انجمن کامپیوتر ایران

معماران در پروژه‌ها می‌توانند از تجارب قبلی یکدیگر استفاده نمایند و تأثیرات تصمیمات خود را بر ویژگی‌های کیفی اندازه‌گیری کنند. تصمیماتی که معمار برای یک سیستم اتخاذ می‌نماید مستقیماً روی پاسخ سناریوهای کیفی مربوطه اثر می‌گذارد. با توجه به اینکه این تصمیمات بارها توسط معماران نرم‌افزار در شرایط مختلف مورد استفاده قرار می‌گیرد چنانچه بتوان تجارب قبلی را به فرم مناسب ذخیره نمود در شرایط مشابه، قابل استفاده مجدد خواهد بود. با توجه به تنوع فیلدهای سناریوهای کیفی و مقادیر آنها، تعیین میزان اثر یک تصمیم بر پاسخ سناریوی کیفی نیاز به اطلاعات کافی از تجارب قبلی دارد تا بتوان به پاسخ، اعتماد نموده و آن را مورد استفاده مجدد قرار داد. در این مقاله چارچوبی ارائه شده است که با کمک آن، معمار قادر خواهد بود از تجارب سایر معماران استفاده مجدد نموده و میزان اثر تصمیم خود بر ویژگی‌های کیفی را مشاهده نماید. در این چارچوب یک آنتولوژی ارائه می‌شود تا امکان ذخیره سازی تصمیمات معماری و تأثیرات آنها بر سناریوهای کیفی برای استفاده های آتی فراهم گردد. برای ارزیابی چارچوب پیشنهادی، ابتدا اطلاعات چندین سیستم موجود را ذخیره نموده، سپس برای یک سیستم جدید میزان تأثیر مربوط به تصمیمات معماری بر روی سناریوهای مختلف محاسبه شده توسط این چارچوب را با تأثیرات واقعی مقایسه می نمائیم.

آزمون نرم‌افزار فرآیندی وقت‌گیر و خسته کننده است. آزمون فاز در کنار خودکار بودن مي‌تواند در صورت رسیدن به پوشش کد، خطاها و آسیب‌پذیری‌های زیادی را کشف کند. چالش اصلی در تمام آزمون‌های کد مانند این آزمون، رسیدن به پوشش کد و طی مناطق عمیق کد است تا احتمال یافتن خطا و آسیب‌پذیری بیشتر شود. بدین منظور استفاده از آزمون واقعی-نمادین در صورت داشتن حلال قیود مناسب و یا قیود به شکل درست می‌تواند بسیار امیدبخش باشد؛ اما به دلیل نقش گلوگاهی حلال قیود و شکل قیود ممکن است برخی از مسیرها، جوابی مناسب از حلال قیود دریافت نکرده و دچار انحراف شده و این مسیرها و مسیرهای حاشیه‌ای آن‌ها هرگز پیموده نشوند. در این مقاله، روشی برای بهبود نحوه عملکرد و ارتقاء پوشش آزمون در آزمون فاز ارائه شده است. برای این منظور در کنار استفاده از روش آزمون واقعی-نمادین، اکتشافاتی بر روی قیود شرایط مسیر با کمک الگوریتم ژنتیک صورت گرفته و شرایط مسیر بهتری تولید می‌شود به صورتی که توسط حلال قیود قابل حل بوده و طی کردن داده متناظر با آن، به پوشش کد بالاتر می‌انجامد. نتایج تجربی حاصل از پیاده سازی و اعمال روش پیشنهادی روی موارد کاربردی مختلف در مقایسه با روش مشابه مؤید این مطلب است.

