انجمن کامپیوتر ایران

تئوری بازيها سالهاست که به عنوان شاخه اي از رياضيات کاربردی در زمينه های مختلف علوم از جمله اقتصاد، سياست، علوم اجتماعی و غيره بکار گرفته مي‌شود. اخيراً تلاش¬های زیادی در زمینه حل مسائلی همچون مسیریابی و کنترل ازدحام در شبکه‌هاي Ad-hoc و شبکه¬های حسگر بي‌سيم با استفاده از این تکنیک صورت گرفته است. در اين مقاله، بر پايه الگوريتم LEACH كه يك الگوريتم خوشه بندي توزيع شده مطرح در شبکه¬های حسگر بی¬سیم است و با ايده گرفتن از روش¬های تئوری بازيها، الگوريتم بهبود يافته LEACH ارائه مي‌شود. در اين الگوريتم بهبود يافته هر نود تلاش مي‌کند تا منافع خودش را که افزايش طول عمر و کاهش مصرف انرژي است؛ تامين کند. شبيه سازی الگوريتم فوق و مقايسه آن با الگوريتم LEACH نشان مي¬دهد که اين الگوريتم به نسبت کارايی بهتری داشته و ضمن افزايش جزئي طول عمر شبکه، تعداد دورهاي بدون سرخوشه را نسبت به الگوريتم LEACH به طور قابل توجهی کاهش مي دهد.

انتخاب بهترین مجموعه آزمون از بین مجموعه آزمون های مختلف، تأثیر زیادی روی کاهش توان و زمان بکارگیری آزمون دارد. روشهای پیشین انتخاب مجموعه آزمون، به دو معیار کاهش توان و زمان بکارگیری آزمون بصورت جداگانه پرداخته‌اند. در این مقاله دو معیار کاهش توان و زمان بکارگیری آزمون بصورت همزمان در نظرگرفته شده و روش جدیدی ارائه شده است. نتایج شبیه‌سازی روی محک‌های ISCAS 85 بهبود مصرف توان و زمان بکارگیری آزمون را نشان می‌دهد.

شبکه‌های کامپیوتری علیرغم منافعی از قبیل اشتراک منابع، خطراتی را نیز در خصوص امنیت سیستم‌های کامپیوتری به همراه می آورند. از آنجا که ساخت سیستم‌های بدون نقص کاری غیر ممکن به نظر می‌رسد و از طرفی خطای انسانی در پیکربندی سیستم‌ها همیشه وجود داشته است، نیاز به سیستم‌های تشخیص نفوذ به شدت احساس می‌شود. در این مقاله طراحی و پیاده‌سازی یک سیستم تشخیص نفوذ با استفاده از مدل مخلوط گوسی بیان شده است. تکنیک مدل مخلوط گوسی یک روش یادگیری از نوع مولد و احتمالاتی می‌باشد. در این روش، هر یک از دسته‌های ورودی به تنهایی و بدون مقایسه با سایر دسته‌ها، مدل می‌شود. در این روش سعی می‌شود تا توسط مجموعه‌ای توابع توزیع احتمال گوسی که آنها را مخلوط‌های گوسی می نامیم، بهترین توزیع احتمال ممکن برای هر دسته ساخته شود. استفاده از این تکنیک امکان آموزش هر یک از دسته‌ها بدون نیاز به آموزش و تغییر در سایر دسته‌ها را فراهم می‌سازد. آزمایشات انجام شده نشان می‌دهد که این روش در دسته‌هایی که تعداد داده آموزشی زیادی دارند، از کارایی خوبی برخوردار است.