انجمن کامپیوتر ایران

شبکه‌هاي جمع-ضرب نسل جديدي از شبکه‌هاي احتمالي عميق هستند که قادرند استنتاج دقيق را از مرتبه خطي بر حسب تعداد يال‌هاي گراف شبکه انجام دهند. اين شبکه‌‌ها قادر هستند توزيع‌هاي احتمالي را به صورت فشرده در يک ساختار لايه‌اي کدگذاري نمايند. در اين مقاله، ما اين شبکه را با درخت تصميم، که مي‌توان آن را حالت خاصي از شبکه جمع-ضرب در نظر گرفت مقايسه کرديم. حاصل اين مقايسه، درخت تصميمي با ساختار مبتني بر شبکه جمع-ضرب شد که قدرت بيان بيشتري دارد.

در عصر حاضر شبکه‌هاي اجتماعي به بخش جدايي‌ناپذير از زندگي بشر تبديل شده است و به‌عنوان محبوب‌‌ترين و سريع‌ترين ابزار انتشار اطلاعات شناخته شده‌اند. اين مسئله در کنار مزاياي بسيار آن مي‌تواند انواع تهديدات امنيتي و ناهنجاري‌هاي اجتماعي را به ‌دنبال داشته باشد، يکي از اين تهديدات وجود هرزنامه‌نويسان در اين شبکه‌ها مي‌باشد. در حقيقت چالش اصلي تحقيقات اخير در مورد مبارزه با هرزنامه‌نويسان ارائه روشي کارآمد براي ترکيب محتواي پيام، رفتار کاربر و ساختار شبکه اجتماعي براي به رسميت شناختن هرزنامه‌نويسان شبکه‌هاي اجتماعي با دقت بالا مي‌باشد. از اين‌رو در اين مقاله به شناسايي هرزنامه‌نويسان در توييتر با ارائه ويژگي‌هاي جديد و استفاده از روش يادگيري نظارتي در يادگيري ماشين بر روي دو مجموعه داده پرداخته شده است. آزمايش‌هاي انجام شده بر روي مجموعه داده توييت و پروفايل با استفاده از پنج الگوريتم طبقه‌بندي صورت گرفته است که با الگوريتم درخت تصميم به بهترين نتيجه با دقت %44/99 در مقايسه با پژوهش‌هاي پيشين دست يافته است. همچنين بر اساس نتايج به‌دست آمده از مجموعه داده‌ مبتني بر پروفايل نشان داده شده است که استفاده از ويژگي‌هاي مبتني بر پروفايل به تنهايي هم مي‌تواند در شناسايي هرزنامه‌نويسان تا حدودي موثر باشد.

با توجه به اين که اکثر مسائل دنياي واقعي ماهيتي پويا و متغيير با زمان دارند، حل اين چنين مسائل از اهميت بسياري برخوردار است . در اين مقاله به ايجاد راهکار هاي جديدي جهت ايجاد تنوع ‌پذيري اعضاي جمعيت در هنگام تغيير محيط ارائه داده ايم. مدل پيشنهادي در اين مقاله يك الگوريتم تركيبي بر اساس الگوريتم بهينه‌سازي جستجوي گروهي با استفاد از ترکيب رويکرد هاي مرتبط با يادگيري از روي تضاد و نگاشت آشوب و همچنين ديدگاه نخبه گرايي در جمعيت و به بهبود چالش تنوع پذيري در جمعيت پرداختيم و با استفاده از محک معروف در حوزه مسائل بهينه سازي پويا تابع محک قله هاي متحرک مورد ارزيابي قرار داده ايم به اين اميد که بتوان تعدادي از مسائل بهينه ‌سازي در محيط‌ هاي پويا با کارايي بالاتر را حل نماييم. نتايج نشان مي دهد که نخبه گرايي در انتخاب اعضاي جمعيت مي تواند به بهبود عملکرد تنوع پذيري جمعيت نسبت به الگويتم هاي استاندارد محيط هاي پويا MQSO، AMQSO، MPSO، HMPSO ، APSO کمک شاياني کند.