از آن‏جا که فرآیند تنظیم ژن‏ها در سطح سلولی یک روند دینامیک و پویا است، شبکه‏های عصبی با قابلیت آموزش و تنظیم بر اساس داده‏های آموزشی و سیستم‏های فازی با قابلیت تفسیرپذیری، الگوریتم‏های مناسبی جهت این نوع محاسبات هستند. در پژوهش پیش‏روی، روش‏هایی بر مبنای شبکه‏های عصبی¬فازی جهت پیش‏بینی ارتباطات پیچیده میان ژن‏ها انجام شده است. روش پیشنهادی، ژن‏هایی که بیشترین تاثیر بر هم دارند را به عنوان ژن‏های تنظیم‏کننده می‏یابد و نوع روابط آن‏ها شامل اثر سدکنندگی، فعال‏کنندگی و یا خنثی را مشخص می‏کند و در نهایت شبکه تنظیم ژنی ترسیم می‏شود. برای آموزش، از مجموعه داده‏های استاندارد ریزآرایه مربوط به 12 ژن شاخص موثر در مدت سیکل جوانه زدن نوعی مخمر (Saccharomyces Cerevisiae) استفاده شد. فعل و انفعالات حاصل شده با نتایج آزمایشگاهی بیولوژیکی پیشین، تحت معتبرسازی قرار گرفته‏اند و نتایج نشان‏دهنده آن است که با اجرای روش پیشنهادی، 15% از تعداد قوانین استخراج شده جهت بخش‏بندی فضای ورودی- خروجی کاسته شده و این منجر به کاهش شدید محاسبات می‏شود، در حالی‏که میزان مجموع مربعات خطای الگوریتم نیز در مقایسه با نزدیک‏ترین روش از لحاظ الگوریتم، 0.3- کاهش یافته است.

یکی از مسائل مطرح در طبقه بندی کننده k نزدیک ترین همسایه، تعیین اندازه همسایگی است. تحقیقات نشان داده اند تعیین بهینه مقدار k تاثیر بسزایی در میزان دقت حاصل از طبقه بندی این نوع طبقه بندی کننده دارد از همین رو، کارهای بسیاری جهت تعیین اندازه همسایگی به صورت کلی برای هر مجموعه داده و یا به صورت محلی به ازای هر نمونه، صورت گرفته است. در این مقاله یک تکنیک k نزدیکترین همسایه وفقی ارائه شده که در فاز اول، با توجه به همسایگی هر نمونه آموزشی (الگو)، یک مقدار مناسب k به هر یک انتساب داده می شود. سپس در فاز دوم، با استفاده از مفهوم وزن دهی به الگوها، فاصله ای وفقی بین یک نمونه تست و یک الگو تعریف می شود. سپس وزن الگوها به گونه ای تنظیم می شود که منجر به افزایش نرخ طبقه بندی leave one out بر روی مجموعه داده آموزشی شود. در فاز طبقه بندی، نزدیکترین الگوی هر نمونه تعیین و از مقدار k آن، برای طبقه بندی استفاده می‌شود. روش پیشنهادی با شیوه های KNN وفقی ارائه شده در تحقیقات گذشته، بر روی تعدادی مجموعه داده استاندارد، مقایسه شده است. نتایج نشان می‌دهد که الگوریتم ارائه شده نه نتها اندازه مجموعه داده را کاهش می دهد بلکه در بسیاری از موارد، بهتر از سایر الگوریتم ها عمل می‌کند. علاوه بر این در حضور نویز، تقریبا در همه مجموعه های داده، دقت بیشتری را در بردارد.

