انجمن کامپیوتر ایران

با رشد و گسترش روزافزون شبکه‌ی جهانی اینترنت و توسعه‌ی فناوری اطلاعات نیازهای جدیدی در رابطه با حفاظت از حق تألیف و اصالت محصولات چندرسانه‌ای مطرح شده است. مهم‌ترین راه‌کاری که برای این موضوع پیشنهاد شده، نهان‌ نگاری دیجیتال است. در این روش با استفاده از الگوریتم خاصی، اطلاعاتی را برای شناسایی اثر در درون آن می‌گنجانند تا ارتباط محصول مورد نظر با مؤلف واقعی آن از طریق این اطلاعات مخفی احراز گردد. مسلماً برای کاربرد حفاظت از حق تألیف، این اطلاعات باید در مقابل تعدادی از عملیات پردازش سیگنال و همچنین نسبت به حملات عمدی و غیرعمدی (فشرده‌سازی ، فیلترکردن و ...) که احتمالاً روی آن اعمال می‌شود، مقاومت داشته باشد. نهان نگاری دیجیتال اهداف بسیاری مانند اثبات حق مالکیت ، احراز اصالت محتوی و کنترل تعداد نسخه های چاپ شده از یک اثر را محقق ساخته است. در این مقاله یک روش واترمارکینگ نوین را با قابلیت شناسایی تغییرات غیرمجاز با استفاده از تبدیل موجک، نگاشت‌های آشوب و روش خوشه‌بندی k-means، معرفی کرده و به بررسی آن می‌پردازیم و با انجام آزمایشات گوناگون عملکرد روش پیشنهادی را ارزیابی و نتایج ‌آن را بازگو می‌نمایم.

ماشین بردار پشتیبان ( SVM ) یک طبقه‌بند دو کلاسه است که در سال های اخیر بسیار مورد توجه قرار گرفته است. عملکرد این طبقه‌بند به مقدار پارامترهای آن از جمله پارامتر C ( Penalty factor ) و پارامتر موجود در کرنل بستگی دارد. همچنین انتخاب تابع کرنل مناسب هم تاثیر بسزایی در بهبود عملکرد آن دارد. در کنار موارد ذکر شده انجام فرایند انتخاب ویژگی نه تنها می تواند باعث بهبود عملکرد طبقه‌بند مذکور شود بلکه باعث کاهش زمان آموزش و پیچیدگی محاسبات نیز می‌گردد. در این پژوهش ما از الگوریتم چند‌هدفه‌ی PSO ( MOPSO ) در بهینه‌‎سازی طبقه‌بند ماشین بردار پشتیبان برای دو تابع هدفِ نرخ بازشناسی و قابلیت اطمینان استفاده کرده‌ایم.

با توجه به حجم عظیم دانش و اطلاعات بشر و رشد روزافزون مستندات در زمینه‌های مختلف، پردازش زبان‌های طبیعی و تبدیل متون به دانش قابل فهم برای ماشین، مورد توجه قرار گرفته است. با استفاده از سیستم‌های استخراج اطلاعات می‌توان بطور خودکار پایگاه دانشی ساخت‌یافته از متون ایجاد کرد. در واقع هدف یک سیستم استخراج اطلاعات، استخراج حقایق از متون غیرساخت‌یافته و نمایش آن‌ها در قالب‌های ساخت‌یافته مانند سه‌گانه‌ها می‌باشد. اگر حقایق در قالب معنایی RDF نگاشت شوند، می‌توان اطلاعات مورد نیاز را با ساخت و ارسال پرس‌وجوهای SPARQL روی پایگاه دانش بدست آورد. در این مقاله، روشی برای استخراج آزاد حقایق از متون زبان فارسی پیشنهاد شده است که در آن استخراج حقایق در سطح جمله و بر اساس تشخیص افعال و روابط وابستگی‌ بین اجزای جمله انجام می‌شود. راه‌کار پیشنهادی، حقایق برای تبدیل به قالب RDF آماده‌سازی می‌کند. نتایج حاصل از ارزیابی نشان می‌دهد که روش پیشنهادی در استخراج حقایق موفق بوده و باعث بهبود دقت و فراخوانی نسبت به سیستم‌های موجود می‌شود.