اينترنت اشياي باند-باريک (NB-IoT) فناوري جديدي است که براي برآورده‏سازي نيازهاي مربوط به شبکه‏هاي دوربرد کم‏توان اخيراً توسط مؤسسه‌ي 3GPP معرفي شده‏ است. تکرار ارسال يکي از ويژگي‌هاي اصلي اين فناوري است که براي افزايش پوشش در شبکه‏هاي ارتباطات ماشيني، شامل اينترنت اشياي باند-باريک استفاده مي‏شود. با معرفي اين ويژگي جديد، تطبيق لينک در اين شبکه‏ها حداقل بايد در دو بُعد انجام گيرد: 1) سطح مدولاسيون و کدينگ، مشابه شبکه‏هاي نسل چهارم و 2) تعداد تکرار ارسال بسته. در اين مقاله، يک روش تطبيق لينک براي ارتباطات فروسو در اينترنت اشياي باند-باريک براي افزايش بازده طيفي شبکه ارائه مي‏شود. اين کار با انتخاب پايين‏ترين سطح مدولاسيون ممکن و کمترين مقدار براي پارامتر تکرار ارسال انجام مي‏شود. اين روش بر مبناي تغييرات شرايط کانال در طول زمان، به صورت پويا پارامترهاي ارسال را به نحوي تنظيم مي‌کند که با حفظ سطح مطلوب قابليت اطمينان شبکه، ارسال بسته‌ها با حداقل هزينه انجام شود. نتايج شبيه‌سازي نشان مي‌دهد که روش پيشنهادي در مقايسه با روش مرجع، تعداد بلوک‌ منابع مصرف شده را براي ارسال بسته‌هايي به طول 4، 6 و 8 کيلوبيت به ترتيب %5.35، 2%.37 و %1.37 کاهش مي‌دهد.

امروزه بحث امنيت شبکه بيش از پيش مورد توجه پژوهشگران قرار گرفته است و تشخيص نفوذ به‌عنوان يکي از اجزاي اصلي برقراري امنيت در شبکه‌هاي کامپيوتري شناخته مي‌شود. سيستم‌هاي تشخيص نفوذ از تعدادي اشکالات مانند ميزان بالاي هشدارهاي نادرست، بازده تشخيص کم و کارايي پايين رنج مي‌برند. در اين مقاله يک سيستم تشخيص نفوذ همکارانه مبتني بر دسته‌بند بيزي براي بهبود مشکلات موجود ارائه شده است؛ به طوري‌که ترافيک به‌صورت جرياني وارد واحد آموزش دسته‌بندها شده و هر کدام از موتورهاي تشخيص با استفاده از دانش اوليه ايجاد مي‌شوند. در ادامه، در صورت مشاهده‌ داده‌ جديد، از ساير سيستم‌هاي موجود همکار، براي‌ تشخيص داده‌ جديد کمک خواسته مي‌شود. هر کدام از سيستم‌ها با توجه به واحد آموزش خود نسبت به داده جديد تشخيص مي‌دهند و نتايج را مي‌فرستند. سپس با توجه به نتايج، رأي‌گيري مي‌شود و مجدداً نتيجه‌ تشخيص به‌هنگام مي‌شود و داده‌ جديد به همراه نتيجه‌ به واحد آموزش اضافه مي‌شود. ارزيابي اين سيستم با استفاده از مجموعه داده NSL-KDD انجام و نتايج حاصل با دسته‌بند بيز ساده و بهبود يافته‌ آن مقايسه شده است. نتايج شبيه‌سازي‌ حاکي از آن است که سيستم پيشنهادي از لحاظ کارايي، دقت و نيز نرخ هشدارهاي نادرست عملکرد مناسب‌تري نسبت به سيستم‌هاي موجود دارد.