وظیفه لايه‌ي انتقال در شبکه‌ها، کنترل و پيشگيري از ازدحام و تحويل مطمئن انتها به انتهاي بسته‌ها مي‌باشد. در شبکه‌هاي حسگر روش‌هايي که هر دو فاکتور فوق را همزمان مورد توجه قرار مي‌دهند، نسبت به ساير روش‌ها موفق‌ترند. ESRT يکي از اين روش‌ها است که بزرگ‌ترين چالش آن عدم پشتيباني از اولويت‌هاي چندگانه در انتقال ترافيک مي‌باشد. در این پژوهش براي رفع مشکل ESRT از روش کدگذاري توصيفات چندگانه به همراه تصحيح خطاي پيش‌رونده استفاده‌شد و روش جديدي براي کنترل ازدحام، تأمين اتکاپذيري و اولويت‌بندي چندگانه بين توصيف‌هاي توليدي در گره‌هاي حسگر ارائه شد. در اين روش با توجه به ترافيک ويدئويي در نظر گرفته‌شده براي شبکه حسگر، تلاش مي‌شود که اتکاپذيري و به دنبال آن کيفيت ويدئوي دريافتي تا جايي که ازدحام رخ نمي‌دهد در شبکه زياد شود. نتايج شبيه‌سازي‌ها نشان داد که براي ترافيک ويدئويي با امکان ارائه‌ي توصيفات گسترش‌پذير، به خوبي اولويت بين جريان‌ها رعايت می‌شود. سرعت عمل روش نيز در مقايسه با روش پايه، مطلوب تر ارزيابي شد، که اين موضوع باعث کاهش مصرف انرژي و جلوگيري از هدر رفتن منابع شبکه در هنگام وقوع ازدحام مي‌شود.

یک سیستم طبقه‌بندی مبتنی بر قواعد فازی گونه‌ا‌ی خاص از مدل‌سازی فازی است که در آن خروجی سیستم، مقداری غیرفازی و گسسته است. چالش‌برانگیزترین مسئله در طراحی این سیستم‌ها، ساخت پایگاه قواعد فازی است. تاکنون تلاش‌های بسیاری با هدف ایجاد و تنظیم ساختار این سیستم‌ها صورت گرفته است. در این مقاله، یک الگوریتم یادگیری مبتنی بر پاداش و جریمه ارائه شده‌است. الگوریتم پیشنهادی با ارزیابی رفتار قواعد فازی در روند یادگیری، پارامترهای توابع عضویت مقدم و وزن قواعد سیستم را در راستای بهبود نتایج طبقه‌بندی تنظیم می‌کند. در گونه‌های این الگوریتم، برای ایجاد تعادل مابین تنظیم وزن قواعد فازی و اصلاح زیر فضاهای فازی، معیارهای تعداد جریمه‌‌ها و میزان نوسان در دریافت پاداش و جریمه‌ی هر قاعده معرفی شده‌اند. ایده‌های پیشنهادی به کمک تعدادی از مجموعه‌داده‌های UCI ارزیابی شده و کارایی آنها در مقایسه با الگوریتم پایه‌ای پاداش و جریمه، و شبکه‌عصبی MLP بررسی شده ‌است. نتایج نشان می‌دهد روش پیشنهادی به خوبی می‌تواند کیفیت طبقه‌بندی را ارتقا داده و دقت بالاتری را حاصل نماید.

برنامه‌های کاربردی مبتنی بر سرویس انتقال صوت بر روی IP (VoIP) در شبکه‌های محلی بی‌سیم (WLANs) به سرعت در حال توسعه هستند. از آن‌جا که معماری این شبکه‌ها برای انتقال داده طراحی شده است، بهبود و افزایش کیفیت سرویسVoIP نیاز است. از طرف دیگر الگوریتم‌های سازگاری نرخ در استاندارد IEEE 802.11 با مدیریت نرخ ارسال در لایه MAC، بر پارامتر‌های کیفیت سرویس VoWLANs مؤثر هستند. در این مقاله ابتدا الگوریتم سازگاری نرخ کارآمدی جهت تضمین کیفیت سرویس VoWLANs ارائه‌ شده است. سپس با بهره‌گیری از رویکرد بین لایه‌ای، روشی برای بهبود کیفیت سرویس VoIP ارائه خواهد شد. در این روش با معرفی یک عامل ارتباطی بین لایه MAC و لایه کاربرد، مقدار R-Factor از طریق پروتکل RTCP محاسبه می شود.. متناسب با مقدار به‌دست آمده، در لایه MAC از الگوریتم سازگاری نرخ کارآمد، و در لایه کاربرد از کدگذار - کدگشای مناسب استفاده می‌شود. با استفاده از شبیه‌ساز NS-3، شبیه‌سازی‌هایی با سناریوهای متفاوت برای پنج الگوریتم‌ سازگاری نرخ و کدگذار - کدگشا‌‌ها‌ی مختلف اجرا شده است. نتایج شبیه‌سازی نشان می‌‎دهد که الگوریتم سازگاری نرخ ARF برای ترافیک‌های پایین و CARA برای ترافیک‌های بالا کارآمدتر است. هم‌چنین روش ارائه شده مبتنی بر رویکرد بین لایه‌ای، می‌تواند کیفیت ‌سرویس VoWLANs را پایدار و بهینه نماید.