در در اين مقاله، روشی جدید به منظور تشخیص خودکار بیماری صرع، از روی سیگنال‌های الکتروانسفالوگرافی (EEG) ارائه می‌شود. در این روش، سیگنال‌های EEG با استفاده از آنتروپی تقریبی، انرژی سیگنال و تبدیل موجک گسسته، تجزیه و تحلیل می‌شوند. تشخیص بیماری صرع در دو مرحله صورت می‌گیرد. در مرحله اول، سیگنال‌های EEG، با استفاده از تبدیل موجک گسسته به پنج سطح تجزیه می‌شوند. در مرحله دوم، مقادیر آنتروپی‌تقریبی و میانگین انرژی سیگنال، در زیرباندهای سطوح دوم تا پنجم، استخراج می‌شوند. اختلاف قابل توجهی بین مقادیر آنتروپی تقریبی و میانگین انرژی، در سیگنال EEG نرمال و صرعی، در سطوح دوم تا پنجم تجزیه به وسیله تبدیل موجک گسسته وجود دارد. در نهایت، سیگنال‌های EEG نرمال و صرعی، با استفاده از کلاس‌بندهای (طبقه‌بندی کننده) SVM و Bayes طبقه‌بندی شده و نتایج روش پیشنهادی مورد ارزیابی قرار گرفته و با نتایج سایر روش‌ها مقایسه می‌شوند. این روش سیگنال‌های صرعی و نرمال را با دقت 100 درصد طبقه‌بندی می‌کند.

ردیابی اشیاء متحرک یکی از پرکاربردترین مقوله‌ها در حوزه بینایی ماشین می‌باشد که در طول دهه‌های اخیر توجه محققان زیادی را به خود جلب کرده است. در این مقاله روشی جدید برای ردیابی چندین شی متحرک بصورت همزمان ارائه می‌کنیم. برای این کار ابتدا از اطلاعات حرکت مربوط به " نقاط ویژگی خوب برای ردیابی" برای بدست آوردن نقاط ویژگی مرتبط به اشیاء متحرک استفاده خواهیم کرد. پس از اینکه نقاط ویژگی مرتبط به اشیاء متحرک را مشخص کردیم با استفاده از الگوریتم خوشه‌بندی k-means که در آن تعداد کلاسترها بدون داشتن اطلاعات قبلی در مورد تعداد و نوع اشیاء بصورت اتوماتیک تخمین زده می‌شود به خوشه‌بندی نقاط ویژگی بعنوان اشیاء متحرک مجزا خواهیم پرداخت. در این مقاله از بردار ویژگی شامل اندازه حرکت، جهت حرکت، شدت روشنایی و موقعیت نقاط ویژگی استفاده کردیم. نتایج روش پیشنهادی نشان دهنده دقت بالا برای تخمین تعداد اشیاء متحرک موجود در صحنه و ردیابی سریع آن‌ها دارد.

صفات مرتبط با چهره یکی از رایج‌ترین روش‌هایی است که انسان در زندگی روزمره با استفاده از آن سن اشخاص را تخمین می‌زند. تخمین انسان از سن چهره به دقت دیگر اطلاعات چهره مثل هویت و یا جنسیت نیست. در سال‌های اخیر این موضوع به یکی از مسایل جذاب و چالش برانگیز در حوزه علوم کامپیوتر تبدیل گردیده است، به صورتی که الگوریتم‌های مختلفی در زمینه تخمین سن ارائه شده است، الگوریتم‌هایی که اکثراً مبتنی بر استفاده از روش‌های یادگیری ماشین هستند. در بین الگوریتم‌های ارائه شده، بهترین نتایج تخمین سن را دو الگوریتم یادگیری CPNN و IIS-LLD. در مقاله ارائه شده دو نوع مختلف از ویژگی‌های چهره مورد استفاده قرار گرفته‌اند، ویژگی‌های محلی و ویژگی‌های سراسری. داشته‌اند با توجه به برچسب تصویر چهره هر شخص(سن) در پایگاه‌داده، یک توزیع آماری برای سن هر تصویر چهره ایجاد می‌شود، که این توزیع برای یادگیری سن اصلی و سنین مجاور نیز به کار می‌رود. تعبیر سنین مجاور را می‌توان معادل با استفاده از کلماتی مانند"حدود"برای تخمین سن افراد در زندگی واقعی دانست. با بهره‌گیری از یک شبکه عصبی چند لایه و الگوریتمCPNN ، الگوریتم ارائه شده توانست دقت تخمین سن اشخاص از روی تصویر چهره را نسبت به روش‌هایی که اخیراً ارائه شده، با تعداد نرون‌های کمتر در لایه‌ی پنهان و تسریع فرآیند یادگیری افزایش دهد.

