انجمن کامپیوتر ایران

تحولات شگرف دهه های اخیر در حوزه های ارتباط رایانه ای، بی گمان گسترش تجارت الکترونیکی را به یک فرض حتمی بدل ساخته است. در حوزه تجارت الکترونیکی، بکارگیری سیستم های نرم افزاری قوی و تامین نیازهای کسب و کار برای بقای شرکت ها از جایگاه ویژه ای برخوردار است. متدهای چابک، تضمین کننده "تسریع زمان بازار"، "رضایت مشتریان" و "کیفیت بالای نرم افزار" است. انتخاب متد چابک مناسب، براساس تصمیم یپیچیده و چند معیاره استوار است که می تواند پیامدهای شگرفی بر موفقیت سیستم های تجارت الکترونیکی داشته باشد. در این مقاله برای مقایسه متدولوژی های چابک در فضای تجارت الکترونیکی، از روش تحليل سلسله مراتبي استفاده شد. از این رو ابتدا معیارها و زیرمعیارهای مهم تجارت الکترونیکی برای استفاده از متدهای چابک، درسه دسته معیار اصلی "ویژگی های مدیریتی کسب و کار"، "ویژگی های کیفی کسب و کار" و "ویژگی های تیم برنامه نویسی" تعريف شد. سپس معیارها به صورت مقايسه زوجي ارزیابی و وزندهي شد و در آخر نتايج با استفاده از اكسپرت چويس بررسي شد. سپس میزان اهمیت متدولوژی های چابک بر مبنای معیارهای مهم تر تجارت الکترونیکی، براساس نظر کارشناسان بررسی شد. نتایج مطالعه موید آن است که خبرگان، متد XP را نسبت به سایر متدها در تجارت الکترونیکی کارآمدتر می دانند.

با ظهور متدولوژی چابک تعاریف مختلفی برای آن عنوان شد و براساس این تعاریف و قوانین مربوط به این تعاریف، متدهای مختلفی به وجود آمد که نقطه اشتراک همه آن‌ها چرخه تکرار کوتاه، بازخورد سریع مشتری و یادگیری است. این متدها به علت تکیه بر میزان رضایت مشتری و ارائه راه‌حل با استفاده از تیم نرم‌افزاری خود سازمانده مورد توجه است. در سال‌های اخیر تفکر ناب که ابتدا در حوزه خودروسازی مطرح شده بود، وارد صنعت نرم‌افزار شد و به تنهایی یا به صورت ترکیبی با متدهای چابک مورد استفاده قرار گرفت. تفکر ناب به دنبال بالا بردن ارزش‌های تعریف شده در توسعه نرم‌افزاری و کاهش اتلاف‌های آن است. با توجه به تأثیر مثبت این تفکر بر روی متدهای چابک بررسی انواع اتلاف‌های این تفکر در این متدها مورد اهمیت است. ما در این مقاله به بررسی انواع اتلاف ناب و مقایسه میزان این اتلاف‌ها در پنج متد چابک می‌پردازیم تا میزان تطابق آن‌ها با تفکر ناب مشخص شود.

مدل‌های موضوعی بر مبنای هم رخدادی کلمات در یک سند عمل می‌نمایند ولی براساس اصل هم رخدادی کلمات، در بسیاری موارد مدل کردن هم رخدادی در واحدهای کوچکتر منجر به درک بهتری از ارتباطات میان کلمات می‌گردد. بر همین مبنا در اين مقاله، مدل جدیدی برمبنای مدل تخصیص پنهان دریکله (LDA) معرفی شده است که سعی می‌کند ارتباطات محلی در داخل یک سند را با استفاده از یک پنجره هم رخدادی وارد مدل LDA نماید. مدل LDA و مدل پیشنهادی بر روی پیکره 20newsgroups مقایسه شده‌اند و نتایج بدست آمده نشان می‌دهد که مدل پیشنهادی علاوه بر کاهش چشمگیر perplexity، تاپیک های دقیق‌تری نیز تولید کرده است.