در این مقاله الگوریتم جدیدی برای ناحیه بندی تصاویر بافتی، با استفاده از مدل کانتور فعال مبتنی بر ویژگی الگوی باینری محلی کامل (CLBP) ارایه شده است. در روش پیشنهادی ابتدا یک ناحیه‌بندی تقریبی توسط روش خوشه‌بندی K-Means بر روی ویژگی‌های به دست آمده از CLBP انجام می‌گیرد. از این ناحیه‌بندی تقریبی برای تعیین مکان کانتور اولیه استفاده می‌شود. در ادامه به منظور کاهش حجم محاسبات و بهبود در عملکرد ناحیه بندی، از بین کدهای CLBP، آنهایی که قدرت جداسازی بیشتری بین ناحیه‌ها ایجاد می‌کنند انتخاب می‌شوند. در پایان با استفاده از مدل کانتور فعال، ناحیه بندی تصویر انجام می‌شود. نتایج حاصل از اعمال الگوریتم جهت ناحیه‌بندی تصاویر بافتی نشان می‌دهد که روش پیشنهادی عملکرد مناسبی از نظر دقت و سرعت ناحیه‌بندی برخوردار است. از جمله مزایای روش ارایه شده، توانایی آن در ناحیه‌بندی تصاویر بافتی دارای ناهمگنی در شدت روشنایی است، که دلیل آن مقاوم بودن عملگر الگوی باینری محلی نسبت به تغییرات یکنواخت در شدت روشنایی تصویر است.

اقتباس از آثار علمی دیگران بدون ارجاع صحیح به آنها را دستبرد علمی می‌نامند که کشف خودکار انواع این سوء استفاده‌ها‌ همواره مورد توجه محققین بوده است. در این مقاله روشی جهت کشف دستبرد علمی ارائه شده است که یک روش مبتنی بر بازیابی اطلاعات است. در این روش ما از یک شیوه بازیابی اطلاعات مبتنی بر خوشه‌بندی استفاده کرده‌ایم و در آزمایشات نشان دادیم در سیستم‌های کشف دستبرد علمی، استفاده از شیوه‌های بازیابی اطلاعات مبتنی بر خوشه‌بندی می‌تواند بسیار کاربردی‌تر از شیوه‌های دیگر بازیابی اطلاعات باشد. همچنین در این الگوریتم معیاری برای رتبه‌بندی اسناد بازیابی شده، ارائه شده است. نتایج آزمایشات نشان می‌دهد با استفاده از این معیار، سند مورد نظر در 91% موارد در فهرست اسناد رتبه‌بندی شده با رتبه کمتر از پنج حضور دارد. روش کشف دستبرد علمی پیشنهادی قادر به کشف انواع کپی‌برداری‌های دقیق و کپی‌برداری با تغییرات مانند جابجایی جملات، حذف و درج جملات، جایگزینی کلمات با مترادف‌هایشان و ترکیب بخش‌های کپی شده با یکدیگر است. این سیستم قابل توسعه به انواع کپی‌برداری‌های هوشمندانه نیز می‌باشد. در روش پیشنهادی علاوه بر متن اسناد، تصاویر موجود در آنها نیز در رتبه‌بندی اسناد مؤثر خواهند بود. نتایج ارزیابی سیستم پیشنهادی، نشان می‌دهد که در این سیستم برای کپی‌برداری‌های تحت الفظی، میانگین رتبه سند منبع، پنج می‌باشد.

