انجمن کامپیوتر ایران

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.

در اين مقاله يک روش جديد براي تخمين طيف فرکانسي سيگنال‌ها معرفي مي‌شود. اين روش بر اساس نمايش تنکi تابع خودبستگي سيگنال در يک پايه فرکانسي با اضافاتii ارائه مي شود. بدين وسيله اندازه پايه فرکانسي به نصف رسيده و در نتيجه حجم محاسبات به طور قابل ملاحظه‌اي کاهش مي‌يابد. نتايج شبيه‌سازي نشان مي‌دهد که کارآيي روش پيشنهادي نسبت به روش مرجع در مدت زمان بسيار کمتري، مشابه مي باشد

پروژه های فناوری اطلاعات به دلیل پیچیدگی زیاد ، در موارد متعددی به شکست می انجامند یا اینکه از زمان یا هزینه ی پیش بینی شده فراتر می روند . یکی از راه هایی که می توان با استفاده از آن جلوی شکست این پروژه ها را گرفت ، ارزیابی و ضعیت فعلی پروژه و بدست آوردن برآوردی از آینده ی پروژه است .در این مقاله قابلیتهای سامانه طراحی و ساخته شده "ساتاب" سامانه ی ارزیاب تحقق اهداف برنامه ای (شرایط پایان دهی) که با استفاده از مدل های تحلیل وضعیت به برآورد شرایط آتی یک پروژه در دست اجرا می پردازد ، توصیف شده است. این سامانه وضعیت فعلی را با آنچه که در ابتدای پروژه پیش بینی شده بود مقایسه شده و موارد عقب ماندگی از هزینه و زمان ، کارآیی زمان بندی و کارآیی هزینه ، بودجه ی تخمینی برای اتمام پروژه ، میزان کارآیی مالی پروژه و روند سودآوری آن را مشخص می کند. همچنین با استفاده از نظرات خبرگان در رابطه با معیارهای موفقیت و شکستی که در پروژه وجود دارد ، احتمالی برای موفقیت و شکست پروژه تعیین می کند و در نهایت به شناسایی خطرهای پروژه و ارائه ی راهکارهای بهبود طلب برای پروژه می پردازد . همچنین ارزیابی های پروژه در بازه های مختلف زمانی را باهم مقایسه می کند و بدین وسیله روند پایان دهی پروژه را نشان می دهد و در خاتمه یک گزارش تحلیلی نهایی رایانه ای شامل یک تصمیم توصیه ای در مورد توقف یا ادامه پروژه تا اتمام را تولید می کند.

در این مقاله روش جدیدی برای استخراج ویژگی از تصویر زیرکلمات چاپی فارسی با استفاده از تبدیل بسته­ی ویولت سیملت نوع 8، برای طراحی سیستم­های بازشناسی نوری نویسه ارائه شده است که برای چهار قلم زر، لوتوس، میترا و نازنین و سه اندازه­ی 12،14و16 ثابت است. با اعمال روش آنالیز اجزای اصلی ابعاد ویژگی­ها به 100×1 کاهش می­یابد تا ابعاد بزرگ بردار ویژگی باعث کندی سیستم نشود. برای مقایسه­ی نهائی، بردار ویژگی تصویر ورودی با بردار ویژگی تک تک تصاویر موجود در پایگاه داده مقایسه شده و از روی میزان شباهت دو کد، زیرکلمه بازشناسی می­شود. در این الگوریتم، برای بهبود نرخ بازشناسی می توان از کد نقاط زیرکلمه استفاده کرد. در این حالت جواب صحیح بدست می آید مگر در مواردی که کد نقطه­ی زیرکلمه­ی مجهول اشتباه شناخته شود. در مرحله­ی پس­پردازش با کد نقاط از یک مجموعه شامل 800 زیرکلمه با قلم­ها و اندازه­های مختلف 96% بدرستی بازشناسی شده­اند. نتایج بدست آمده بیان کننده­ی کارائی الگوریتم می­باشد.

تبديل ويژگي¬ها يک روش متداول در بازشناسی الگو است که مي تواند منجر به افزايش دقت رده بندي يا کاهش بار محاسباتي گردد. در اين مقاله يک روش تبديل ويژگی مبتنی بر ماکزيمم اطلاعات متقابل معرفی و ارائه می¬شود که اطلاعات متقابل ميان ويژگي¬ها و کلاسها را ماکزيمم مي¬کند. تبديل حاضر با يک روش تکراري و بر اساس افزايش گراديان نقطه¬ای تخمين زده مي¬شود. نتايج آزمايشات انجام گرفته روي دادگان UCI و دادگان TIMIT نشاندهنده عملکرد بهتر روش پيشنهادي نسبت به ديگر روشها است. در بين دادگان¬های UCI در دادگان Glass افزايش دقت 7.94 درصدی، نسبت به بهترين حالت تبديلات ديگر بدست آورده شده و در دادگان TIMIT اين افزايش 0.07 درصد مي¬باشد.