رایانش ابری مسئله‌ای است که امروزه بیش از هر موضوع دیگری موردتوجه قرارگرفته است. با توجه به پیشرفت‌های مختلفی که در عرصه تکنولوژی به وجود آمده است، همه‌ روزه حجم بالایی از داده تولید می‌شود به‌طوری‌که داده‌های آنلاین موجود در جهان به طرز قابل‌ توجهی در حال افزایش هستند و موضوع داده‌های بزرگ پا به عرصه گذاشته است. در بحث داده‌های بزرگ علاوه بر مسائل ذخیره‌سازی و بازیابی، نیازمند آن هستیم که امنیت و حریم خصوصی آن‌ها را تضمین کنیم. در این راستا، در این مقاله با استفاده از روش نگاشت-کاهش روشی برای تضمین حریم خصوصی داده‌های بزرگ ارائه‌شده است و بعلاوه زمان اجرا و مقیاس‌پذیری روش موجود را بهبود بخشیده است.

در راستای فراهم آوردن سرعت پردازش بیش‌تر، تولیدکنندگان تجهیزات کامپیوتری همواره در صدد افزایش کارایی محصولات خود بوده‌اند. امروزه پردازنده‌های چند هسته‌ای به عنوان راهی برای رسیدن به کارایی و موازی‌سازی بیش‌تر مورد استفاده قرار می‌گیرند. استفاده‌ی مناسب از منابع پردازشی در این پردازنده‌ها می‌تواند در افزایش کارایی برنامه‌ها بسیار موثر باشد و در نقطه‌ی مقابل، عدم استفاده‌ی بهینه و شایسته از آن‌ها نه تنها باعث عدم افزایش کارایی بلکه در مواردی باعث افت شدید کارایی در برنامه‌ها خواهد شد. یکی از مناسب‌ترین مدل‌های برنامه‌نویسی برای موازی‌سازی داده، مدل نگاشت-کاهش می‌باشد. چارچوب‌های مختلفی بر طبق این مدل به وجود آمده‌اند که چارچوب Phoenix++ برای سیستم‌های با حافظه مشترک پیاده‌سازی شده است و هدف آن پشتیبانی از اجرای کارا روی سیستم‌های چند هسته‌ای است بدون این‌که برنامه‌نویس مسئولیت مدیریت هم‌روندی را بر عهده داشته باشد. با توجه به اهمیت کاهش مصرف انرژی در سال‌های اخیر، زمان اجرا را نمی‌توان به عنوان تنها معیار ارزیابی کارایی در نظر گرفت. قربانی کردن کارایی به خاطر کاهش انرژی، به یکی از معیار‌های مهم ارزیابی یک سیستم کامپیوتری مبدل گشته است. به منظور کاهش انرژی، می‌توان از قابلیت‌های سخت‌افزاری مانند تنظیم پویای ولتاژ و فرکانس استفاده کرد. با این حال قابلیت‌های سخت‌افزاری را نمی‌توان به تنهایی کافی دانست و از این رو باید آن را با منطق دیگری ادغام نمود تا بتوان مشخص کرد که به چه میزانی باید از تکنیک‌های کاهش انرژی استفاده کرد که درعین‌حال کارایی نیز حفظ شود و زیاد افت نکند. در این مقاله مدلی ارائه می‌کنیم که با در نظر گرفتن تعداد هسته‌های فعال، تعداد نخ‌ها، سطح فرکانس کاری و شمارنده‌های کارایی معیار انرژی-کارایی را برای برنامه‌های موازی مبتنی بر Phoenix++ پیش‌بینی می‌کند و با نتایج آزمایش‌هایی که بر روی سیستم واقعی به دست آورده‌ایم دقت مدل را گزارش می‌کنیم.