شبکه‌های عصبی عمیق دارای کاربردهای فراوانی در پردازش گفتار می‌باشند. در صورتی که این شبکه‌ها به صورت تصادفی مقداردهی اولیه شوند به جواب درست همگرا نخواهند شد، چراکه دارای تعداد پارامترهای فراوانی می‌باشند. روش‌هاي متعددي براي پيش-تعلیم شبكه‌های عصبي عميق مطرح شده است که باعث همگرا شدن شبکه می‌شوند. پيش-تعلیم شبكه‌های عصبي مي‌تواند هم بر مبناي شبكه باور عميق و هم ماشين بولتزمان عميق انجام گيرد. در این مقاله شبکه عصبی عمیق با روش پیش-تعلیم جدیدی که بر مبنای ماشين بولتزمان عميق می‌باشد، آموزش می‌بیند. در نهايت خروجي شبكه عصبي پس از پيش-تعلیم توسط روش ارائه شده، برای طبقه بندی واج‌ها مورد استفاده قرار می‌گیرد. نتايج تجربي بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي كاربردهاي بازشناسي واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش‌ ارائه شده بر مبنای ماشين بولتزمان عميق به كاهش خطاي عمومي سيستم و افزايش كارائي آن كمك مي‌كند و از طرفی باعث همگرائی سریع‌تر شبکه عصبی عمیق می‌شود.

مدل رایانش ابری نیازهای سطح زیرساخت تا نرم‌افزار را به عنوان خدمت ارائه می‌دهد. یکی از مهمترین چالش‌های این فن‌آوری داشتن صرفه‌ی اقتصادی و سود‌آوری بالا برای ارائه‌دهندگان خدمات ابری است. با توجه به ویژگی کشسانی رایانش ابری، امکان پرداخت به ازای استفاده برای هر خدمت فراهم می‌شود. لیکن، اگر منابع کمتر از نیاز بارکاری تخصیص یابند دسترس‌پذیری خدمت کاهش یافته و طبق توافق‌نامه‌ی سطح خدمت، ارائه‌دهنده باید جریمه پرداخت کند و اگر دسترس‌پذیری بیش از نیاز مشتری باشد، منجر به افزایش هزینه‌های ارائه‌دهنده‌ی خدمت می‌شود. در این مقاله، با توجه به ویژگی‌های کشسانی خودکار و پرداخت به ازای استفاده‌ی رایانش ابری و دسترس‌پذیری در توافق‌نامه‌ی سطح خدمت، یک الگوریتم ابتکاری برای تخصیص پویای منابع به خدمات نرم‌افزار ابری به منظور بیشینه کردن سود ارائه‌دهنده‌ی خدمات زیرساخت ابری ارائه گردیده است. نتایج آزمایشاتی که بر روی داده‌های واقعی صورت گرفته، نشان می‌دهد که الگوریتم ارائه شده در مقایسه با الگوریتم ژنتیک، زمان اجرای کوتاهتر و مقیاس‌پذیری دارد به طوری که برای یک بازه‌ی زمانی در مقیاس چند دقیقه امکان کشسانی خودکار به شیوه‌ی کارآمد مهیا می‌گردد. همچنین، این الگوریتم با تعیین تخصیص بهینه، سودی برابر و در برخی حالات بیشتر از الگوریتم ژنتیک برای ارائه‌دهنده‌ی خدمات ابری در پی دارد.