اختلال اتيسم يکي از اختلالات مغزي است که در سال‌هاي اخير بين کودکان رايج شده است. مطالعات بسياري به تفاوت‌هاي عملکردي شبکه مغز اتيستيک و سالم پرداخته‌اند. با اين وجود فرايند خودکار و مؤثري براي تشخيص اين اختلال با استفاده از تصاوير عملکردي مغز وجود ندارد. در اين پژوهش، با استفاده از مدل‌سازي داده‌هاي تصاوير تشديد مغناطيس عملکردي شبکه پيچيده مغز و استخراج ويژگي‌هاي اين شبکه، به بررسي تفاوت‌هاي مغز سالم و اتيستيک پرداخته‌ايم و روشي جهت رده‌بندي اين دو گروه ارائه کرده‌ايم. در اين روش، با استفاده از مفهوم گرافلت به عنوان زيرگراف‌هاي غير‌ يک‌ريخت از پيش تعريف شده، يک بردار ويژگي جهت رده‌بندي داده‌ها استخراج شد و با استفاده از يک رده‌بند ترکيبي، رده‌بندي داده‌ها به دو گروه سالم و اتيستيک انجام شد. نتايج به دست آمده با بهبود 5/6 درصدي نسبت به بهترين مقاله مبنا، به دقت 81/69 % براي رده‌بندي رسيده است.

قرار گرفتن سخت‌افزارهای قابل بازپیکربندی و الگوریتم‌های فراابتکاری در کنار یکدیگر، دیدگاه جدیدی در طراحی سیستم‌های خودسازگار برای شرایط پیش‌بینی نشده ارائه کرده است. ما در این مقاله با پیاده‌سازی تکنیک زمان‌بندی مجدد به‌صورت تکاملی سعی کرده‌ایم با ارائه فضای جستجوی جدید توسط الگوریتم ژنتیک به بهبود فرکانس کاری در سخت‌افزارهای قابل بازپیکربندی (FPGA) کمک کنیم. تکنیک زمان‌بندی مجدد با جابجایی رجیسترها در طول مدار، در کنار حفظ تابع، باعث بهبود کارآیی مدار می‌شود. الگوریتم پیاده‌سازی شده، با در نظر گرفتن حداقل تعداد رجیستر عملیاتیِ ممکن برای پالس ساعت مورد نظر، اقدام به تولید جمعیت‌های بهینه از مدار می‌کند. نتایج این پیاده‌سازی بهبود 17.9 درصد در فرکانس کاری و 0.5 درصد کاهش در تعداد رجیسترهای مدارهای تست شده را نشان می‌دهد.

گسترش استفاده از سرویس‌های نرم‌افزاری موبایلی بر بستر اینترنت، سبب شده است پژوهشگران حوزه نرم‌افزار علاوه بر تلاش برای یافتن روش‌هایی به منظور سهولت دسترسی کاربران به این‌گونه سرویس‌ها از جمله استفاده از ظرفیت‌های محاسباتی و عملیاتی فضای ابری، در تلاش باشند تا امنیت کاربر، سرویس و اطلاعات تبادل شده نیز حفظ گردد. لذا ارائه راهکاری کارآمد و ارزان که از یک سو از قابلیت‌های فضای ابری استفاده کند و از سوی دیگر امنیت سرویس‌دهندگان و کاربران را تضمین کند بیش از پیش مورد توجه قرار گرفته است. ثمره چنین رویکردی ظهور مدل‌های احراز اصالت توزیع شده در فضای ابری برای سرویس‌های موبایلی می‌باشد. اخیراً با استفاده از رمزنگاری شناسه-مبنا یک پروتکل احراز اصالت دوطرفه در فضای ابری موبایلی ارائه شده است، که طبق ادعای طراحان آن، علاوه بر جبران ضعف‌های امنیتی پروتکل‌های مشابه پیشنهاد شده، توانسته است کارایی مناسبی را تامین کند. در این مقاله با تحلیل و بررسی پروتکل مذکور، نشان داده شده است که این پروتکل در مقابل حمله نشت راز موقت آسیب‌پذیر بوده و فاقد امنیت کلید نشست است. همچنین نشان داده شده است این طرح در برابر حمله‌ی جعل هویت کاربر توسط سرویس دهنده‌ی بدکار نیز دچار ضعف است و امنیت کافی را ندارد. پروتکل بهبود یافته ارائه شده در این مقاله ضمن حفظ هزینه‌های ارتباطی و محاسباتی پروتکل اصلی، ضعف‌های امنیتی بیان شده را مرتفع نموده است.

