انجمن کامپیوتر ایران

پیشرفت‌های اخیر در حوزه فناوری سبب شده است که سازمان‌ها ناگزیر به انتخاب رویکردهای مبتنی بر آمادگی، انعطاف‌پذیری و تطابق با روش‌های نوین انجام کار باشند. فناوری ‌اطلاعات پر شتاب، همسو با تحول دیجیتال، نیازمند نگرشی کل‌نگر و اثربخش در طراحی بومی، پیاده‌سازی در ابزارهای ITSM و جاری‌سازی روش‌های مدیریت خدمات فناوری اطلاعات در سازمان‌ها است. مدیریت حادثه یکی از روش‌های مدیریت خدمات فناوری اطلاعات است که با تداوم کسب و کار رابطه تنگاتنگ داشته و بهبود عملکرد پاسخگویی در این روش از اهمیت بسزایی برخوردار است. از این‌رو، در این پژوهش با الهام از مدل‌های ارزیابی بلوغ قابلیت و تمرکز بر چارچوب ITIL4، مدلی برای ارزیابی بلوغ قابلیت مدیریت حادثه ارائه شده است. در این مدل با توجه به عوامل موفقیت روش مدیریت حادثه، معیار های ارزیابی متناسب با سطح بلوغ، با چهار بعد مدیریت خدمات نگاشت شده و شواهد مورد نیاز جهت تحقق تعیین شده است.

داده‌های جغرافیایی، مرزهای زمین‌های کشاورزی و قطعه‌بندی آن‌ها برای بسیاری از کاربردهای کشاورزی ضروری است. به عنوان مثال می‌توان به تحت نظارت قرار دادن زمین برای مدیریت منابع اشاره کرد. از آنجایی که مرزبندی به صورت دستی و به کمک شخص حقیقی زمان زیاد و ابزارهای خاصی نیاز دارد، نیاز به خودکارسازی تکرارپذیر این کار احساس می‌شود. هدف از این پروژهش، پردازش تصاویر ماهواره‌ای و شناسایی قطعه زمین‌های کشاورزی موجود در این تصاویر به همراه مرزبندی آن‌ها است. به این منظور، مدل Mask R-CNN که یکی از مدل‌های پیشتاز ارائه شده برای تقسیم‌بندی نمونه در یادگیری عمیق است، مورد استفاده قرار گرفت. برای بررسی راه حل پیشنهادی، با تهیه‌ی یک مجموعه داده، مدل تحت آموزش قرار گرفت. ارزیابی مدل نیز با معیارهای تقسیم‌بندی نمونه مطابق با استاندارد COCO صورت پذیرفت. در آزمایشی که از باند‌های رنگی (RGB) ماهواره‌ی Sentinel-2 به عنوان ورودی استفاده شد، میانگین دقت (AP) ٪۵۴ و صحت پیکسلی ۹۰٪ حاصل شد. نتایج به دست آمده نشان داد که روش پیشنهادی در این پژوهش پتانسیل بالایی را در تقسیم‌بندی نمونه‌ی زمین‌های کشاورزی دارد.

هنگامی­که ساختار داده­ها غیر خطی باشد روش­های کلاسیک خوشه­بندی با شکست روبه­رو می­شوند، در این حالت خوشه­بندی طیفی روشی قدرتمند برای دسته­بندی داده­ها محسوب می­شود. این تکنیک با تبدیل فضای ورودی، فضای جدیدی با قابلیت توصیف مناسب­تر از داده­ها را در اختیار ما قرار می دهد. با این حال، همه ویژگی­های این فضای جدید برای خوشه­بندی مفید نمی‌باشند . بنابراین روش­های انتخاب ویژگی مورد توجه قرار می­گیرند. در این مقاله، الگوریتمی برای خوشه­بندی طیفی مبتنی بر ویژگی­های استخراج شده از Kernel PCA ارائه می­دهیم که ویژگی­های مناسب با توجه به توانایی آنها در توصیف خوشه­های موجود در داده­ها بر اساس آنتروپی انتخاب و وزن­دهی می­شوند. نتایج آزمایشها بیانگر موفقیت این روش می باشد

دستهبندی دادهها یکی از مهمترین شاخههای مطرح شده در یادگیری ماشین میباشد. یکی از روشهای دسته بندي که امروزه نسبت به سایر روشها بیشتر استفاده میشودSupport Vector Machine(SVM) است. دلیل برتری این Classifier نسبت به سایر روشها، تعميم پذيري مناسب این روش میباشد. میزان کارایی این Classifier به پارامتر تعميم پذيري C بستگی دارد که مقدار آن بر اساس Cross-Validation انتخاب میشود. اما يكي از بزرگترين مشكلات SVM، سرعت پايين آن به خصوص بر روي دادههاي با حجم بالا و پيچيده است كه در اين راستا تلاشهاي بسياري صورت گرفته است. در این مقاله رويكرد جديدي جهت توقف زود هنگام الگوریتم SVM با فرض مشخص بودن دادههاي تست در زمان آموزش ارائه شده است كه در مواردي چون Cross-Validation به شدت موجب كاهش زمان يادگيري، بدون تغيير در نتيجه دسته بندي ميشود. در نهايت روش پيشنهادي بر روي دادههاي بسياري اجرا شده است و نتايج كاهش چشم گير زمان يادگيري را نشان ميدهد.