امروزه داده¬کاوی نقش مهمی در تجارت و فناوری اطلاعات ایفا می‌کند و روش‌های داده‌کاوی به طور وسیع در سازمان‌های تجاری به کار گرفته شده است. اگرچه به اشتراک‌گذاری داده‌ها در بین سازمان‌ها مزایای بسیاری را در اختیار آن‌ها قرار داده است، اما از طرفی این امر موجب گردیده که خطر افشای اطلاعات حساس در داده‌های منتشر شده افزایش یابد. پاک‌سازی اطلاعات به پروسه‌ای گفته می‌شود که در آن با استفاده از اعمال تغییراتی در پایگاه‌داده اصلی، مجموعه-آیتم¬های حساس مخفی‌سازی می‌شوند. پس از پاک‌سازی داده‌ها، پایگاه‌داده حاصل انتشار می‌یابد.اين مقاله به بررسي حفظ حريم خصوصی در يکي از روش-هاي داده¬کاوي به نام کاوش سودمندي مي¬پردازد. پیدا کردن راه حل بهینه برای مسأله پاک‌سازی پایگاه داده در کاوش سودمندی، یک مسأله برنامه‌ریزی غیرخطی عدد صحیح با قید¬های غیر خطی می‌باشد. الگوریتم‌های اکتشافی قبلي ارائه شده در اين زمينه اگرچه به خوبي توانسته¬اند حريم خصوصی را حفظ کنند، اما از لحاظ کيفيت داده¬هاي توليد شده از کارايي مناسبي برخوردار نيستند. در این مقاله یک الگوریتم تکاملی برای حل این مسأله ارائه شده است. نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که الگوريتم¬ارائه شده، از لحاظ کیفیت داده‌های تولید شده نسبت به الگوريتم¬هاي پيشين از برتري چشم¬گيري برخوردار است.

قطعه‌بندی تصاوير مغز يکي از اساسي‌ترين پروسه‌ها در آناليز بيماري‌های مغزی و طراحي برنامه‌هاي درمان است. تصاوير پزشکي همواره با مقدار قابل توجهي نويز ناشی از شرايط محيطي، ماهيت تصويربرداري و تاثیر امواج ساير تجهيزات پزشکي همراه است که منجر به ناکارآمدي روش‌هاي قطعه‌بندی مي‌شود. مدل میدان تصادفی مارکوف یک مدل آماری است که با یاری گرفتن از تعریف سیستم همسایگی و قیود وابستگی‌های فاصله‌ای تاثير نويز در قطعه‌بندی را کاهش داده و مساله قطعه‌بندی را به يافتن يک میدان برچسب‌گذاري شده با مقدار انرژي بهينه تبديل مي‌نمايد. روش‌های جستجوی گوناگونی برای یافتن این میدان بهینه پیشنهاد شده‌اند. اگرچه با کمک این روش‌ها موفقیت‌های چشمگیری در این زمینه بدست آمده اما در عمل بار محاسباتی بالا و سرعت کم این مدل برای انجام پروسه قطعه‌بندی کماکان یک چالش محسوب می‌شود. برای رفع این مشکل، در این مقاله یک روش ترکیبی جدید بر پایه الگوریتم بهینه‌سازی کلونی مورچگان و الگوریتم شایعه‌پراکنی به منظور قطعه‌بندی تصاویر سه‌بعدی مغز ارائه شده است. نتایج بدست آمده سرعت بالاتر روش پیشنهادی را نسبت به روش‌های موجود نشان می‌دهد.

در این مقاله برآنیم که سیستمی برای جداسازی خودکار افعال عبارتی انگلیسی اصطلاحی از ترکیبی طراحی و پیاده-سازی کنیم . به این منظور، ابتدا با کمک یک متن دوزبانه انگلیسی— فارسی، تعدادی خصیصه برای جداسازی تعریف می¬کنیم. به نوعی انسان¬ها نیز از این خصیصه¬ها برای تشخیص ترکیبی یا اصطلاحی بودن افعال عبارتی استفاده می¬کنند. به کمک تمام خصیصه¬ها دقت 72.6% را در تشخیص بدست آوردیم که پس از انتخاب خصیصه¬های برتر به 79.4% دقت رسیدیم.

