جاسویچی خیلی کوچک را با خود حمل کند. به این ترتیب با داشتن یک دستگاه Reader-RFID می¬توان موقعیت افراد را در داخل ساختمان یا محل حادثه رهگیری و به سرعت مکان¬یابی کرد.

با گسترش سریع و مداوم اینترنت، ضرورت وجود سیستم‌های توصیه‌گر به طرز چشمگیری افزایش یافته است. سیستم‌های توصیه‌گر مبتنی بر اعتماد، گونه‌ای از سیستم‌های توصیه‌گر هستند که با بکارگیری روابط اعتماد میان کاربران سعی در بهبود کیفیت پیشنهادات دارند. منطق پشت این سیستم‌ها این است که کاربران تمایل به پذیرش اقلامی دارند که به جای افراد غریبه توسط اشخاص قابل اعتماد توصیه شده باشند. یکی از مهم‌ترین ویژگی‌های اعتماد، وابستگی به زمینه می‌باشد. این بدان معناست که کاربرانی که در یک زمینه خاص قابل اعتماد هستند، لزوماً در یک زمینه دیگر قابل اعتماد نیستند. علی‌رغم اهمیت اطلاعات زمینه‌ای، این ویژگی در رویکردهای کنونی عمدتاً مورد غفلت واقع شده است. در این مقاله، رویکرد جدیدی پیشنهاد می‌گردد که با در نظر داشتن زمینه معنایی اقلام، روابط اعتماد میان کاربران را مورد استنتاج قرار می‌دهد. با استفاده از این رویکرد، سطح اعتماد میان دو کاربر بسته به زمینه‌‌های مختلف متغیر است. بنابراین، برای اقلام هدف مختلف، همسایگان قابل اعتماد کاربر جاری متفاوت خواهند بود و این همسایگان بر اساس زمینه‌ای که قلم هدف متعلق بدان است، تعیین می‌شوند. نتایج آزمایشات بر روی یک مجموعه داده واقعی، نشان‌گر دقت بالاتر و کارایی رویکرد پیشنهادی در برابر همتایان خود می‌باشد.

هدف توصیف ویدئو تولید یک جمله به زبان طبیعی است که بتواند محتوای ویدئو را توصیف کند. این موضوع باعث بهبود در جست‌وجو و بازیابی ویدئو می‌شود. به طور کلی در اغلب روش‌های موجود، تولید متن برای توصیف ویدئو در دو مرحله انجام میشود، ابتدا یک سری ویژگی‌های بصری با استفاده از شبکه‌های کانولوشنی از فریم‌های ویدئو استخراج می‌شوند، سپس یک جمله با استفاده از حافظه طولانی-کوتاه مدت (LSTM) بر اساس این ویژگی‌ها تولید خواهد شد. علی‌رغم اینکه این روش‌ها از ویژگی‌های بصری استفاده می‌کنند ولی این ویژگی‌های توانایی استخراج اطلاعات معنایی مرتبط با ویدئو را ندارند، به همین دلیل پیشنهاد شده است که علاوه بر ویژگی‌های بصری، برای هر ویدئو ویژگی‌های معنایی مانند <فاعل، فعل، مفعول> با استفاده از الگوریتم‌های دسته‌بندی‌کننده استخراج شوند و ترکیب ویژگی‌های بصری و معنایی به عنوان ورودی به حافظه طولانی-کوتاه مدت داده شود. در این مقاله از الگوریتم‌های تشخیص فعالیت برای تشخیص فعل در ویدئو استفاده شده و با نگاشت افعال، اشیاء و مفاهیم استخراج شده از ویدئو به فضای بردارهای جاسازی کلمات برای بهبود فرآیند استخراج اطلاعات معنایی استفاده شده است. بررسی‌های انجام شده بر روی مجموعه داده youtube2text نشان‌دهنده برتری روش پیشنهادی بر روش‌های موجود است.

با گسترش روزافزون استفاده از اینترنت و فضای مجازی، خواست مردم نسبت به بیان نظراتشان پیرامون مسائل مختلف از جمله رویدادها، محصولات و سامانه‌های گوناگون افزایش چشم‌گیری پیدا کرده است. روزانه حجم بالایی از نظرات تولید می‌شود که اکثر آن‌ها به صورت متن خام هستند و بنابراین به ابزارهای خودکار برای کمک به تحلیل و سازماندهی آن‌ها نیاز داریم. با توجه به موارد ذکر شده، مساله‌ی نظرکاوی مبتنی بر جنبه که به امر استخراج جنبه‌های موجود در نظرات و همچنین دسته‌بندی تمایلی آن‌ها می‌پردازد، توجه زیادی را در سال‌های اخیر به خود معطوف کرده‌است. در این مقاله مدل توام تمایل و موضوعی ارائه شده است که در آن به جای استفاده از لیست‌های مشخص از کلمات با تمایل مثبت و منفی، از بردار جاسازی کلمات در زبان مورد نظر برای ایجاد دانش اولیه تمایلی مورد نیاز استفاده شده است. بررسی های انجام شده بر روی دو مجموعه داده مربوط به «لوازم الکترونیکی» و «لوازم آشپزخانه» از سایت آمازون، نشان دهنده آن است که علاوه بر سادگی استفاده روش پیشنهادی به دلیل عدم نیاز به مشخص ساختن لیست کلمات مثبت و منفی، دقت روش پیشهادی در هر دو زمینه‌ی استخراج جنبه و دسته‌بندی تمایلی بهتر از مدل‌های موجود است.