در اين مقاله، مسئله‌ی تخصیص وظیفه‌ی همکارانه‌ی چند رباته در شرایطی که جامعه‌ای از ربات‌های همسان در یک محیط ناشناخته قرار گرفته‌اند، مطالعه شده است. این محیط با دیوار محصور شده است و همچنین نسبت و تعداد لکه‌های رنگی که معرف نوع مشخصی از وظیفه می‌باشند در آن نا‌معلوم‌اند. ربات‌ها تا آنجا که امکان دارد تا قبل از اتمام انرژی خود لکه‌های رنگی را کشف کرده و در آن‌ها به صورت مطلوب اقدام به نمونه‌برداری و لکه‌زدایی همکارانه می‌نمایند. این بدین معنی است که باید متناسب با مساحت هر لکه تعداد مشخصی ربات در آن لکه مستقر شوند. در این مقاله دو روش خودسازمانده‌ی توزیع‌شده که تلفیقی نامیده می‌شوند، به عنوان دو راه‌حل برای این سناریو ارائه شده‌اند. در دو محیط متفاوت عملکرد روش‌ها ارزیابی شده‌ است. از آنجایی که سناریوی مطرح شده راه‌حل معادلی ندارد تنها به مقایسه‌ی عملکرد روش‌های پیشنهادی با یکدیگر پرداخته شده است. همچنین مقیاس‌پذیری و استحکام در برابر از کار افتادگی انفرادی ربات‌ها که دو رکن اساسی در سیستم‌های چندعامله و به خصوص رباتیک توده‌ای محسوب می‌شوند نیز مورد نقد و بررسی قرار داده شده‌اند.

Field Programmable Gate Arrays (FPGAs) are well-knownplatforms for implementing embedded systems due toconfigurability. Recently, high temperature of FPGAs is becominga serious issue due to their higher logic density, clock frequency,and complexity. In this work we propose, implement, andevaluate an embedded system with a thermal aware operatingsystem on the virtex-5 FPGA. It measures the temperature of thedevice using the system monitor IP core configured in the operatingsystem and manages the temperature, not to violate threshold,using the task suspension feature of the operating system. Aresident task in the operating system regularly checks the temperatureof the device and does thermal management if neededby suspending other active tasks for a specified time slot. If thistime slot is correctly chosen, the method degrades performanceonly 7 percent while the temperature threshold is not violated.

مساله راهرو با طول کمینه یا به عبارتی MLC (minimum length corridor)بر روی یک مستطیل که به اتاق‌های متعامد افراز شده است، تعریف می‌شود. مساله MLC به دنبال راهرویی با طول کمینه است. راهرو در واقع یک درخت است که حداقل یک نقطه از محیط هر اتاق را شامل باشد. حالت خاص این مساله، مساله‌MLC-R است که اتاق‌ها در آن مستطیلی هستند. مساله‌های MLC و MLC-R هر دو جزء دسته مسایل NP-Complete هستند و الگوریتم‌های تقریبی برای آنها ارایه شده است. ما در این مقاله بر روی یک مستطیل که به اتاق‌های مستطیلی افراز شده است، به دنبال راهرو با قطر کمینه هستیم. در یک درخت از بین فاصله‌های هر دو نقطه از درخت، فاصله‌ای که بیشترین مقدار را دارد، را قطر درخت می‌نامند. در این مقاله الگوریتمی دقیق و با زمان اجرای چندجمله‌ای برای یافتن راهرو با قطر کمینه بر روی محیط ورودی ارایه می‌کنیم.

