انجمن کامپیوتر ایران

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.

تا کنون راهکارهای زیادی برای ارتباطات بین سیستم‌های نرم افزاری مطرح گردیده که ترکیب سرویس‌ها یکی از این روش‌ها است. با توجه به رشد روز افزون و فراگیر معماری سرویس گرا و سیستم‌های تحت وب، انتخاب وب سرویس‌های مناسب و نحوه ترکیب آن‌ها مسئله‌ای حائز اهمیت است. بدیهی است که با توجه به نیازهای کنونی سیستم‌ها و اهمیت سرعت و دقت در جریان امور استفاده از عوامل هوشمند مورد نیاز بوده و کیفیت و بازدهی را به حداکثر می‌رساند. به همین دلیل مطالعه در مورد وب سرویس‌ها و ترکیب آن‌ها بر اساس عامل‌های هوشمند بسیار ضروری و مورد توجه می‌باشد. نظر به اهمیت در دسترس پذیری و پاسخ گویی بدون وقفه در سیستم‌های تحت وب، ایجاد چندین ترکیب بهینه می‌تواند مؤثر واقع ‌شود. بنابراین در این مقاله سعی بر آن گردیده است که روشی مناسب برای ترکیب سرویس‌های اتمیک بر مبنای عوامل با لحاظ نمودن پارامتر کیفیت سرویس به کار گرفته شود. این روش با استفاده از الگوریتم Top-k و ساختار موازی آن می‌تواند چندین راه حل مناسب به دست آورد تا در مواقع لزوم از قابلیت جایگزینی این راه حل‌ها به جای بهترین ترکیب استفاده نماید. همچنین فیلتر نمودن داده‌ها قبل از ایجاد ترکیب در داده‌هایی با مقیاس بزرگ، مجموعه سرویس‌های انتخابی را کاهش می‌دهد. بنابراین نتایج حاصل از تحلیل و ارزیابی روش پیشنهادی، بهینه سازی مطلوبی در زمان اجرا و مصرف حافظه نمایان می‌سازد.

اطلاعات در شبکه سلامت بطور قابل توجهی در حال افزایش است و ضرورت استفاده از روش ها و تکنولوژی های ارائه شده در کلان داده ها وجود دارد. با توجه به تنوع منابع داده ای در کلان داده ها، روش های موجود در یافتن شباهت بیماران دارای میزان درصد خطایی در ارائه نتایج است. هدف این مقاله، ارائه روشی مقیاس پذیر و گسترش پذیر، مبتنی بر نگاشت و کاهش است که می تواند تا حدود 99 درصد درستی نتایج را تضمین کند. روش پیشنهادی به کاربران کمک می کند تا شرایط مختلف را بر روی کلیه موجودیت ها در منابع داده مختلف اعمال کنند و نتایج را مشاهده نماید. ارزیابی ما نشان می دهد این روش با استفاده از طرح ستاره ای مبتنی بر انبار داده، در مقایسه با روش های مشابه، امکانات بهتری در پرس وجو ها به کاربر ارائه می کند.

آریتمی قلبی یکی از شایع ترین بیماری های ناشی از اختلال در فعالیت الکتریکی قلب است که منجر به نامنظم بودن ضربان قلب، کمتر و یا بیشتر از حد معمول می شود. انواع مختلفی از آریتمی ها از تغییرات پیش آمده در ریتم طبیعی قلب حاصل می شوند و سالانه تعداد بسیاری از افراد مبتلا جان خود را در اثر عوارض این بیماری از دست می دهند. از این جهت، تشخیص و شناسایی به هنگام و زودرس آریتمی ها باعث افزایش شانس نجات بیمار و درمان مؤثر آن خواهد بود. یکی از راه های بررسی عملکرد الکتریکی قلب، استفاده از نوار قلبی است که از ثبت فعالیت الکتریکی قلب بدست می آید. اين مقاله، با استخراج ویژگی های مؤثر از مجموعه داده های شامل اطلاعات بیماران و استفاده از روش های مختلف یادگیری ماشین سعی در تشخیص و دسته بندی آریتمی ها دارد. همچنین، با ترکیب الگوریتم های دسته بندی بررسی شده، روش جدیدی مبتنی بر ترکیب الگوریتم ها بصورت سلسله مراتبی، برای تشخیص نوع آریتمی ها، ارائه شده است. نتایج بدست آمده حاکی از افزایش دقت دسته بندی توسط روش ترکیبی پیشنهادی است.