امروزه اینترنت اشیا بستر اصلی برای کنترل شرایط و رفتارهای محیطی، نظیر وضعیت ادارات، خانه‌ها و گل‌خانه‌های هوشمند است. عملکرد صحیح در بستر اینترنت اشیا به شدت وابسته به قابل اعتماد بودن حس‌گرها و داده‌های دریافتی از آن‌هاست. راهکار ساده برای مواجهه با اشکالاتِ موجود در حس‌گرها، استفاده از حس‌گرهای افزونه است. به جای این رویکردِ پرهزینه، در این تحقیق از روشی نوین استفاده شده است تا بتوان با تکیه بر هم‌بستگیِ موجود بین داده‌های دریافتی از حس‌گرهای عملیاتیِ مختلف و سالمِ محیط (و نه حس‌گرهای افزونه)، داده‌های حس‌گرهای دارای اشکال را پیش‌بینی کرد. به این منظور، در این تحقیق روش‌هایی برای استخراج رابطه‌ی خطی و غیرخطیِ چندمتغیره بین داده‌های دریافتی از حس‌گرهای مختلف در یک اقلیم گل‌خانه‌ای ارائه شده است، که شامل اِعمالِ رگرسیون و مدل شبکه‌ی عصبی روی داده‌های دما، رطوبت، غلظت CO و روشنایی هستند. داده‌های به‌کاررفته در این آزمایش داده‌هایی حقیقی هستند که در طول 6 روز از گل‌خانه‌ی دانشگاه گیلان جمع آوری شده‌اند. این داده‌ها توسط بردی مجهّز به حس‌گرهای متنوّع و میکروکنترلر ATmega328 که برای همین تحقیق طراحی و ساخته شد، به دست آمده‌اند. نتایج نشان می‌دهد که با مدل‌سازی‌های ارائه‌شده، می‌توان متغیِرهای مختلف (یعنی همان داده‌های حس‌گرها) را با خطای اندکی (RMSE نوعاً کمتر از 5% مقدار داده) پیش‌بینی کرد.

امروزه با افزایش چشمگیر مطالعات در حوزه های متنوع معماری سازمانی روبرو هستیم. علیرغم تفاوت و تنوع زیاد این مطالعات، در بعضی از زمینه‌های تحقیقاتی همچنان با ابهام و خلأهای اساسی و مهمی مواجه هستیم. ارزیابی کیفیت معماری سازمانی از جمله مسائلی است که نیاز به ارائه یک رویكرد جامع و نظام‌مند برای بررسی و شناسایی دغدغه‌های اصلی این حوزه دارد. بدیهی است که مرور نظام‌مند رویكردهای ارزیابی کیفیت معماری سازمانی، مسیر هموارتری بسوی بلوغ تحقیقات پیش‌رو فراهم می‌آورد. در این مقاله مروری، با در نظر گرفتن رویكردهای متفاوتی که برای ارزیابی کیفی معماری سازمانی انجام شده، با استفاده از یک ساختار جامع به جداسازی دغدغه‌های موجود پرداخته و در هر مورد تفاوت‌ها و تناقض‌ها مورد بررسی قرار می‌گیرد. در این راستا به تحلیل ساختار مقالات موجود، شناسایی خلأهای تحقیقاتی، تحلیل سوالات تحقیق و ارائه راهكارهایی برای ایده پردازی در مطالعات آتی ارزیابی کیفیت معماری سازمانی، پرداخته می‌شود. با استفاده از نتایج این مطالعات، یک طبقه‌بندی از نیازهای اساسی برای ارزیابی کیفیت معماری سازمانی و نحوه پاسخ به این نیازها در مطالعات ارائه می‌شود. این رویكرد طبقه‌بندی شده مورد بحث و تشریح قرار گرفته و هر طبقه بصورت مجزا تحلیل می‌گردد.