این مقاله به مساله شناسایی جریان‌های فیل‌آسا در شبکه‌های کامپیوتری می‌پردازد. به دلیل اینکه شناسایی این نوع از جریان‌ها باید به صورت برخط انجام شود، ارائه الگوریتمی بسیار کارا و سریع برای شناسایی این جریان‌ها بسیار ضروری می‌باشد. الگوریتم ارائه شده دارای ساختاری موازی تصادفی است. به عبارت دیگر برای حل مساله از رویکرد تصادفی بر مبنای الگوریتم موازی با معماری هرم استفاده شده است. مرتبه زمانی الگوریتم ارائه شده در مرحله تحلیل بسته‌ها O(1) و در مرحله ادغام نتایج و بازنشانی ساختمان داده O(lg n) است. بهبود عملکرد الگوریتم چه از نظر کاهش میزان خطای شناسایی جریان‌های فیل‌آسا چه از نظر کاهش فرکانس ساز و کار بازنشانی با آزمایش بر روی داده‌های نمونه مورد ارزیابی و تایید قرار گرفته است.

سیستم‌های پرسش‌و‌پاسخ، زیرشاخه‌ای از علوم پردازش زبان طبیعی و بازیابی اطلاعات محسوب می‌شوند که در چند دهه‌ اخیر مورد علاقه زیاد محققین قرار‌گرفته‌اند و پیشرفت‌های قابل‌توجه‌ای در این زمینه، بخصوص در زبان انگلیسی انجام شده‌است. با توجه به رشد فزاینده‌ علاقه‌مندی به این زمینه‌ پژوهشی، نیاز به در اختیار داشتن منابع داده‌ای مناسب برای آن، به خوبی احساس می‌شود. در این مقاله، مراحل کامل توسعه‌ یک پیکره پرسش و پاسخ با نام رسائل و مسائل در زبان فارسی شرح داده خواهد شد. می‌توان اظهار کرد که این پیکره در نوع خود، اولین پیکره مربوط به پرسش و پاسخ با چنین ویژگی‌هایی برای زبان فارسی است. این پیکره شامل 2,118 سوال غیرحقیقت و 2,051 سوال حقیقت است که می‌تواند برای یادگیری کلیه مولفه‌های سیستم‌های پرسش و پاسخ شامل دسته‌بندی سوال، بازیابی اطلاعات و استخراج پاسخ، به صورت رایگان مورد استفاده عموم قرار گیرد.

شبکه موردی سیار مجموعه‌ای از نودهای متحرک است که با استفاده از ارتباطات بی‌سیم به تبادل اطلاعات می‌پردازند. هر نود ارسال کننده داده ممکن است به علت بار ترافیک سنگین دچار اردحام شود. رخداد این امر باعث افزایش تعداد بسته‌های حذف شده در سطح شبکه، طولانی‌تر شدن تاخیر دریافت بسته‌ها در مقصد و عدم بهره برداری مناسب از منابع شبکه می‌شود. بنابراین جهت مقابله با پدیده ازدحام، طراحی پروتکل‌های مسیریابی که علاوه بر انجام رسالت ارسال داده بین مبدا و مقصد، دارای مکانیزمی‌جهت پیشگیری و کنترل ازدحام هستند، اهمیت دارد. در این رابطه می‌توان به پروتکل DCDR اشاره کرد که یک پروتکل مسیریابی با قابلیت کنترل ازدحام در شبکه های سیار موردی می‌باشد. این پروتکل جهت پیش‌بینی و جلوگیری از وقوع ازدحام از یک مکانیزم کنترل ازدحام مناسب، براساس تخمین میانگین طول صف در هر نود استفاده می‌کند، اما فاقد مکانیزم مناسب جهت کنترل و کاهش نرخ بسته‌های حذف شده در لایه داده، به هنگام خرابی کانال می‌باشد. در این پژوهش پروتکل مسیریابی DCLFDR جهت کنترل ازدحام در لایه شبکه و کنترل نرخ بسته‌های حذف شده در لایه داده پیشنهاد می‌شود. نتایج شبیه‌سازی نشان می‌دهد که پروتکل DCLFDR نسبت به DCDR، در معیارهای تاخیر انتها‌به‌انتها و نسبت تحویل داده دارای عملکرد بهتری است.