از حافظه های نهان روی تراشه برای کاهش اختلاف سرعت پردازنده و حافظه اصلی و دسترسی هر چه سریعتر به عناصر حافظه استفاده می شود. در پردازنده ‏های امروزی، حافظه نهان بخش زیادی از مساحت کل تراشه را اشغال می کند و همچنین درصد قابل توجهی از توان مصرفی کلی تراشه را به خود اختصاص می دهد. به همین دلیل کم کردن توان مصرفی این واحد تاثیر قابل توجهی در توان مصرفی کل تراشه خواهد داشت. در این مقاله با ارائه معماری برچسب فشرده ‏شده سعی در کاهش توان مصرفی ناشی از ذخیره سازی و بازیابی برچسب را داریم. در این روش، با استفاده از یک بافر محلی و یک تکنیک ذخیره سازی، مکانیزم جدیدی از نگاشت برچسب در حافظه ی نهان معرفی شده است. ایده اصلی این طرح فشرده کردن بخش برچسب داده‏ هایی است که برچسب یکسانی دارند. در این مقاله نشان داده خواهد شد که وجود محلیت مکانی احتمال شباهت برچسب‏ ها در حافظه نهان را بالا می برد که می توان با سربار ناچیز سخت افزاری آنها را فشرده کرده و بهبودی حدود 30% در مصرف توان الکتریکی حافظه های نهان روی تراشه را بدست آورد.

در این مقاله، روشی مبتنی بر اطلاعات متقابل، برای تثبیت دو تصویر ارایه شده است. عموم روش های مبتنی بر اطلاعات متقابل، از یک سو از همبستگی بین پیکسل های تصویر چشم می پوشند و از این رو در برابر نویز تصویر حساس هستند و از سویی دیگر، اندازه ناحیه همپوشانیِ بین دو تصویر، بر صحت تثبیت تاثیر گذار است. در این مقاله، دو دیدگاه بلوکی و متناوب انگاری تصویر، به ترتیب برای در نظر گرفتن همبستگی های موجود بین پیکسل های همسایه و کاهش وابستگی الگوریتم به اندازه ناحیه هم پوشانی، مد نظر قرار گرفته اند. نتیجه شبیه سازی ها، نشان دهنده بهبود چشم گیری، به ویژه در عملکرد روش های مبتنی بر الگوریتم های تکاملی است.

فضای جستجو در روش‌های مبتنی بر جستجوی تولید داده آزمون حتی برای برنامه‌های کوچک هم بسیار بزرگ است. در جهت پوشش این مساله، تاکنون تنها یک راهکار، که حذف متغیرهای نامرتبط از فضای جستجو است، ارائه شده است. هدف این مقاله، ارائه روشی به‌منظور دسته‌بندی و کاهش فضای جستجو است تا در نتیجه آن کارایی روش‌های تولیدِ پویای داده آزمون، بهبود یابد. به منظور دسته‌بندی و کاهش فضای جستجو، قصد بر آن است که ارتباطی بین ساختار ایستای برنامه و فضای جستجو برقرار شود. برای دستیابی به این هدف، با استفاده از اطلاعاتی که در مسندهای برنامه وجود دارد، فضای جستجو دسته‌بندی میشود و الگوریتم کلونی مورچگان برای تولید داده آزمون در این فضا اعمال می‌گردد. جهت بکارگیری این الگوریتم با هدف تولید داده آزمون بر مبنای جستجو در فضای مذکور، لازم است که یک نسخه سفارشی شده از الگوریتم کلونی مورچگان ارائه شود که این موضوع نیز در در این مقاله پوشش داده شده است. ارزیابی روش پیشنهادی در مقایسه با تنها کار مرتبط موجود، از جنبه کارایی فرآیند تولید داده آزمون و کارآمدی داده‌های آزمون تولید شده، بر روی چند برنامه نمونه با اندازه قابل قبول، انجام شده است. معیارِ مورد نظر برای ارزیابی این دو جنبه، به ترتیب، میانگینِ زمان تولید مجموعه آزمون و میانگینِ پوششِ انشعاب توسط مجموعه آزمون تولید شده است. نتایج، بهبود قابل توجهی در میانگین پوشش مجموعه آزمون تولید شده و میانگین زمان تولید داده آزمون نسبت به راهکار قبلی را نشان می‌دهد.