در این مقاله، مدل بلوغ داده سازمان‌های ایران مبتنی بر سه محور داده، جنبه و ابعاد معرفی شده است. محور داده شامل هر یک از داده‌های کسب‌وکار و یا مجموعه داده‌های مرتبط به هم از سازمان است. سیاست، فرآیند، افراد، بودجه و تجهیزات نیز پنج جنبه مطرح در این مدل هستند. برای محور ابعاد در این مدل نیز دوازده بعد معرفی شده است که هر یک بخشی از مفاهیم مدیریت و حاکمیت داده در سازمان را پوشش می‌دهند. در ادامه روش ارزیابی بلوغ داده مبتنی بر این مدل نیز در مقاله ارائه شده است. جهت افزایش دقت ارزیابی، هر یک از ابعاد در صورت امکان به موضوعاتی تجزیه شده تا امکان امتیازدهی بهتر میسر گردد. مدل ارائه شده به شکل جامع طراحی شده است اما ساختار آن به نحوی انعطاف‌پذیر است که می‌توان این مدل را جهت انجام ارزیابی‌های کم هزینه‌تر و سریع‌تر، کوچک‌تر نمود.

مقوله پیش‌بینی روند بورس از دیرباز مورد توجه دانشمندان و فعالان این حوزه بوده است. از جهات مختلف کارهای بسیار زیادی در این زمینه صورت گرفته است. یکی از وجوهی که به دلایل مختلف، کمتر مورد توجه بوده پیش‌بینی اقبال عمومی افراد به خرید نمادهای بورسی با استفاده از داده‌های موجود برخط است. کاوش در این زمینه با توجه به اهمیت موضوع برای تهیه یک سبد مناسب بسیار ارزشمند و مفید است. رشد علم و فناوری پردازشی طی سالیان گذشته، راه را برای کاوش بیشتر هموار کرده است. با این وجود انجام کارهایی در این زمینه برای زبان فارسی مورد کم توجهی گرفته است. در این مقاله یک سیستم جدید پیشنهاد‌دهی خرید سبد بورسی با استفاده از داده‌های قابل دسترسی از پیام‌رسان تلگرام ارائه شده است. این سیستم مبتنی بر تحلیل احساسات کاربران با استفاده از الگوریتم lr{ word2vec } و به کمک لغت نامه و سپس پیش‌بینی روند رشد نماد‌های بورسی عمل‌ می‌کند. موفقیت‌های به دست آمده در کاوش نظرات کاربران به منظور پیشنهاد‌دهی سبد بورسی و رشد نماد‌های پیشنهاد داده شده دلگرم‌کننده است. نتایج به دست آمده حاکی از آن است که این سیستم می‌تواند به عنوان ابزاری مناسب جهت پیشنهاد‌دهی سبد خرید بورسی باشد.

امروزه با توسعه‌ی فناوری در حوزه‌ی پزشکی، الکتروانسفالوگرافی دامنه‌ی وسیعی از شرایط تشخیصی را در اختیار متخصصان قرار می‌دهد که کاربردهای بالینی فراوانی دارد. مدل‌سازی پیش‌بینی الکتروانسفالوگرام می‌تواند علاوه بر استخراج مفاهیم قابل توجه، برای اثبات تشخیص صرع بکار گرفته شود. در سال‌های اخیر، تجزیه و تحلیل‌های مبتنی بر پیش‌بینی نشان دادند که رویکردهای داده محور می‌توانند با ادغام مجموعه داده‌های بالینی و تکنیک‌های یادگیری ماشین، به عنوان یک سیستم واحد و هوشمند نتایج مراقب‌های بهداشتی را ارائه دهند. در این پژوهش یک روش جهت بهبود تشخیص تشنج صرعی از سایر حالت‌های ضبط شده توسط دستگاه الکتروانسفالوگرام ارائه شد. روش پیشنهادی با استفاده از قاب‌بندی داده‌های سری زمانی، محاسبه‌ی انحراف معیار از داده‌‌های درون قاب، انتخاب مهمترین ویژگی‌های توسط الگوریتم ریلیف و آستانه‌یابی الگوریتم ژنتیک، توانست بردار ویژگی را بهینه نماید. نتایج بدست آمده از طبقه‌بندی یادگیری عمیق با 6 لایه‌ی پیشنهادی نشان می‌دهد که روش پیشنهادی قادر است با دقت %۹۹.۴۰، حساسیت %۹۹.۲۵ و اختصاصیت %۱۰۰ تشنج صرعی را از سایر وضعیت‌های موجود روی مجموعه دادگان بیماران تشنج صرعی نسخه بازسازی شده دانشگاه بن آلمان افتراق دهد که در معیار دقت طبقه‌بندی به میزان %۱.۳ بهبود نسبت به الشرهان و همکاران نشان می‌دهد.