یکی از چالش¬ها در مديريت اعتماد محاسبه مقدار اعتماد بین دو موجودیت در شرایطی است که مبدا تجربه تعامل مستقیم با مقصد را ندارد. یک روش متداول برای تخمین میزان اعتماد در این شرایط، انتشار اعتماد است به این ترتیب که اعتماد بین دو گره برمبنای اطلاعات دریافتی از گره¬های واسطه ارزیابی می¬شود. یکی از متداول¬ترین روش¬ها برای این ارزیابی استفاده از راهبرد ضرب مکرر (IMS) است. در این مقاله راهکاری برای ارتقای دقت راهبرد ضرب مکرر ارائه می¬کنیم که ابتدا براساس میزان شباهت نظرات دو گره در ارزیابی اعتماد به دیگران، اعتماد توصیه بین دو گره را تخمین می¬زند. براساس مقادیر اعتماد توصیه و با استفاده از یک رابطه پیشنهادی جدید مقدار اعتماد انتشاری به صورت اولیه تخمین زده می¬شود. سپس برای رسیدن به دقت بیشتر از الگوریتم ACO استفاده می-شود و مورچه¬ها با حرکت بین گره¬ها بهترین مسیر از یک مبدا به هر مقصد یعنی مسیری را که دقیق¬ترین ارزیابی از اعتماد انتشاری را ارائه می¬کند، پیدا می¬کنند. نتایج حاصل از آزمایش و ارزیابی روش پیشنهادی برروی مجموعه¬داده معروف Advogato نشان می-دهد که دقت آن افزایش قابل ملاحظه¬ای نسبت به راهبرد ضرب مکرر پایه دارد.

در این مقاله به بیان الگوریتمی برای محاسبه تبدیل فوریه زمان کوتاه و عکس آن با نمونه¬برداری غیرخطی می¬پردازیم. تفاوت اصلی این روش با تبدیل فوریه زمان کوتاه معمولی در فرکانس بین¬های فرکانسی است به¬گونه¬ای که در دومی لازم است فاصله فرکانسی بین¬ها برابر باشد اما در الگوریتم پیشنهادی، این محدودیت وجود ندارد و چینش بین¬های فرکانسی به هر صورتی می-تواند انتخاب گردد. به عبارت دیگر در تبدیل فوریه زمان کوتاه معمولی، از محور فرکانس به¬صورت خطی و یکنواخت نمونه-برداری می¬شود اما در الگوریتم پیشنهادی، نمونه¬های فرکانسی به¬صورت غیرخطی و غیر یکنواخت قابل انتخاب می¬باشند. از آن-جایی¬که تبدیل فوریه زمان کوتاه معمولی و عکس آن حالت خاص الگوریتم پیشنهادی می¬باشند لذا به آن GSTFT1 و به عکس آن IGSTFT2 می¬گوییم

امروزه استفاده از سيستم¬هاي داده¬آميزي سنسوري به منظور انجام عمليات مانيتورينگ و پايش محيطي يكي از رايج ترين و متداول¬ترين روش¬ها مي¬باشد. از آنجا که فرآيند سنسور¬آميزي از مجموعه¬اي از گره¬هاي سنسوري، مراكز پردازشي و مديريتي برای انجام عملیات خود استفاده می¬نماید، لذا به منظور آن¬كه بتوان انتقال اطلاعات از سنسورها به مراكز پردازشي و اجراي عمليات داده¬آميزي در مراكز پردازش اطلاعات به سرعت انجام گيرد، مبحث معماري فرآيند داده¬آميزي از مباحث بسيار مهم اين حوزه مي¬باشد. از آن¬جا كه معماري¬هاي متعددي براي اجراي این فرآيند وجود دارد و هر يك از آن¬ها داراي جنبه¬هاي مثبت و منفي متعددي با توجه به نوع كاركرد مي¬باشد، لذا انتخاب معماري مناسب براي اين امر بايد به شكلي هوشمندانه و با توجه به پارامترها و معيارهاي خاص فرآيند سنسوري مذكور صورت پذيرد. از اين رو تصميم گيري در مورد انتخاب معماري مورد نظر به شرايط متعددي نظير نحوه عمليات داده¬آميزي، اولويت معيارهاي انتخاب معماري و شرايط اهداف بستگي دارد. براي اين منظور يك سيستم تصميم يار انتخاب معماري داده¬آميزي طراحي گرديده است تا با توجه به موارد فوق الذكر در هر شرايط، معماري داده¬آميزي مناسب انتخاب¬گردد. براي حل اين مسئله چند¬معياره از روش¬هاي تصميم-سازي چند¬معياره نظير AHP و PROMETHEE و نرم افزارهاي مربوط به آن نظير EXPERT CHOICE و DECISION LAB استفاده گرديده است.