الگوریتم‌های ترکیبیاتی در بسیاری از مسائل ریاضیات و کامپیوتر، نقش مهمی را ایفا می‌کنند. تولید اشیاء ترکیبیاتی ازجمله درخت‌ها که یکی از پایه‌ای‌ترین ساختارهای داده در علوم کامپیوتر می‌باشد، یکی از مهم‌ترین موضوعاتی است که تاکنون موردتوجه بسیاری از محققان قرارگرفته است. بیشتر الگوریتم‌های تولید درخت، به‌جای تولید مستقیم درخت‌ها از تولید کدهای معادل درخت‌ها استفاده می‌کنند. همچنین هر الگوریتم تولید درخت، از ترتیب مشخصی برای تولید درختان استفاده می‌کند. هر ترتیب مشخص می‌کند که در فرایند تولید اشیاء، کدام شئ قبل و یا بعد از شئ دیگری قرار دارد و اولین شی ای که باید تولید شود کدام است. رو یو وو وهمکارانش، نحوه نمایش جدیدی به نام RD-sequence را برای درختان t-ary با nگره داخلی معرفی نمودند و با استفاده از آن الگوریتم رتبه گذاری و رتبه گشایی جدیدی را ارائه نمودند. در این مقاله دو الگوریتم برای رتبه گذاری و رتبه گشایی درختان t-ary با مرتبه زمانی O(tn) ارائه‌شده است. درخت‌های t-ary در ترتیب B-order تولید می‌شوند و رویه رتبه گذاری و رتبه گشایی درختان بر پایه کدگذاری درختان به‌وسیله دنباله z-sequence است.

مدیریت حرکت و تصمیم گیری فرایند دست‌به‌دست جهت رسیدن به ارتباطی یکپارچه برای کاربر در حال حرکت، از چالش‌های همیشگی شبکه‌های متحرک بی سیم بوده است و بهبود در حفظ یکپارچگی این ارتباط بستر ظهور کاربرد های جدید این قبیل شبکه ها را فراهم می سازد. شبکه‌های نرم افزار محور از مباحث نوظهور در زمینه‌های تحقیقاتی شبکه‌های کامپیوتری است که برای به کار گیری در نسل‌های آینده ارتباط بی سیم مورد توجه فراوان قرار گرفته است. در این کار از انعطاف پذیری و کنترل مرکزی موجود در شبکه‌های نرم افزار محور بهره گرفته شده تا بتوان الگوریتم تصمیم گیری فرایند دست‌به‌دست را از نظر تأخیر و تعداد دست‌به‌دست بهبود بخشید. نتایج به دست آمده در این تحقیق نشان می‌دهند که الگوریتم پیشنهادی از نظر تعداد دست‌به‌دست، تأخیر دست‌به‌دست و کاهش سربار کنترلی در سطح داده در مقایسه با LTE-A، به طور متوسط به ترتیب 24، 16 و 20 درصد بهبود داشته است.

خوشه‌بندی به عنوان یک فرآیند یادگیری بدون ناظر، می‌تواند دانش موجود در داده‌های بدون برچسب را کشف و مورد تحلیل و بررسی قرار دهد. اساس کار الگوریتم‌های خوشه‌بندی، گروه‌بندی داده‌ها به بخش‌هایی به ‌نام خوشه است. این عملیات بر مبنای شباهت‌هایی که در ساختار داده‌ها وجود دارد انجام می‌شود. هدف الگوریتم‌های خوشه‌بندی انجام درست و صحیح این گروه‌بندی‌ها به ‌منظور استخراج دانش دقیق‌تر از داده‌هاست. خوشه‌بندی مبتنی بر تراکم، یک دسته از انواع روش‌های موجود در خوشه‌بندی است. در این نوع خوشه‌بندی،‌ خوشه‌ها براساس ناحیه‌های متراکم داده‌ها تشکیل می‌شوند. تعریف معیار فاصله و تراکم در این دسته از خوشه‌بندی‌ها تاثیر به‌سزایی در عملکرد خوشه‌بندی دارد. در این مقاله یک رویکرد جدید با کمک قوانین اگر-آنگاه فازی برای معیار تراکم و فاصله ارائه شده است. از این قوانین برای بهبود عملکرد الگوریتم‌ خوشه‌بندی DBSCAN استفاده شده است. نتایج ارزیابی‌ها بیانگر کاهش خطا و افزایش دقت در خوشه‌بندی داده‌ها توسط روش پیشنهادی نسبت به سایر روش‌های دیگر خوشه‌بندی مشابه فازی می‌باشد.