پیش‌بینی سری‌های زمانی مالی یکی از مباحث داغ و مورد علاقه برای بسیاری از سرمایه گذاران می‌باشد. از آنجا که داده‌های سری زمانی مالی ماهیتی non-stationary و غیرخطی دارند پیش‌بینی این بازار به خودی خود می‌تواند بسیار چالش برانگیز باشد. نویز و ناهنجاری نیز پدیده جدا نشدنی داده‌های از نوع سری زمانی هستند که پیش‌بینی این داده‌های ماهیتا پیچیده را دشوارتر می‌کنند. رفتارهای هیجانی سرمایه گذاران می‌تواند باعث ایجاد الگوهایی بر خلاف روند معمول بازار گردد که شناسایی و حذف این الگوها می‌تواند در ادامه پیش‌بینی روند بازار موثر واقع گردد. در اینجا سعی شده تا با استفاده از یک Autoencoder داده‌های مربوط رفتارهای هیجانی بازار را شناسایی کرده و با جایگذاری بهینه این ناهنجاری‌ها داده‌های بهتری را در اختیار یک شبکه عمیق LSTM که به عنوان مدل نهایی جهت پیش‌بینی بازار مورد استفاده واقع شده است قرار دهیم. نتایج بدست آمده نشان می‌دهد که انجام پیش پردازش بر روی داده‌ها باعث بهبود عملکرد مدل و کاهش خطای پیش‌بینی می‌شود به طوریکه خطای پیش‌بینی با روش ارائه شده در کمترین حالت بر اساس توابع ،RMSE MAPE و MAE به ترتیب ۴ ،۴و ۵ درصد بهود داشته است.

فناوری بلاکچین انقلابی در رشته کامپیوتر محسوب می‌شود که با وجود نوظهور بودن، توانسته است نفوذ خود را به سایر حوزه‌ها نیز گسترش دهد. با این حال، محدودیت‌هایی چون مقیاس‌پذیری، تهدیدات امنیتی و مکانیزم‌های اجماع، باعث شده است که در استفاده‌ی از آن با چالش‌هایی نیز مواجه شویم. یکی از راه‌های غلبه بر این مشکلات، زنجیره اعتماد نام دارد. زنجیره‌ اعتماد بر‌خلاف بلاکچین‌های مرسوم، از یک زنجیره واحد استفاده نمی‌کند بلکه، در این سیستم هر گره وظیفه ساخت و نگهداری زنجیره ‌محلی خود را دارد. از بارزترین ویژگی‌های این سیستم، عدم نیاز به مکانیزم‌های اجماع همگانی و مقاومت در برابر حمله سیبیل می‌باشد. در این مقاله سعی کرده‌ایم در وهله اول با پیاده‌سازی عملی سیستم مذکور بر‌روی دستگاه‌های موجود و همچنین افزودن ماژول‌هایی به برنامه جهت به دست آوردن اطلاعات مورد نیاز، مجموعه داده‌ای جامع از پارامتر‌های موثر در کارایی این بلاکچین جمع‌آوری کرده و با تجزیه و تحلیل اطلاعات به دست آمده از طریق الگوریتم‌های استخراج ویژگی، بتوانیم موثرترین ویژگی‌ها در کارایی هر ناظر را به دست آوریم، سپس با افزودن یک سیستم احراز هویت غیر‌متمرکز به بلاکچین، با ارائه‌ی راهکار‌هایی به مقابله با حمله White washing و آسیب پذیری‌های سرویس‌گیرنده بپردازیم.