In this paper, a new method for quantitative evaluation of the security of cyber-physical systems (CPSs) is proposed. The proposed method models the different classes of adversarial attacks against CPSs, including cross-domain attacks, i.e., cyber-to-cyber and cyber-to-physical attacks. It also takes the secondary consequences of attacks on CPSs into consideration. The intrusion process of attackers has been modeled using attack graph and the consequence estimation process of the attack has been investigated using process model. The security attributes and the special parameters involved in the security analysis of CPSs, have been identified and considered. The quantitative evaluation has been done using the probability of attacks, time-to-shutdown of the system and security risks. The validation phase of the proposed model is performed as a case study by applying it to a boiling water power plant and estimating the suitable security measures.

در اين مقاله، قوی ترین الگوریتم کدگذاری متااسپلویت در معماری x86 مورد تحلیل و واکاوی قرار گرفته است. الگوریتم کدگذاری x86/shikata_ga_nai که یک الگوریتم چندچهره است، به عنوان قوی ترین الگوریتم کدگذاری در بین سایر الگوریتم های متااسپلویت در معماری x86 معرفی شده است. با تحلیل و واکاوی این الگوریتم به یک امضا دست یافتیم که بنابر نتایج آزمون های ذکر شده، دارای درصد دقت تشخیص کامل و با نرخ هشدار غلط بسیار پایین می باشد.

در اين مقاله، روشي پيشنهاد شده است که با حملات اشکال در الگوريتم استاندارد رمزنگاري پيشرفته (AES) مقابله مي کند. اين روش با بکارگيري افزونگي هاي اطلاعاتي و زماني براي زيربخش هاي خطي و غيرخطي الگوريتم استاندارد رمزنگاري پيشرفته، هر يک از اين زيربخش ها را در برابر حمله اشکال محافظت مي کند. در روش پیشنهادی با استفاده از کدگذاري پريتي در موقعيت هاي بيتي که بيشترين قدرت تشخيص را فراهم مي آورند و تنها با استفاده از 8، 16 يا 32 بيت پريتي زيربخش هاي خطي الگوريتم رمزنگاري محافظت شده اند. همچنین از افزونگي زماني براي اجراي معکوس و محافظت زيربخش جانشاني بايت که يک عمل غيرخطي است استفاده شده است تا 100 درصد اشکالات رخ داده در اين زيربخش قابل تشخيص باشند. براي ارزيابي قدرت تشخيص روش پيشنهادي، الگوريتم رمزنگاري استاندارد پيشرفته را توسط زبان توصيف سخت افزار VHDL پياده سازي کرديم و با تزريق تصادفي گستره وسيعي از اشکالات گذراي چندگانه که مهم ترين مدل اشکال براي حملات اشکال هستند، ميزان تشخيص روش پيشنهادي را اندازه گيري کرديم. نتايج نشان دادند که روش پيشنهادي مي تواند بسته به اشکالات تزريق شده 4/99 تا 100 درصد از اشکالات تزريق شده را تشخيص دهد. مقايسه نتايج بدست آمده با ديگر روش هاي ارائه شده مشخص مي کند که روش پيشنهادي توانسته است تا 53 درصد از اشکال هاي کشف نشده توسط ساير روش ها را تشخيص دهد و بهبود بخشد.