پیشرفت‌ها در رایانش و شبکه، قابلیت‌های جدیدی را به سیستم‌های فیزیکی فراهم کرده است که پیش از آن، این قابلیت‌ها به طور عملی قابل افزودن نبودند. این امر منجر به ظهور سیستم‌های مهندسی به نام سیستم‌های سایبر- فیزیکی شد. این سیستم‌ها، دامنه‌های سایبری (شامل مؤلفه‌های شبکه و سرورها) و فیزیکی (شامل حسگرها و محرک‌ها) را با هم تلفیق می‌کند. در این سیستم‌ها، روش‌های صوری کشف نفوذ، هر نمونه داده را به صورت مستقل مورد تحلیل قرار می‌دهند و از مهمترین خصوصیت این نمونه‌های داده‌ (ترتیبی بودن) صرف نظر می‌کنند. اغلب ناهنجاری‌ها را تنها با تحلیل دنباله‌ای از نمونه‌های داده می‌توان کشف کرد. ماهیت سری‌های زمانی وابسته بودن مشاهدات آن‌ها است. بنابراین تحلیل سری‌های زمانی به منظور کشف ناهنجاری در دنباله‌ای از داده‌ها، راه‌حل مناسبی است. روش ارائه شده در این مقاله به این صورت است که ابتدا داده‌ها را از طریق حسگرها جمع‌آوری کرده، سپس مجموعه داده‌های آموزش را مدل کرده و رفتار آینده سیستم را پیش‌بینی می‌کنیم. در نهایت با مدل کردن مجموعه داده‌های آزمون و با مقایسه این مجموعه داده با رفتار پیش‌بینی شده می‌توان ناهنجاری‌ها را شناسایی کرد. نتایج نشان می‌دهد که این روش داری نرخ تشخیص درست بالا و نرخ تشخیص نادرست بسیار پایین است.

ترویج فرهنگ استفاده از وسایل حمل و نقل عمومی و افزایش تقاضای سفر در شهرهای بزرگ منجر به گسترش و توسعه روزانه شبکه حمل ونقل عمومی، و بالطبع بررسی ابعاد مختلف این موضوع از سوی مدیران شهری گردیده.راه آهن شهری( مترو) ، به عنوان یکی از ارکان اصلی و مهم در این حوزه است تاجایی که یکی از شاخص های توسعه یافتگی شهر‌ها نیز محسوب می شود. خطوط مترو نقش به سزایی را در تعیین رفتار شهروندان در سفرهای درون شهری ایفا می¬کند. مطالعه¬¬¬ی رفتار سفرهای درون شهری جهت توسعه ایستگاه¬های جدید مترو، قبل و بعد از راه اندازی ایستگاه از اهمیت به سزایی برخوردار است. در این پژوهش تعداد مسافران مترو در گذر زمان، متناسب با حجم سفرها در ایستگاه¬های قبلی و با درنظر گرفتن افزایش ایستگا¬ه¬های جدید مورد مطالعه قرار گرفته است. این مهم به کمک تحلیل اطلاعات حاصل از تراکنش¬های تولید شده کارت بلیت الکترونیک انجام شده است. هر تراکنش به منزله یک سرویس ارائه شده برای جابه¬جایی در این شبکه حمل ونقل است. نتایج بررسی این تراکنش-ها نشان¬دهنده رفتار تقاضای سفر درون شهری با شبکه حمل¬ونقل ریلی (مترو) است که در بازه زمانی 4 سال(1391 تا 1395) و تاثیر قابل توجه تعداد مسافران جدید(جذب مسافران) در اثر افتتاح و بهره¬برداری از ایستگاه¬های: میدان منیریه، میدان راه آهن، جوادیه، زمزم و آزادگان می‌باشد.