سرعت زیاد تولید اطلاعات جدید در محیط مجازی و به‌خصوص در شبکه‌های اجتماعی منجر شده است که پیدا کردن اطلاعات و دانش مرتبط در میان حجم انبوهی از اطلاعات کاری بسیار وقت‌گیر و حتی ناامیدکننده باشد بنابراین کشف دوستان (گروه کاربران) اثرگذار که از میان حجم عظیمی از اطلاعات و محصولات گوناگون مناسب‌ترین و موردپسندترین اطلاعات را بنا به شرایط و ویژگی‌های خاص در اختیار هر کاربر قرار می‌دهد امری ضروری به نظر می‌رسد. در این مقاله از الگوریتم Bmine که درواقع یک تکنیک داده‌کاوی ماتریسی برای کاهش ابعاد داده و افزایش سرعت پاسخ به مسئله است با ترکیب شبکه‌های فازی عصبی انفیس استفاده‌شده است. ترکیب این دو روش برای استخراج داده‌های مهـم و كـاهش تعداد سیگنال‌ها به‌منظور سهولت در آموزش شبكه عصبي و كاهش حجم محاسبات به كار گرفته‌شده است. همچنين به‌منظور آشکارسازی و شناسايي میزان تأثیر افراد شرکت‌کننده در گروه‌های اجتماعی از سيستم استنتاج نرو فازي تطبيقي انفیس جهت آموزش و آزمودن داده‌های کاهش‌یافته مورداستفاده قرارگرفته است .سیستم استنتاج فازی ایجادشده جهت مدل‌سازی ، پیش‌بینی و فازی شدن میزان تأثیر نسبی هر فرد از مزایای استفاده این روش است.

امروزه به دلیل گسترده‌تر شدن استفاده از کامپیوتر در حوزه‌های مختلف اقتصادی، پزشکی، سازمان‌های تجاری و نظامی، امنیت اطلاعات بیش از پیش مورد توجه قرار گرفته است. محققان روش‌های بسیاری را برای پیش‌گیری و تشخیص نفوذ با استفاده از ویژگی‌های وابسته به محتوای ترافیک ارائه داده‌اند، با این حال این روش‌ها در تشخیص حملات با کاستی‌هایی مواجه‌اند. این مقاله یک رویکرد نوین برای تشخیص نفوذ با استفاده از تابع بر پایه شعاع یا RBF بر مبنای مدل ترافیک شبکه ارائه می‌دهد. به این صورت که ابتدا با استفاده از مفهوم جریان شبکه، ویژگی جدیدی به نام اثر انگشت جریان که یک ویژگی مستقل از محتوای ترافیک شبکه است به دست آمده است. در ادامه با استفاده از الگوریتم k-means بر روی این ویژگی‌ها عمل خوشه‌بندی انجام گرفته و برای آموزش و ارزیابی به RBF داده شده است. نتایج این روش که با استفاده از مجموعه داده DARPA 98 و DARPA 99 ارزیابی شده است نشان می‌دهد که این روش در مقایسه با روش‌هایی که از محتوای ترافیک برای تشخیص نفوذ استفاده کرده‌اند، افزایش نرخ تشخیص و نرخ دقت را به همراه داشته است. همچنین به دلیل استفاده از الگوریتم k-means، زمان آموزش به طور چشم‌گیری کاهش یافته است.

ملانوما یکی از تومورهای بدخیم پوستی است، که در سال های اخیر به مرگبارترین سرطان ها تبدیل شده و رشد فزاینده این بیماری محققان را به تحقیقات گسترده در این زمینه ترغیب نموده است. هدف از این مطالعه تشخیص خودکار ملانوما از طریق چهار مرحله پیش پردازش، تقطیع ، استخراج ویژگی و دسته بندی است. در مرحله پیش پردازش با استفاده از فیلتر های مناسب تمایز بیشتری بین ناحیه پس زمینه و ضایعه پوستی ایجاد شده است وعمل تقطیع را با دقت بیشتری به انجام می رساند. همچنین در مرحله تقطیع با استفاده از عمگرهای ریخت شناسی شیارها و حفره های حاصل از تقطیع را پوشش داده و در گام استخراج ویژگی با محاسبه محور تقارن در 180 درجه و محاسبه مساحت ضایعه، به جای قطر آن بهبودهای مناسبی در دقت ارائه شده است. سپس وِیژگی ها توسط ماشین بردار پشتیبان به دو دسته، ملانوما و غیرملانوما تقسیم شد که موجب افزایش دقت تشخیص تا 98 درصد گردیده و در مقایسه با برخی کارهای پیشین با مجموعه تصاویر مشابه، نتیجه بهتری ارائه نموده است.

Despite great advances in different software testing areas, one important challenge, achieving an automated test oracle, has been overlooked by academia and industry. Among various approaches for constructing a test oracle, machine learning techniques have been successful in recent years. However, there are some situations in which the existing machine learning based oracles have deficiencies. These situations include testing of applications with low observability, such as embedded software and multimedia software programs. There are also cases in testing embedded software in which explicit historical data in form of input-output relationships is not available, and situations in which the comparison between expected results and actual outputs is impossible or hard. Addressing these deficiencies, this paper proposes a new black box solution to construct automated oracles which can be applied to embedded software and other programs with low observability. To achieve this, we employ an Artificial Neural Network (ANN) algorithm to build a model which only requires input values, and the program’s corresponding pass/fail behaviors, as the training set. We have conducted extensive experiments on several benchmarks. The results manifest a higher accuracy of the proposed approach comparing with a well-known machine learning based method.

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.