گسترش رسانه های اجتماعی آنلاین و افزایش تمایل کاربران و مشتریان به انتشار عقاید و نظرات خود در محیط وب، فرصتی ارزشمند برای سازمان ها جهت بررسی تمایلات و ترجیحات مشتریان و همچنین ارزیابی شهرت نام های تجاری است. هدف اصلی در این پژوهش ارائه روشی نوین جهت سنجش و رتبه بندی شهرت نام های تجاری با استفاده از روش تحلیل احساسات در شبکه ی اجتماعی توییتر است. در این پژوهش استخراج و طبقه بندی نظرات و عقاید کاربران با بهره گیری از رویکردهای ترکیبی مبتنی بر لغت نامه، الگوریتم های یادگیری ماشین و نیز روش های پردازش زبان طبیعی انجام می گیرد. نتایج نشان می دهد الگوریتم های Naïve Bayes و Support Vector Machine با انتخاب ویژگی های Tri-grams و TF بهترین عملکرد را در میان مدل های مورد آزمون داشته اند. همچنین به کارگیری مقادیر مختلف پارامتر جریمه به منظور حل مشکل ماتریس پراکنده در داده های متنی کلان, سبب افزایش کارآیی در الگوریتم های مورد استفاده شده است. نوآوری اصلی این پژوهش به کارگیری روش خودکار تحلیل احساسات و استفاده از نظرات و عقاید کاربران در شبکه های اجتماعی جهت ارزیابی و طبقه بندی شهرت نام های تجاری است. همچنین ارتقای معیارهای ارزیابی طبقه بندی کننده ها در مقایسه با مدل های پیشین تحلیل احساسات و استفاده از مجموعه ای کارآمد از ویژگی ها، از جمله سایر دست آوردهای این تحقیق می باشد.

در شبکه های نظیر به نظیر غیرساخت یافته برخلاف شبکه های ساخت یافته ساختار شبکه از پیش مشخص نیست بنابراین محل قرارگیری گره ها کاملا مستقل از توپولوژی شبکه می باشد و گره ها اطلاعاتی در رابطه با وضعیت شبکه ندارند پس روشی که برای جستجو در این شبکه ها به کار می رود در بازدهی کل شبکه تاثیر زیادی دارد. در این مقاله برای بهبود جستجو در شبکه های نظیر به نظیر غیرساخت یافته، الگوریتم جستجوی آگاهانه ای مبتنی بر اتوماتای یادگیر مطرح شده است. این الگوریتم بر خلاف روش های قبلی جستجو در شبکه های نظیر به نظیر غیرساخت یافته، محتویات اشیا را در نظر می گیرد. روش پیشنهادی از نظر تعداد اشیا کشف شده به ازای هر درخواست و میزان سرباری که به شبکه تحمیل می کند با روش های K-walker random walk ،APS و DS مقایسه شده است. شبیه سازی ها نشان می دهند که روش پیشنهادی با توجه به دو معیار مطرح شده بهتر از روش های قبلی عمل می کند.

دسته‌بندی بسته، به‌عنوان یکی از وظایف کلیدی مسیریاب‌ها و دیواره‌های آتش نوین، با توجه به افزایش نرخ لینک و حجم ترافیک با چالش جدی در کارایی مواجه است. یکی از راه‌های افزایش کارایی الگوریتم‌های دسته‌بندی بسته‌، استفاده از پردازنده‌های چندهسته‌ای برای موازی‌سازی آن‌ها است. الگوریتم درخت سلسله‌مراتبی، یکی از الگوریتم‎های مهم در دسته بندی بسته ها بر اساس درخت تصمیم است. در این الگوریتم از آدرس IP مبدأ و آدرس IP مقصد برای ساختن درخت تصمیم گیری استفاده می‌شود. در این مقاله با استفاده از کتابخانه های موازی‌سازی Thread ،PPL،Open MP و TBB، الگوریتم درخت سلسله مراتبی را بر روی پردازنده‌های چندهسته‌ای پیاده سازی نموده ایم. نتایج ارزیابی این الگوریتم در همه بسترهای فوق الذکر و با مجموعه فیلترها و بسته های آزمون متنوع، حاکی از بهبود کارایی آن از نقطه‌نظر معیارهای مختلف نظیر گذرداد و تسریع می باشد. همچنین، نتایج نشان می دهد بیشترین گذرداد دسته بندی بسته ها در نسخه موازی شده با TBB و حدود 45/5 میلیون بسته در ثانیه است.