گردشگری به عنوان یکی از صنایع مهم در هر کشوری به شمار می رود که بستر ساز موقعیتهای فراوان مانند افزایش نرخ اشتغال و رشد اقتصادی است. البته دستیابی به این غایت نیازمند تدوین استراتژیهای مهمی است، یکی از مواردی که در دستیابی به این هدف بسیار مهم و تاًثیرگذارست افزایش کیفیت سرویس ‌دهی گردشگری است که نقش مهمی در پویایی این صنعت خواهد داشت. امروزه استفاده از GIS فراگستر به عنوان یکی از نسلهای GIS منجر به افزایش کیفیت سرویسهای گردشگری شده است. GIS فراگستر امکان ارائه سرویس به گردشگران را بر اساس مفهومی به نام محیط آگاهی فراهم می سازد. محیط آگاهی بیانگر هرنوع اطلاعاتی مربوط به گردشگران و محیط پیرامون آنهاست. در این طرح توسعه یک سیستم گردشگری در طرح ریزی سفر بر اساس GIS فراگستر مورد توجه قرار می‌گیرد.در سیستم پیشنهادی ابتدا اطلاعات محیط آگاهی مربوط به طرح ریزی سفر جمع‌آوری شده و سپس با روشهای ترکیب اطلاعات مانند سلسله مراتبی و تاپسیس است ترکیب می‌شود تا منجر به انتخاب بهترین مقصد برای گردشگران شود. با ایجاد سیستم پیشنهادی امکان طرح‌ریزی سفر بر اساس ترجیح کاربران فراهم می‌شود که این مسئله منجر به افزایش رضایت گردشگران در استفاده از سیستم مذکور می‌گردد.

امروزه یکی از روش‌های مطرح جهت تولید سیستم‌های پیچیده، مهندسی مدل‌رانده است. در این روش، تبدیل مدل یکی از ارکان مهم است که مدل را به‌صورت خودکار به کد تبدیل می‌کند. اما با پیچیده‌شدن سیستم‌های نرم‌افزاری، تبدیل مدل‌ها نیز بزرگ و پیچیده شده‌اند. در نتیجه کیفیت تبدیل‎‌ها و فهم آن‌ها با مشکل روبه‌رو شده است. یک روش برای بهبود کیفیت‌ تبدیل‌ها و غلبه بر این پیچیدگی‌ها، استفاده به‌جا و مناسب از الگوهای تبدیل است، ولی استفاده از الگوها برای افراد مبتدی آسان نیست. هدف از این تحقیق، ارائه راهکاری جهت تسهیل و بهبود به‌کارگیری الگوهای تبدیل به‌منظور افزایش کیفیت تبدیل‌های نوشته شده است. به‌همین منظور از یک فرایند جهت اعمال الگوهای مهم در تبدیل مدل استفاده می‌شود. به‌منظور ارزیابی روش پیشنهادی، کد تبدیل قبل از اعمال الگو و بعد از اعمال الگو بر اساس پارامترهای کیفی مانند کارایی، پیچیدگی و میزان خاصیت پیمانه‌ایی سنجیده می‌شود. نتایج نشان می‌دهد که استفاده از الگوها باعث افزایش خاصیت پیمانهایی، کیفیت، کارایی، چسبندگی و سادگی کد تبدیل خواهد شد. همچنین سودمندی استفاده از الگوهای تبدیل بر روی تبدیل‌های واقعی به‌صورت کمی ارزیابی می‌شود.