دسته‌بندی نیمه نظارتی مبتنی بر منیفلد در سال‌های اخیر مورد توجه بسیاری از پژوهشگران واقع شده است. رویکرد های موجود از فاصله اقلیدسی به صورت محلی برای تقریب فاصله روی منیفلدها و اعمال فرض هموار بودن روی منیفلد استفاده می‌کنند. در فضایی که چند منیفلد با یکدیگر اشتراک دارند این تقریب در نواحی اشتراک صحیح نبوده و باعث انتشار اشتباه برچسب‌ها می‌شود. در این مقاله الگوریتمی برمبنای تفکیک نقاط داخلی منیفلد از سایر نقاط جهت دسته‌بندی نیمه نظارتی روی منیفلدهای متقاطع جهت یادگیری دسته‌بند مبتنی بر اتصالات مطمئن‌تر در گراف ارائه کننده‌ی داده پیشنهاد شده است. تفکیک نقاط داخلی از سایر نقاط بر مبنای رفتار متمایز لاپلاسین تابع هموار روی هر منیفلد در نقاط داخلی نسبت به سایر نقاط صورت می‌گیرد. الگوریتم پیشنهادی وزن یال‌های گراف ارائه کننده‌ی منیفلد را جهت انتشار برچسب اصلاح می‌کند. در مقایسه با رویکردهای دسته‌بندی نیمه نظارتی روی چند منیفلد، رویکرد پیشنهادی فرض مشخص بودن ابعاد ذاتی منیفلدها را نداشته، نیاز به تعداد خیلی زیاد داده‌های بدون برچسب ندارد، همچنین خصوصیات همسایگی مشابه به تمام همسایگی‌ها نسبت نمی‌دهد. آزمایش‌ها روی مجموعه داده‌های مصنوعی و واقعی نشان دهنده‌ی دقت خوب روش پیشنهادی نسبت به روش‌های مشابه است.

محیط ابر این امکان را به فراهم کنندگان سرویس میدهد تا انواع برنامه‌های کاربردی خود را با استفاده از منابعی که به صورت مجازی و اشتراکی در اختیار دارند، در هنگام درخواست کاربران به آنها ارائه دهند. یکی از مهمترین مسائلی که در محیط ابر مطرح میباشد، مسئله زمانبندی برنامه‌های کاربردی، بر روی منابع موجود می باشد؛ به طوری که از یک سو بتواند نیازمندیهای کاربران همانند حداقل شدن زمان اجرا یا هزینه را تامین کرده و از سوی دیگر با استفاده مناسب از منابع، بتواند منافع فراهم کنندگان سرویس را نیز در پی داشته باشد. در این مقاله ما یک روش زمان‌بندی چند هدفه با استفاده از الگوریتم اکتشافی سیاهچاله برای زمان‌بندی جریان کاری در محیط ابر ارائه کرده‌ایم که هم بتواند نیازمندیهای کاربران و هم منافع فراهم‌کنندگان سرویس را در نظر بگیرد. ما روش پیشنهادی خود را با الگوریتمهای SPEA2 و NSGA2 بر اساس پارمترهای زمان تکمیل کار و هزینه و بهره‌وری منابع با استفاده از جریانکاری متعادل و نامتعادل مقایسه کرده‌ایم. نتایج شبیهسازی میدهد که روش ما به میزان 8.5 درصد در فاکتور زمان تکمیل کار و 2.5 درصد در فاکتور هزینه به نسبت الگوریتم SPEA2 و به میزان 2.5 درصد در فاکتور زمان تکمیل کار و 6 درصد در فاکتور هزینه از الگوریتم NSGA2 بهتر می‌باشد.