در این مقاله یک سیستم پاسخ برای جلوگیری از نفوذ در کاربردهای مبتنی بر SIP ارائه شده است. پروتکل SIP مسئولیت کنترل نشست‌های چندرسانه‌ای (ایجاد، مدیریت و خاتمه) را در شبکه‌های نسل آینده بر عهده دارد. این پروتکل، متنی و دارای یک ماشین حالت اختصاصی برای مدیریت نشست‌ها (تراکنش‌ها و دیالوگ‌ها) در لایه کاربردی است. انتخاب پاسخ در چارچوب پیشنهادی با بکارگیری یک سیستم تشخیص نفوذ اختصاصی برای SIP و با بررسی شرایط لحظه‌ای عملکرد موجودیت موردنظر انجام می‌شود. پس از انتخاب پاسخ مناسب با توجه به شرایط محیطی و براساس خروجی سیستم تشخیص نفوذ، این پاسخ از طریق یک دیواره آتش بر روی ترافیک ورودی اعمال می‌شود. سیستم تشخیص نفوذ پیشنهادی با تعریف یک مجموعه ویژگی اختصاصی بر اساس عملکرد حالت طبیعی پروتکل SIP پیشنهاد داده شده است. ارزیابی روش پیشنهادی با بکارگیری سه مجموعه دادگان موجود انجام شده است. نتایج این ارزیابی‌ها بر روی سه مجموعه دادگان مختلف نشان می‌دهد که چارچوب پیشنهادی برای ارائه پاسخ خودکار به نفوذ در کاربردهای مبتنی بر SIP، عملکرد بسیار مناسبی برای حذف درخواست‌های حمله دارد.

روش هنجارسازي طول مجراي صوتيیکی از روش های رایج برای کاهش تاثیرات ناشی از طول‌های مختلف مجرای گفتار گویندگان است. در اين روش بااعمال يك ضريب پيچش فرکانسي روي طيف سيگنال گفتار گويندهاختلاف طول مسير صوتي بين گويندگان مختلف جبران مي‌شود. اما بدست آوردن ضريب پيچش هر گوينده امري با هزينه محاسباتي بالا است. در اين مقاله روشي براي تخمين سريع ضريب پيچش فركانسي در روش هنجارسازي VTLN ارائه شده است. براي اين منظور ابتدا تعدادی مولفه كه وابستگي قابل توجهي به گوينده دارند معرفي شده و سپس با استخراج اطلاعات آماري، تعداد 53 ويژگي از آنها استخراج شده است. سپس با استفاده از روش‌ انتخاب ويژگي مرحله به مرحله 9 ويژگي كه بيشترين تاثير را بر مقدار ضريب پيچش دارند انتخاب می نماییم. در ادامه براي تخمين سريع ضريب پيچش با اين 9 ويژگي، از روش رگرسيون خطي و با در نظر گرفتن عبارات متقابل علاوه بر عبارات تكي استفاده كرديم. نتايج پياده‌سازي نشان داد كه از ميان ويژگي‌هاي به كار رفته، ميانه گام گفتار و امتياز جنسيت بيشترين همبستگي را با ضريب پيچش دارند و وجود آن ها در ميان ويژگي‌ها الزامي است. همچنين تركيب ويژگي‌هاي انتخابي بهترين نتيجه را در بر داشته است.

خوشه‌بندی یک روش ارتباطی در شبکه‌های حسگر بی‌سیم است. در خوشه‌بندی قابلیتی برای تغییر نقش کاربردی گره‌ها وجود دارد. در هر خوشه گره‌ای به نام سرخوشه تعیین می‌شود که مدیریت گره‌های دیگر موجود در خوشه را بر عهده دارد. خوشه‌بندی اهداف متعددی دارد اما بیشتر تمرکز روش‌های خوشه‌‌بندی که پیش از این ارائه شده، بر استفاده کارآمدتر از انرژی است و اهدافی مانند تحمل خطا و مقیاس‌پذیری شبکه کمتر مورد توجه می‌باشند. همچنین مسیریابی در اکثر روش‌های خوشه‌بندی ارائه نمی‌شود. در این مقاله برای دستیابی به اهداف استفاده کارآمدتر از انرژی، تحمل خطا و مقیاس‌پذیری شبکه، یک روش خوشه‌بندی و مسیریابی لایه‌ای با استفاده از گره‌های جانشین سرخوشه ارائه گردیده است. در این روش محیط عملیاتی به چندین لایه فرضی تقسیم می‌شود و گره‌ها نسبت به موقعیت لایه‌ای خود خوشه‌بندی می‌شوند. همچنین از گره‌های جانشین سرخوشه برای ایجاد مسیر انتقال داده‌ها از سرخوشه به ایستگاه پایه استفاده می‌شود. برای افزایش تحمل خطای شبکه می‌توان از جانشین سرخوشه بجای سرخوشه در زمان بروز مشکل استفاده کرد. نتایج شبیه‌سازی‌ها نشان‌دهنده عملکرد بهتر روش پیشنهادی در افزایش طول عمر، تحمل خطا و مقیاس‌پذیری شبکه نسبت به روش‌های موجود می‌باشد.