با پیشرفت تکنولوژی و کاهش ابعاد ترانزیستورها، چالش‌های جدیدی در حوزه قابلیت اطمینان تراشه‌های دیجیتال بوجود آمده است. از جمله این چالش‌ها می‌توان به سالمندی ترانزیستورها اشاره کرد که باعث کاهش کارآیی و تخریب عملکرد مدار می‌شود. تاکنون روش‌های مختلفی با استفاده از تکنیک بازسنتز منطقی به منظور کاهش اثرات سالمندی در یک مدار ارائه شده است. اما مشکل اصلی این روش ها طولانی بودن زمان اجرا و غیر قابل اعمال بودن آن‌ها برای مدارهای مقیاس بزرگ می‌باشد. در این مقاله، یک روش بازسنتز منطقی مبتنی بر بخش‌بندی به منظور کاهش تنزل کارآیی ناشی از سالمندی در یک مدار دیجیتال ارائه شده که به طور موثری زمان اجرای فرآیند بهینه‌سازی را کاهش می‌دهد. در روش پیشنهادی، مدار با استفاده از ساختارهای مخروطی به مجموعه ای از زیرمدارهای کوچکتر بخش‌بندی می‌شود. سپس این زیرمدارها سطح بندی شده و زیرمجموعه‌ای از موثرترین زیرمدارها به منظور بهینه‌سازی انتخاب شده و تکنیک بازسنتز منطقی بر روی هر زیر مدار اعمال می‌شود که باعث کاهش فضای جستجو و کاهش زما اجرای الگوریتم می‌شود. نتایج حاصل از شبیه‌سازی نشان می‌دهد که روش پیشنهادی با سربار مساحت 2/3% تنزل کارآیی ناشی از سالمندی را حدود 9/12% بهبود داده است. همچنین زمان اجرای روش پیشنهادی در مقایسه با روش همسان‌سازی مسیرها، حدود 11 برابر سریع‌تر است.

رشد انفجاری اطلاعات در سال‌های اخیر و ادامه این روند سبب افزایش تمایل کاربران به سامانه‌های خلاصه‌سازی خودکار متن برای دستیابی به اطلاعات مورد نیازشان شده است. در این مقاله یک روش نوین برای خلاصه‌سازی تک‌سندی بر پایه الگوریتم ژنتیک ارائه شده است که در آن تولید خلاصه استخراجی به یک مسئله بهینه‌سازی دودویی نگاشت می‌شود. تابع هدف در سامانه پیشنهادی متشکل از پنج معیار امتیازدهی به جملات است که سه ویژگی آن مبتنی بر ویژگی‌های ظاهری و دو ویژگی دیگر مبتنی بر شباهت کسینوسی است. ایده اصلی در تابع هدف، استفاده از شباهت کسینوسی بین جملات خلاصه و جملات متن اصلی و همچنین بین جملات خلاصه و عنوان سند برای افزایش پوشش مطالب مهم متن ورودی است. کاهش افزونگی در خلاصه تولیدی از طریق محاسبه شباهت بین جملات خلاصه با یکدیگر صورت می‌گیرد. علاوه بر این، جهت تولید خلاصه‌ای با حداکثر طول مشخص تابع تولید جمعیت اولیه و عملگرهای بازتولید در الگوریتم ژنتیک دستخوش اصلاحاتی شده است. ارزیابی سامانه پیشنهادی با استفاده از ابزار استاندارد ROUGE روی مجموعه داده DUC2002 انجام گرفته است. نتایج ارزیابی و مقایسه این سامانه با بهترین روش‌های موجود برای خلاصه‌سازی تک‌سندی نشان‌دهنده عملکرد بهتر روش پیشنهادی نسبت به سایر روش‌ها است.

در سال 2014 یک مسابقه بین‌المللی تحت عنوان مسابقه سزار (CAESAR) شروع به کار کرد که هدف آن انتخاب یک یا چند الگوریتم رمزگذاری توام با احراز اصالت امن و کارا است. الگوریتم Deoxys یکی از الگوریتم‌هائی است که به دور سوم مسابقه بین‌المللی سزار راه یافته است. الگوریتم Deoxys از تابعی مشابه تابع دور الگوریتم AES به همراه یک ورودی اضافه به عنوان توئیک، بهره می‌برد. در این مقاله یک تحلیل تفاضل ناممکن برای رمز قالبی کاهش یافته‌ی هفت دوری Deoxys-BC-256 در مدل توئیک ارائه می‌شود. این اولین بار است که امنیت این رمز قالبی در مقابل تحلیل تفاضل ناممکن بررسی می‌شود. همچنین براساس اطلاعات نویسندگان مقاله این اولین بار است که هفت دور رمز قالبی Deoxys-BC-256 در مدل تک‌کلید بررسی می‌شود. تحلیل‌های ارائه شده در مقالات منتشر شده، در مدل کلید و توئیک مرتبط هستند که نسبت به مدل توئیک مرتبط، مدلی نظری محسوب می‌شود. تحلیل ارائه شده در این مقاله، از نوع توئیک مرتبط و متن اصلی منتخب است که به 248 بایت حافظه نیاز دارد و پیچیدگی داده‌ای معادل 2116.5 متن منتخب و پیچیدگی زمانی معادل 2116.5 عملیات رمزگذاری هفت دوری دارد.