امروزه موتورهای جستجو با حجم عظیم اطلاعات موجود در بستر وب و همین‌طور تعداد زیاد درخواست‌های دریافتی مواجه هستند. از آنجا که بخش قابل‌توجهی از پرس‌و‌جوهای کاربران در موتورهای جستجو تکراری است، می‌توان برای بهبود کارایی این سامانه‌ها از حافظه نهان به منظور کاشه سازی نتایج استفاده نمود. یکی از چالش‌های اصلی در این زمینه، تلاش برای افزایش نرخ برخورد مابین پرس‌و‌جوهای ورودی و نتایج موجود در حافظه نهان است. در این مقاله، روش ترکیبی جدیدی برای کاشه‌سازی نتایج در موتورهای جستجو ارائه می‌شود که در آن، لیست آماده مربوط به جزءهای تشکیل دهنده پرس‌وجو (به جای نتایج کل پرس‌وجو) ذخیره می‌شود تا احتمال برخورد در پرس‌وجوهای آینده بالاتر رود. اضافه بر این، حافظه نهان به دو بخش مجزای ایستا و پویا (به ترتیب برای نگهداری اجزاء پرتکرار روز گذشته و روز کنونی) تقسیم‌بندی می‌شود. نتایج ارزیابی در یک محیط واقعی نشان می‌دهد که روش پیشنهادی در قیاس با روش‌های مشابه نرخ برخورد بالاتری ارائه می‌نماید.

گسترش روز افزون استفاده از اینترنت و تهدیدهای امنیتی ناشی از آن، توسعه سیستم‌های مؤثر تشخیص نفوذ از اهمیت زیادی برخوردار شده است. به طور معمول در این نوع سیستم‌ها از روش‌های مختلف یادگیری ماشین و داده کاوی جهت تشخیص حمله‌ها استفاده می‌شود. از آنجا که کیفیت مجموعه داده‌ی آموزشی بکار گرفته شده در سیستم‌های تشخیص نفوذ نقش اساسی را در بهبود کارایی این نوع سیستم‌ها ایفا می‌کند، در این پژوهش الگوریتمی جهت ایجاد یک مجموعه داده‌ی آموزشی کارا بر پایه ی تغییر الگوریتم معروف K-Medoids مطرح شده است. معمولاً خوشه‌بندی بهینه‌ی داده‌ها در الگوریتم K-Medoids به دو عامل تعداد خوشه‌ها و مقادیر اولیه ی مراکز خوشه‌ها بستگی دارد، که تعداد خوشه‌ها توسط کاربر و مقادیر اولیه بصورت تصادفی انتخاب می‌شوند. در روش پیشنهادی در این مقاله، این دو شاخص به گونه‌ای مؤثر و بدون نیاز به دخالت کاربر انتخاب شده اند و با استفاده از مراکز خوشه‌های ایجاد شده مجموعه داده‌ی آموزشی کارایی تولید شده است. در انتها جهت دسته‌بندی داده‌های تست، الگوریتم طبقه‌بندی Naïve Bayes بکارگرفته شده است. مجموعه داده‌ی اولیه مورد استفاده در این مقاله، KDD CUP’99 می‌باشد. بر اساس نتایج آزمایش‌های انجام گرفته، دقت، نرخ تشخیص و نرخ اعلان اشتباه ایجاد شده توسط روش مطرح شده در این مقاله به ترتیب برابرند با 93.6، 88.71 و08.03. نتایج مطرح شده نشان می‌دهند که مجموعه داده‌ی آموزشی تولید شده توسط روش ارائه شده در این مقاله، کارایی بالاتری را به نسبت روش بسیار با کیفیت 10-fold cross validation در هرسه مورد ذکر شده فراهم می‌کند.