فراگیری نسل‌های جدید برقراری ارتباط و محدودیت‌های موجود در حوزه‌های توان محاسباتی/ذخیره‌سازی و مصرف انرژی، تحولی بزرگ را در روند توسعه و پیاده‌سازی الزامات آن‌ها طلب می‌کند. طی سال‌های اخیر موضوع بارسپاری وظایف در محاسبات لبه‌ای سیار به موضوعی جذاب و پرطرفدار تبدیل شده که هم قادر به بهبود طول عمر باتری دستگاه‌های کاربران پایانی سیار و هم حل مشکلات مربوط به تأخیر محاسباتی و تراکم شبکه آنان می‌باشد. این مقاله تلاش می‌کند حوزه‌های مفهومی و عملی مرتبط با چالش‌های استفاده از این تکنیک نویدبخش را مرور نموده و نقش مؤثر بارسپاری وظایف در بهبود کارایی و افزایش کیفیت ارائه‌ی خدمات به کاربران سیار را تبیین نماید. ارائه‌ی روش‌های دستیابی به بهبود‌هایی که می‌تواند توسط انجام فرایند بارسپاری وظایف برای سیستم ایجاد شود در کنار معرفی محدودیت‌های موجود در این مسیر و کارهای آتی قابل انجام در این حوزه، بخش پایانی این مقاله را تشکیل می‌دهد.

امروزه محاسبات ابر و مه به منظور افزایش قدرت عملکرد اینترنت اشیا توسعه یافته‌اند و زمان‌بندی درخواست‌های وظایف اینترنت اشیا مبتنی بر محاسبات مه-ابر نقش کلیدی را در جهت پاسخ به این درخواست‌ها ایفا می‌کند. یک زمان‌بندی وظیفه بهینه می‌تواند عملکرد سیستم را بهبود بخشد. لذا این پژوهش یک روش زمان‌بندی درخواست‌های وظایف اینترنت اشیا بر روی منابع را برای بهبود کیفی خدمات اینترنت اشیا مبتنی بر محاسبات مه-ابر به منظور کاهش زمان تکمیل درخواست‌های وظایف اینترنت اشیا و کاهش زمان توان عملیاتی سیستم با استفاده از الگوریتم بهینه‌سازی شاهین هریس دو هدفه به منظور کاهش تاخیر کلی پاسخ به درخواست‌های وظایف پیشنهاد می‌دهد. سپس، عملکرد الگوریتم زمان‌بندی پیشنهادی برای حل مساله زمان‌بندی وظایف با استفاده از مجموعه داده‌های مختلف ارزیابی گشته و مقایسه‌ای بین الگوریتم پیشنهادی و سه روش فراابتکاری معروف برای بررسی عملکرد انجام شده است. طبق آزمایشات انجام شده، روش پیشنهادی توانسته است زمان تکمیل درخواست‌های وظایف اینترنت اشیا و زمان توان عملیاتی را کاهش دهد و در نتیجه تاخیر ناشی از پردازش وظایف را کاهش و نرخ عملکرد سیستم را افزایش دهد.