در سال‏‌های اخیر برای مجموعه پیمانه {pow(2,n)±1,pow(2,n)±3} طراحی ساختارهای گوناگون سیستم اعداد مانده‏ای، اعم از واحدهای حسابی، مبدل مستقیم و مبدل معکوس مورد توجه پژوهشگران قرار گرفته است. پیاده‏‌سازی مبدل معکوس برای این مجموعه پیمانه، به دلیل پیچیدگی بالای آن از اهمیت ویژه‏‌ای برخوردار است. رویکردهای صورت پذیرفته برای رسیدن به این مهم، یعنی مبدل معکوس کارآمد برای مجموعه پیمانه مذکور تنها محدود به نمایش بدون علامت بوده است. تعامل هر چه کاراتر سیستم اعداد مانده‏‌ای با نمایش وزن‌دار علامت‌دار در طراحی پردازنده‌های سیگنال دیجیتال امری ضروری تلقی می‏‌شود. به همین دلیل در این مقاله، برای اولین بار برای مجموعه پیمانه {pow(2,n)±1,pow(2,n)±3} الگوریتم و پیاده‏‌سازی سخت‌افزاری کارآمدی از مبدل معکوس علامت‏‌دار ارائه می‌‏دهیم. افزون بر آن، واحد مبدل معکوس علامت‏‌دار ارائه‌ شده، شامل واحد تشخیص علامت نیز است،که اولین واحد تشخیص علامت برای مجموعه پیمانه مذکور نیز به‌حساب می‏‌آید. در طراحی واحد مبدل معکوس علامت‌دار پیشنهادی با استفاده از روش اشتراک سخت‏‌افزار، به ساختاری کارآمد هم از نظر سخت‌افزار مصرفی و هم تأخیر انتشار بیشینه دست پیدا کرده‌ایم.

This paper concentrates on cloud computing as one of the principal building blocks of a smart factory to provide a huge data storage space and a highly scalable computational capacity. The cloud computing system used in a smart factory should be a time-predictable computing framework to be able to satisfy hard-real requirements of various applications existing in manufacturing systems. Interleaving an intermediate computing layer –called Fog– between a factory and a cloud data center is a promising solution for such a system to deal with the latency requirements of hard real-time applications. In this paper, a time-predictable cloud framework is proposed which is able to satisfy end-to-end latency requirements in a smart factory. To propose such an industrial cloud framework, we not only use the existing real-time technologies such as Industrial Ethernet and Real-time XEN hypervisor, but we also discuss unaddressed challenges. Among the unaddressed challenges, the partitioning of a given workload between a fog platform and a cloud data center is targeted. Addressing the partitioning problem not only provides a resource provisioning mechanism, but also gives us a prominent design decision to know how much computing resource is required to develop a Fog platform, and how large should be the minimum communication bandwidth between a fog and a cloud data center.

اختلال طيف اوتيسم يکي از مهم‌ترين بيماري‌هاي عصب شناختي است. اوتيسم يک اختلال مغزي است که در تعاملات اجتماعي و نحوه برقراري ارتباطات فرد اشکالاتي را ايجاد مي‌کند. با پيشرفت فناوري تصويربرداري مغزي، گراف ساختاري نواحي مغز در دسترس قرار دارد. پژوهش‌هاي پيشين در طبقه‌بندي شبکه‌هاي ساختاري در دو گروه داراي کنترل‌هاي سالم يا داراي اختلال اوتيسم با محدوديت‌هاي زيادي از جمله مهندسي ويژگي و زمان اجرا مواجه هستند. در اين مقاله، پس از پيش پردازش هر شبکه، تصويري از آن توليد شده و مسئله طبقه‌بندي شبکه‌هاي پيچيده به طبقه‌بندي تصاوير ساده با استفاده از يادگيري ماشين تبديل مي‌شود. دقت اين روش نسبت به پژوهش‌هاي پيشين داراي بهبود قابل توجه‌، سرعت بيشتر و برخورداري از قابليت پياده‌سازي موازي است و به نظر مي‌رسد که مي‌توان از آن براي ساير گونه‌هاي بيماري‌هاي عصب شناختي بهره برد. نتايج اين تحقيق با راهبرد LOOCV (leave out one cross validation) ارزيابي و نشان داده شده که اطمينان روش پيشنهادي به اندازه‌اي است (ميانگين دقت 99%) که بتوان از آن به عنوان يک ابزار کمک تشخيصي مناسب بهره جُست.