در این مقاله، راهکاری نوین برای مکان¬یابی خطاهای معنایی موجود در نرم‌افزارها به صورت خودکار ارائه شده است. اغلب روش-های موجود، علل اصلی خطا را با مقایسه رفتار برنامه در اجراهای موفق و ناموفق، کشف می¬کنند. مشکل اصلی در این راهکارها این¬است که نقاطی گسسته از برنامه را به عنوان علل اصلی خطا اعلام می¬کنند و در نتیجه یافتن علت اصلی خطا نیاز به جستجو و تحلیل دستی حجم زیادی از کد دارد. برای حل این مشکل، در این مقاله استفاده از روش¬های کاوش گراف بر روی مجموعه گراف¬های حاصل از اجراهای برنامه، پیشنهاد می¬گردد. با نمایش هر اجرای برنامه در قالب یک گراف وزن¬دار، زیرگراف¬های متمایزکننده بین گراف¬های اجرایی موفق و ناموفق می¬تواند به عنوان عوامل خطا به برنامه نویس معرفی شوند. برتری اصلی راهکار پیشنهادی نسبت به روش¬های موجود این¬است که عوامل اصلی خطا در قالب زیرگراف¬های اجرایی و به صورت دنباله¬ای از خطوط برنامه که منجر به شکست نرم¬افزار شده¬اند به برنامه¬نویس اعلام می¬شوند و بنابراین به بررسی دستی حجم بسیار کمتری از کد برای فهم و رفع خطا نیاز است. تحلیل راهکار پیشنهادی بر روی مجموعه آزمون مشهور زیمنس در زمینه ارزیابی و مقایسه روش¬های مکان¬یابی خطاهای معنایی، موفقیت روش پیشنهادی را در کشف دقیق‌تر خطاها در این نرم¬افزار نشان میدهد.

مهندسي نرم افزار از تعدادي فرآيند تشکيل شده است از جمله طراحي، پياده سازي و تغيير نرم افزار که همه اين فرآيند‌ها در جهت توليد و توسعه نرم افزار و همچنين دسترسي به يک نرم افزار کارآمد و با کيفيت و قابل نگهداشت انجام مي‌شود. نامتغيرها به برنامه نويس کمک مي‌کند بيشتر مراحل مهندسي نرم افزار را راحتر انجام دهد. نامتغير خصوصيات هميشه درست با ضريب اطمينان مشخص هستند. از آنجايي که بعضي از نامتغيرها طي شرايطي در مسير اجراي برنامه ايجاد مي‌شوند، ايجاد نامتغيرهاي شرطي مي‌تواند بسيار مفيدتر و کمک کننده باشد. براي توليد اين نوع از نامتغيرها مي‌توان از تکنيک‌هاي داده کاوي مثل کشف قوانين انجمني و يا استفاده از درخت تصميم براي بدست آوردن نامتغيرهاي شرطي استفاده کرد.

قابلیت اطمینان شبکه دارای اهمیت ویژه‌ای می‌باشد. نمودار تصمیم دودویی (BDD) یک ساختمان داده مدرن است که در سال‌های اخیر به طور موفقیت‌آمیزی در مباحث مختلف علوم و مهندسی کامپیوتر به کار گرفته شده است. در این مقاله نشان می‌دهیم چگونه می‌توان این ساختمان داده را به منظور محاسبه قابلیت اطمینان شبکه به طور کارآمد به کار گرفت. با روش تجزیه شبکه و با استفاده از BDD قابلیت اطمینان شبکه K-terminal محاسبه می¬شود. در این روش از مفهوم پارتیشن برای نمایش نودها در گراف شبکه استفاده می‌کنیم که منجر به ادغام زیرگراف‌های مشابه در ساختمان داده نمودار تصمیم دودویی به صورت کارا می‌گردد. ادغام زیر گراف‌های مشابه از محاسبات تکراری جلوگیری به عمل آورده و در نتیجه مرتبه زمانی را کاهش می‌دهد. نمونه‌ها و آزمایشات صورت گرفته نشان‌دهنده کارآیی این روش می‌باشد.

خوشه¬بندي، يک رويکرد کارآمد براي تعديل بار بين گره¬ هاي حسگر و افزايش طول عمر شبکه است. با خوشه¬بندي، داده¬هاي ارسالي گره¬هاي درون خوشه توسط سرخوشه تجميع شده و به ايستگاه پايه ارسال مي¬شود. بنابراين گره¬ها مي¬توانند سربار ارتباطي خود را که از ارسال مستقيم داده¬هايشان به ايستگاه پايه حاصل مي¬شود کاهش دهند. در اين تحقيق، يک پروتکل خوشه¬بندي بر مبناي پروتکل مشهور HEED ارائه شده است که بصورت توزيع شده عمل مي¬کند و هدف آن افزايش طول عمر شبکه مي¬باشد. معيار انتخاب سرخوشه در اين پروتکل، ترکيبي رياضي از دو معيار درجه گره و مركزيت گره با ملاحظه انرژي باقي¬مانده آن است. همچنين در اين پروتكل، خوشه¬بندي زماني انجام مي¬شود که حداقل يکي از سرخوشه¬ها بخش معيني از انرژي خود را مصرف کند. پروتکل ارائه شده در اين تحقيق (iHEED) با دو پروتکل مشهور شبکه¬هاي حسگر بيسيم به لحاظ معيارهاي کارآمدي انرژي مقايسه شده است. نتايج شبيه سازي در نرم¬افزار Matlab نشان مي¬دهد که اين پروتکل از ساير پروتكل¬ها بهتر عمل مي¬کند و يک پروتکل خوشه¬بندي انرژي-کارآمد است.