در قرن حاضر شاهد تولید روزافزون فیلم‌های سینمایی مختلف در دسته‌بندی و ژانرهای متفاوت هستیم. بسیاری از این تولیدات خارج از ارزش‌هایی است که متناسب با مقتضیات سنی یک کودک یا نوجوان باشد. بسیاری از والدین نگران فرزندان خود در مواجه با این تولیدات هستند. بنابراین، طبقه‌بندی صحیح فیلم می‌تواند راهنمای مناسبی برای والدین باشد. در حال حاضر سیستم‌های موجود دسته‌بندی و پیشنهادگر فیلم، عوامل کمی و ... را در نظر می‌گیرند توجه کمتری به محتوای فیلم دارند. هدف از این تحقیق استفاده از روش‌های بازیابی اطلاعات برای شناسایی موضوع، ژانر و طبقه‌بندی سنی فیلم‌ها براساس متن آن‌ها است. به‌گونه‌ای که بتوان از این دانش در توصیه فیلم،‌ با توجه به محتوای فیلم و رده‌سنی کاربر بهره گرفت. در این پژوهش از روش‌ مدلسازی موضوعی (LDA) استفاده شده است که با استفاده از کشف روابط پنهان بین واژگان، موضوعات اسناد و درصد مشارکت هر موضوع در هر سند را مشخص می‌کند. از LDA علاوه بر خوشه‌بندی اسناد، برای استخراج ویژگی‌های اسناد استفاده شده‌است، که منجر به کاهش ابعاد داده‌ها نسبت به روشهای دیگر نمایش کلمات (word embedding) می‌شود. کاهش ابعاد داده، موجب بهبود عملکرد مدلهای یادگیری ماشین می‎‌شود. نتایج پیاده سازی نشان می‌دهد که روش پیشنهادی با دقت 93% توانایی تشخیص رده‌سنی کاربر دارد و با دقت 89% در تشخیص ژانر موفق عمل می‌کند.

پیشرفت‌های اخیر در حوزه فناوری سبب شده است که سازمان‌ها ناگزیر به انتخاب رویکردهای مبتنی بر آمادگی، انعطاف‌پذیری و تطابق با روش‌های نوین انجام کار باشند. فناوری ‌اطلاعات پر شتاب، همسو با تحول دیجیتال، نیازمند نگرشی کل‌نگر و اثربخش در طراحی بومی، پیاده‌سازی در ابزارهای ITSM و جاری‌سازی روش‌های مدیریت خدمات فناوری اطلاعات در سازمان‌ها است. مدیریت حادثه یکی از روش‌های مدیریت خدمات فناوری اطلاعات است که با تداوم کسب و کار رابطه تنگاتنگ داشته و بهبود عملکرد پاسخگویی در این روش از اهمیت بسزایی برخوردار است. از این‌رو، در این پژوهش با الهام از مدل‌های ارزیابی بلوغ قابلیت و تمرکز بر چارچوب ITIL4، مدلی برای ارزیابی بلوغ قابلیت مدیریت حادثه ارائه شده است. در این مدل با توجه به عوامل موفقیت روش مدیریت حادثه، معیار های ارزیابی متناسب با سطح بلوغ، با چهار بعد مدیریت خدمات نگاشت شده و شواهد مورد نیاز جهت تحقق تعیین شده است.

داده‌های جغرافیایی، مرزهای زمین‌های کشاورزی و قطعه‌بندی آن‌ها برای بسیاری از کاربردهای کشاورزی ضروری است. به عنوان مثال می‌توان به تحت نظارت قرار دادن زمین برای مدیریت منابع اشاره کرد. از آنجایی که مرزبندی به صورت دستی و به کمک شخص حقیقی زمان زیاد و ابزارهای خاصی نیاز دارد، نیاز به خودکارسازی تکرارپذیر این کار احساس می‌شود. هدف از این پروژهش، پردازش تصاویر ماهواره‌ای و شناسایی قطعه زمین‌های کشاورزی موجود در این تصاویر به همراه مرزبندی آن‌ها است. به این منظور، مدل Mask R-CNN که یکی از مدل‌های پیشتاز ارائه شده برای تقسیم‌بندی نمونه در یادگیری عمیق است، مورد استفاده قرار گرفت. برای بررسی راه حل پیشنهادی، با تهیه‌ی یک مجموعه داده، مدل تحت آموزش قرار گرفت. ارزیابی مدل نیز با معیارهای تقسیم‌بندی نمونه مطابق با استاندارد COCO صورت پذیرفت. در آزمایشی که از باند‌های رنگی (RGB) ماهواره‌ی Sentinel-2 به عنوان ورودی استفاده شد، میانگین دقت (AP) ٪۵۴ و صحت پیکسلی ۹۰٪ حاصل شد. نتایج به دست آمده نشان داد که روش پیشنهادی در این پژوهش پتانسیل بالایی را در تقسیم‌بندی نمونه‌ی زمین‌های کشاورزی دارد.