بسیاری از سیستم‌های اطلاعاتی را ‌می‌‌توان به شکل شبکه‌ای ناهمگن، شامل گره‌ها و یال‌ها از انواع مختلف، مدل کرد. برای مثال در پایگاهی حاوی اطلاعات مقالات چاپ شده، انواع گره‌ها نظیر نویسنده، مقاله و کنفرانس و ارتباطات مابین آن ها قابل تعریف است. جستجوی شباهت گره ها در شبکه‌های ناهمگن از موضوعاتی است که در سال های اخیر مورد توجه محققین در حوزه ی علوم شبکه قرار گرفته است. برای این منظور شباهت گره ها با در نظر گرفتن مسیرهای مختلف مابین آن ها در شبکه تعریف شده است. به طور مشخص با استفاده از مفهوم فرامسیر - مسیرهایی که گره ها را از طریق چند نوع رابطه به یکدیگر متصل می‌کنند - معانی مختلفی از شباهت را خواهیم داشت. تاکنون چندین معیار شباهت بر پایه چارچوب فرامسیر مطرح شده است. با این حال میزان اهمیت هر فرامسیر در این روش ها در نظر گرفته نشده است که باعث می‌شود بخشی از اطلاعات تاثیرگذار در شناسایی گره های شبیه از بین برود. در این مقاله، یک معیار شباهت مبتنی بر فرامسیر، به نام SimSim، پیشنهاد داده شده است که با توجه به شباهت گره های درون یک مسیر، اهمیت آن مسیر را در نظر می‌گیرد. آزمایش‌ها بر روی مجموعه داده ی واقعی، میزان موثر بودن و کارایی این روش را به خوبی نشان می‌دهد.

امروزه معماری سرویس‌گرا به‌عنوان روشی اثربخش برای طراحی و توسعه سیستم‌های توزیع‌شده به‌کار گرفته می‌شود. با توجه به محیط پویا و متغیری که این سیستم‌ها در آن قرار دارند، تطبیق‌پذیری به یکی از ویژگی‌های اساسی در سیستم‌های سرویس‌گرا تبدیل شده‌است. تاکنون مطالعات متعددی در زمینه حمایت از تطبیق‌پذیری در این سیستم‌ها انجام شده‌است. با این‌وجود اغلب روش‌هایی که تاکنون معرفی شده‌اند با تمرکز بر تغییراتی که عملکرد سرویس‌های تشکیل‌دهنده این سیستم‌ها را تحت تأثیر قرار می‌دهند، روشی را جهت مقابله با این نوع تغییرات ارائه داده‌اند. این در حالی‌است که برخی از تغییرات محیطی که یک سیستم سرویس‌گرا با آن مواجه است عملکرد مؤلفه همنواساز را تحت تآثیر قرار می‌دهد. در چنین شرایطی استفاده از روش‌های فوق نمی‌تواند موفقیت چشمگیری در تطبیق سیستم داشته‌ باشد. برای مقابله با این تغییرات می‌توان از یک منطق همنواسازی توزیع‌شده استفاده کرد و وظیفه مدیریت سرویس‌ها را به‌نحوی بین مؤلفه‌های همنواساز تقسیم نمود که اثرات سوء تغییرات محیطی را تا حد امکان کاهش دهد. با این وجود، به دلیل زمان‌بر بودن تعیین بهترین گونه همنواسازی، اغلب روش‌هایی که تاکنون برای توسعه سیستم‌های مبتنی بر سرویس با منطق همنواسازی توزیع‌شده ارائه شده‌اند، تنها بر طراحی و توسعه اولیه این سیستم‌ها تمرکز داشته‌اند. بر این اساس در این مقاله روشی برای تغییر پویا و توزیع‌شده همنواسازی ارائه شده‌ است که قادر است در زمان اجرا و با توجه به شرایط محیطی، همنواسازی مناسب سیستم را تعیین نماید. جهت ارزیابی، روش پیشنهادی در یک فرآیند مسیریابی شبیه‌سازی شده مورد استفاده قرار گرفته‌ است. نتایج ارزیابی نشان می‌دهد که این روش در زمان اجرا امکان تغییر همنواسازی را در یک مرتبه زمانی خطی فراهم کرده و همچنین امکان بهبود زمان پاسخ سیستم را فراهم می‌کند.