به منظور بهبود دقت بازیابی در سیستم های بازیابی تصویر تمرکز محققین از طراحی الگوریتم های پیچیده به منظور استخراج ویژگی های سطح پایین تصویر به سمت کاهش شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربران رفته است. در این مقاله سعی کردیم تابع معیار شباهت را به گونه ای تخمین بزنیم که شکاف معنایی بین ویژگی های سطح پایین تصویر و مفاهیم سطح بالای مد نظر کاربر را کاهش دهیم. برای این منظور ما از بازخورد کاربر جهت درک نظر کاربر و همچنین از قدرت برنامه نویسی ژنتیکی در زمینه مسائل بهینه سازی وجستجو در فضای های بزرگ جهت تولید توابع غیر خطی استفاده کردیم. نتایج آزمایشات بیانگر بهبود قدرت بازیابی در روش پیشنهادی است.

یکی از مسائل مهم دنیای امروز استخراج دانش از پایگاه‌داده‌های بسیار بزرگ است.داده‌کاوی این امکان را فراهم کردهاست که بتوان به‌صورت خودکار اطلاعات مفیدی را از پایگاه داده‌های بسیار بزرگ استخراج نمود. یکی از روش‌های بسیار مهم در داده‌کاوی، کاوش قوانین انجمنی می‌باشد. در سال‌های اخیر مبحث حفظ حریم خصوصی در داده‌کاوی و به‌خصوص کاوش قوانین انجمنی به شدت مورد توجه محققین قرار گرفته است. یکی از روش‌های کاوش قوانین انجمنی، کاوش سودمندی می‌باشد. مبحث حفظ حریم خصوصی در کاوش سودمندی اخیراً در محافل علمی مطرح گردیده است و تاکنون دو الگوریتم اکتشافی برای آن ارائه شده است. اگرچه این الگوریتم‌های اکتشافی به خوبی می‌توانند حریم خصوصی داده‌ها را حفظ کنند اما داده‌های تولید شده توسط این الگوریتم‌ها از کیفیت مناسبی برخوردار نیستند. مسأله یافتن راه‌حل بهینه برای پاک‌سازی پایگاه‌داده از مجموعه-آیتم¬های حساس، یک مسأله برنامه‌ریزی غیرخطی عدد صحیحمی‌باشد. در این مقاله مدل ساده شده‌ای از مسأله پاک‌سازی پایگاه‌داده ارائه شده است که یک مسأله برنامه‌ریزی خطی عدد صحیح می‌باشد و می‌توان آن را با استفادهاز روش‌های عددی حل نمود.نتايج آزمايشات ارائه شده در اين مقاله نشان مي¬دهد که مدل¬ارائه شده به طور چشم‌گیری از الگوريتم¬هاي پيشين بهتر عمل می¬کند.

براي لحاظ کردن سطوح مختلف عدم قطعيت و ناسازگاري، در فرايند چک کردن مدل، از منطق¬هاي زماني چندمقداري (روي جبرهاي شبه بولي) استفاده شده است. منطق فازي نيز نوعي منطق چندمقداري نامتناهي و پيوسته است که در حوزه¬هاي مختلف کاربرد دارد. با ترکيب منطق¬هاي زماني با منطق فازي مي¬توان مفاهيم فازي را در حوزه چک کردن مدل، وارد کرد. در اين مقاله ضمن تعريف مدل کريپکه فازي FzKripke جهت چک کردن خواص زماني روي اين مدل¬ها، منطق FzCTL* را ارائه مي¬کنيم. جهت برخورد با مشکل انفجار فضاي حالت، علاوه بر مفهوم تجريد و شبيه¬سازي دوگانه که در فرايند چک کردن مدل، مفاهيمي شناخته شده¬اند، به مفهوم تقريب روي اين منطق¬ها و مدلهاي فازي، به عنوان تکنيکی جديد پرداخته خواهد شد

افزايش تعاملات و همكاري بين اجزاي شبكه باعث افزايش وابستگي بين آن‌ها شده است. در نتيجه فعاليت‌هاي هر دارايي مستقل از ديگري نخواهد بود و به طور متقابل خرابي يكي منجر به اختلالاتي در عملكرد ديگري خواهد شد. در اين مقاله اثر خرابي دارايي‌ها بر يكديگر، با توجه به وابستگي‌‌هاي آن‌ها ارزيابي مي‌شود. به منظور نمايش انتشار خسارت از نظر محرمانگي،‌ صحت، و دسترس‌پذيري، مدل مبتني بر گراف ارائه شده است، كه در آن از انتشار ارزش به عنوان يكي ديگر از نتايج حاصل از وابستگي داراييها در محاسبه خسارت نهايي سيستم استفاده ميشود. اين انتشار با توجه به حالات مختلف وابستگي و تاثير‌پذيري دارايي‌ها از يكديگر محاسبه مي‌شوند. اين مدل مي‌تواند در كنار روش‌هاي تحليل و بررسي امنيت شبكه‌‌هاي كامپيوتري براي افزايش دقت آن‌ها به كار رود. كاربرد اين مدل در يك مثال موردي بررسي شده است.

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.