تعداد زيادی پروتکل کنترل دسترسی رسانه ، با هدف بهره‌وری انرژی در شبکه‌های حسگر بیسیم، ارائه شده است. بــرخی از این پروتکل‌هـا که با عنوان Cross Layer MAC شناخته می شوند از همکاری لايه‌ی شبکه یا لايه‌ی فيزيکی به منظور کاهش اتلاف انرژی بهره می‌برند. يکی از مشکلات استفاده از آنتن همه‌جهته، اتلاف انرژی جهت ارسال سیگنال به نقاط غیر‌ضروری و همچنین اشغال شدن بی‌مورد فضای پوشش است. عدم انطباق زاویه بین آنتن‌های جهت‌دار نیز مانع رسیدن به بهره‌وری مناسب از نظر مصرف انرژی است. در اين تحقیق، يک پروتکل Cross Layer MAC با استفاده از همکاری زیر لایه کنترل دسترسی رسانه، و لایه های شبکه و فيزيکی با هدف کاهش مصرف انرژی معرفی شده است. در پروتکل پيشنهادی، علاوه بر استفاده از اطلاعات مسیریابی لایه‌ی شبکه، از دو نوع آنتن همه‌جهته و جهت‌دار هوشمند نیز در لایه‌ی فیزیکی بهره برده می‌شود. پیاده‌سازی پروتکل در محیط شبیه‌سازی NS-2 ، و مقایسه‌ی نتایج شبیه‌سازی با پروتکل‌های مشابه، نشان داده است که پروتکل پیشنهادی به میزان 44% و 14% به ترتیب نسبت به S-MAC و DW-MAC مصرف انرژی کمتری داشته است.

مدیریت یکپارچه شهری در بخش نگهداشت یکی از نیازهای اساسی در مدیریت زیرساخت¬های یک کلان‌شهر است. چالش اساسی در این زمینه، موانع موجود و ریسک¬های مترتبِ در پیاده¬سازی چنین سامانه¬ای است. در این پژوهش، پس از تبیین تجربه شکست در پیاده¬سازی سامانه¬های نگهداشت شهر در چند کلان‌شهر ایران، چالش¬های موجود در پیاده¬سازی یک سامانه جامع هوشمند مدیریت شهری در ایران موردمطالعه و تحلیل قرارگرفته است. تجربه موفق در پیاده¬سازی و راه¬اندازی سامانه نگهداشت کلان‌شهر تهران "سامن" در سال 1395 دستمایه این پژوهش قرارگرفته است تا آسیب‌شناسی بهره¬برداری سامانه-های مدیریت شهری در ایران مورد تحلیل قرار گیرد. در این مقاله آسیب‌شناسی سه پارامتر اصلی در راه‌اندازی یک سامانه هوشمند شامل: (1) مدل¬های ارزیابی عملکرد در حوزه نگهداشت شهر، (2) ساختار مدل نرم¬افزار (در دو بخش برداشت و تحلیل اطلاعات) و (3) روش پیاده¬سازی آن ارائه‌شده است. براي تبيين ميزان و اهميت هر يک از موانع و چالش¬های رودرروی این سامانه، پیاده¬سازی و ارزیابی آن در چند ناحیه شهر تهران مورد ارزیابی قرار گرفت. برای تحلیل اطلاعات، ابتدا کمیته¬ای از خبرگان دانشگاهی و صنعتی تشکیل گردید و با استفاده از روش AHP، هر یک از چالش¬ها تحت پوشش در هر حوزه توسط متخصصان و خبرگان وزن دهی شد. سپس وزن¬های به‌دست‌آمده نرمال‌سازی و چالش¬های ارزیابی‌شده اولویت¬بندی شدند. نهایتاً راهکارهای برون‌رفت از چالش‌ها و راه¬های مؤثر در پیاده‌سازی سامانه‌های هوشمند در کلان‌شهر¬ها حاصل آمد.