به طور کلی برنامه‌های هشداری که تاکنون ارائه شده‌اند براساس زمان تنظیم می‌شوند و با یادآوری زمان‌های خاصی که توسط کاربر از قبل تنظیم شده است، در برنامه‌ریزی زمانی به کاربر کمک می‌کنند. در بسیاری از مواقع پیش می‌آید که باید کاری را در یک مکان خاصی انجام دهیم اما فراموش می‌کنیم و نیاز داریم کسی در آن مکان به ما یادآوری کند و یا در سفر، می‌خواهیم زمانی که به یک مکان خاص رسیدیم از آن مطلع شویم، در روش پیشنهادی ارائه شده در این مقاله با استفاده از شبکه عصبی و برنامه موبایل توسعه یافته به فرد کمک می‌شود که در تلفن خود هشدارهایی برای مکان‌های مختلف تنظیم کند و نگران فراموش کردن آن‌ها نباشد. تفاوت اصلی این برنامه با نمونه‌های مشابه این است که به صورت هوشمند با استفاده از شبکه عصبی پرسپترون حرکت فرد در آینده را پیش‌بینی می‌کند که این قابلیت باعث کارکرد و دقت بهتر آن نسبت به دیگر برنامه‌ها می‌شود. همچنین در مدل یادگیری پیشنهادی، امکان یادگیری برخط نیز وجود دارد و برنامه به مرور زمان خود را با کاربر منطبق کرده و طبق نتایج کارایی آن بهبود می‌یابد.

یکی از اصول مهم در تدوین معماری سازمانی فناوری اطلاعات، همسوسازی اهدف فناوری و کسب وکار می باشد. عدم استفاده از روش های مناسب در فرآیند تکمیل نیازمندی چارچوب های معماری سازمانی، باعث بروز مشکلات تطبیق پذیری در تنظیم سند معماری سیستم های اطلاعاتی سازمان با زیرساخت های فناوری مناسب و نیازمندی های واقعی محیط می گردد. بخش عمده ای از شکست سیستم های ERP در سازمان ها مربوط به تجویزهای نادرست معماری ناشی از همین عدم تطبیق پذیری ها می باشد. مطالعات سال های اخیر نشان می دهد که چارچوب معماری سازمانی توگف با بهره گیری از روش ADM بهبود یافته و الحاق لایه ی تنظیمات مقدماتی، می تواند به عنوان راهکاری مناسب در مواجهه با این قبیل مشکلات مورد استفاده قرار گیرد. در این مقاله، به تحلیل و بررسی ویژگی های لایه تنظیمات مقدماتی در روش ADM بهبود یافته پرداخته و مبنای تطبیق پذیری چارچوب معماری سازمانی توگف با مولفه های کلان فناوری اطلاعات سازمان را معرفی خواهیم نمود.

در فرایند توسعه نرم افزار، کشف خطا اهمیت بالایی در کیفیت نرم افزار دارد. اگر خطاهای نرم افزار در مرحله طراحی یعنی قبل از پیاده سازی و اجرای آن کشف گردد، می توان کیفیت نرم افزار را به سطح قابل قبولی رساند. برای رسیدن به این هدف، ارزیابی صحت رفتار و اعتبارسنجی نمودارهای UML (Unified Modeling Language( می تواند نقش مهمی را در رویداد کشف خطا در مرحله طراحی، ایفا نماید. بررسی صحت رفتار و اعتبارسنجی نمودار توالی UML نیازمند تولید مسیرهای آزمون و ردیابی حالت های اجرایی تعامل ها در این نمودار است. در این مقاله سعی شده است با استفاده از شبکه های پتری رنگیمدل قابل اجرایی از تعامل های بیان شده در نمودار توالی UML، ارائه گردد که با استفاده از این مدل و اجرای آن بتوان به ردیابی حالت های اجرایی تعامل ها در نمودار توالی پرداخت. نتایج حاصل شده از مدل نشان می دهد که مدل قابل اجرای ایجاد شده، تمام حالت های اجرایی ممکن در نمودار توالی را شناسایی و استخراج می نماید، بنابراین این مدل می تواند به عنوان مدلی برای ارزیابی صحت رفتار و اعتبارسنجی سیستم بکار گرفته شود.