در سال‌هاي گذشته، کاربران محدود به مشاهده اطلاعات در وب‌سايت‌ها بوده‌اند اما امروزه با گسترش استفاده از شبکه‌هاي اجتماعي در بين کاربران در سرتاسر جهان، افراد بيش‌ترين زمان خود را در اين شبکه‌ها صرف مي‌کنند. شبکه‌هايي نظير فيس‌بوک، يوتيوب و توييتر به عنوان پرکاربردترين و محبوب‌ترين نوع شبکه‌هاي اجتماعي بر اساس تعداد کاربران شناخته شده‌اند، اين محبوبيت در شبکه‌هاي اجتماعي منجر به مشکلات مختلفي ازجمله امکان افشاي اطلاعات نادرست و ايجاد محتواي مخرب به کاربران خود از طريق حساب‌هاي جعلي شده‌اند که باعث به‌‌وجود آمدن مشکلات و آسيب‌هاي جدي براي کاربران در دنياي واقعي و مجازي شده است. از اين‌رو در اين پژوهش به شناسايي حساب‌هاي جعلي در توييتر برمبناي ويژگي‌هاي مبتني بر پروفايل و محتواي توييت و طراحي ويژگي‌هاي موثر با استفاده از يادگيري نظارتي و الگوريتم‌هاي طبقه‌بندي J48، K-نزديک‌ترين همسايه، بيزين، شبکه عصبي و پرسپترون پرداخته شده است که در نهايت پس از آزمايش مجموعه داده‌ و تست نتايج، دقت تشخيص نسبت به اکثر پژوهش‌هاي پيشين بهبود يافته است. الگوريتم J48 توانسته است بهترين نتيجه را با دقت %92/99 به‌دست آورد که با مقايسه اين مطالعه با تحقيقات اخير در اين حوزه دقت روش پيشنهادي در اين پژوهش ثابت شده است.

ماشين يادگيري سريع، الگوريتمي براي آموزش شبکه‌هاي عصبي با يک لايه‌ي مخفي است. ساختار تک لايه‌ي اين مدل، کارايي و توانايي تعميم اين الگوريتم را نسبت به ساير شبکه‌هاي عميق کاهش داده است. به منظور استخراج ويژگي‌هاي موثر از داده‌هاي خام، روش‌هاي متفاوتي براي ايجاد يک مدل عميق و چند لايه مبتني بر ماشين يادگيري سريع، ارائه شده است. در تمامي اين روش‌ها، براي تعيين پارامتر‌‌هاي هر لايه، از يک اتوانکدر -که تنها به دنبال ساخت مجدد داده‌ي ورودي در خروجي است و هيچ توجهي به برچسب‌هاي صحيح داده‌هاي آموزشي ندارد- استفاده شده است. در اين مقاله، با بهره‌گيري از برچسب‌هاي صحيح داده‌هاي آموزشي، الگوريتم جديدي براي تعيين پارامتر‌هاي هر لايه از ماشين يادگيري سريع عميق، ارائه شده است. در نظر گرفتن ارتباط بين هر لايه و خروجي صحيح، موجب افزايش کارايي اين مدل شده است. نتايج آزمايش‌ها روي 5 مجموعه داده متفاوت نشان مي‌دهد که دقت طبقه ‌بندي الگوريتم پيشنهادي نسبت به ساير روش‌هاي مشابه بهبود پيدا کرده است.