امروزه، محاسبات ابری منابع وسیعی را در اختیار سازمان‌ها و کاربران خود قرار می‌دهد. این منابع اغلب به صورت زیرساختی به شکل ماشین‌های مجازی به کاربران اجاره داده می‌شوند. از آنجا که کاربران دسترسی مستقیم به این زیرساخت ندارند، بهتر است خدمت موردنظر قبل از استقرار در محیط ابر با استفاده از مدل‌سازی، تحلیل و ارزیابی گردد. برای نیل به این هدف می‌توان از انتزاع فراهم شده توسط زبان مدل‌سازی یوام‌ال استفاده نمود. اگرچه، زبان استاندارد یوام‌ال یک زبان عام‌منظوره است اما امکانی فراهم نموده است تا از طریق سازوکار نمایه یوام‌ال زبان‌های مد‌ل‌سازی برای دامنه‌های خاص ارائه گردد. بر این اساس، در این پژوهش یک نمایه خاص دامنه محاسبات ابری با عنوان AUPCC طراحی و پیاده‌سازی می‌شود که امکان مدل‌سازی نمونه‌ها و زیرساخت سیستم پیش از استقرار در محیط محاسبات ابری را فراهم می‌کند. در نتیجه‌ی مدل‌سازی خدمت با استفاده از این نمایه، درک بهتری از خدمت مورد استقرار فراهم می‌گردد. به منظور ارزیابی سودمندی نمایه پیشنهادی، یک سیستم مدیریت فروش نوعی با آن مدل‌سازی ‌شده است.

تشخیص موضوع بر روی متون مختلف از جمله متون خبری یکی از مسائلی است که در سال‌های اخیر مورد توجه قرار گرفته و پژوهش‌های گوناگونی بر روی آن انجام شده است. برای حل این مسئله روش‌های مختلفی ارائه شده که در آن‌ها معمولاً به تعیین فاصله میان متون و خوشه‌بندی آن‌ها می‌پردازند و یا در برخی از پژوهش‌ها از روش‌های مدل‌سازی موضوعی برای حل این مسئله استفاده می‌‌کنند. هدف این روش‌‌ها در نهایت تقسیم‌‌‌‌بندی این متون به خوشه‌‌های مختلف است به شکلی که هر خوشه شامل متونی باشد که از نظر موضوع به هم نزدیک ‌‌باشند. از جمله روش‌‌های مورد استفاده برای خوشه‌‌بندی اسناد K-medoids است که این گونه از روش‌‌های خوشه‌‌بندی به انتخاب مراکز اولیه حساس بوده و با انتخاب مراکز اولیه مختلف نتیجه‌‌ی خوشه‌‌بندی تغییر می‌‌کند. در این مقاله یک روش تشخیص موضوع ارائه می‌‌شود که در این روش ابتدا برای تعیین فاصله میان اسناد از یکی از روش‌‌های مدل‌‌سازی موضوعی یعنی LDA (Latent Dirichlet Allocation) استفاده می‌‌کنیم. با بهره‌‌گیری از توزیع LDA اسناد، فاصله میان اسناد محاسبه شده و از روی آن گراف اخبار که نشان‌‌دهنده‌‌ی میزان شباهت میان اخبار است تولید می‌‌شود. گراف حاصل توسط الگوریتم K-medoids خوشه‌‌بندی می‌‌شود.‌‌ با توجه به حساس بودن این گونه از روش‌‌های خوشه‌‌بندی به مراکز اولیه، با استفاده از DivRank که یک روش گام‌‌برداری تصادفی تقویتی است مراکز اولیه مناسب مشخص می‌شوند و در اختیار الگوریتم K-medoids قرار می‌‌گیرند. آزمایش‌‌های ما بر روی مجموعه‌‌دادگان مختلف نشان می‌‌دهد که روش ما در نحوه‌‌ی تولید گراف و یافتن مراکز اولیه‌‌ی مناسب برای الگوریتم K-medoids در مجموع در روند تشخیص موضوع بهبود ایجاد می‌‌کند و در مقایسه با انتخاب تصادفی مراکز اولیه، با احتمالی بین 70% تا 92% (بسته به مجموعه‌دادگان متفاوت) به معیار F بالاتری می‌توان دست یافت.