انجمن کامپیوتر ایران

در این مقاله، یک مدل جدید برای رده‌بندی چند برچسبی سلسله مراتبی ارائه شده است که نه تنها در مسایل با ساختار سلسله مراتبی درختی، بلکه در مسایل با ساختار سلسله مراتبی گرافی نیز می‌تواند مورد استفاده قرار گیرد. مدل ارایه شده، گسترش‌یافته مدل زنجیره رده‌بندها (CC) در رده‌بندی چندبرچسبی است که در آن، از سلسله مراتب داده‌شده در مساله رده‌بندی، که ارتباطات بین برچسب‌های مساله را نشان می‌دهد، در تعیین چیدمان رده‌بندها به شکل متناسب استفاده شده است. مدل ارائه شده، بر روی پنج مجموعه‌داده رایج در حوزه رده‌بندی چندبرچسبی سلسله مراتبی مورد ارزیابی قرار گرفته است. شواهد تجربی نشان می‌دهند مدل ارائه شده، بر اساس سه معیار ارزیابی رایج در این حوزه، بهتر از روش پایه CC و همچنین بهتر از روش BR عمل می‌کند.

Smart vehicles are one of the applications of the Internet of Things. Controller area network (CAN) is the standard mean for its communication. The security of CAN is important and may be prone to side channel attacks. DPA is one of such attacks, which is considered among the most serious threats against cryptographic devices. Various metrics have been proposed to evaluate the resistance of different implementations against these attacks. Some of these metrics need side-channel attacks to be conducted and depend on the considered power model. Due to the vast variety of proposed side-channel attacks and power models, comprehensively evaluating a design under these metrics is commonly considered to be a tedious task. To alleviate this situation, t-test has been proposed. The non-specific variation of t-test does not need to suppose a power model for leakage assessment. In this paper, we have evaluated three implementations of AES on an FPGA. In the first design, no side-channel countermeasure is implemented while the second and the third implementations make use of masking and shuffling, respectively. Evaluation results show that significant reduction occurs in terms of side-channel leakage when masking or shuffling is applied. Results imply that shuffling and masking are proper choices for area-restricted and time-restricted devices, respectively.

گزارش‌هاي خبري در رسانه‌هاي اجتماعي و خبري به وسيله تعداد زيادي سند ارائه مي‌شوند و شامل موضوعاتي هستند که جوامع و نظرات مختلف را در برمي‌گيرند. آگاهي از رابطه‌‌ ميان افراد در اسناد مي‌تواند به خوانندگان کمک کند تا يک دانش اوليه در‌خصوص موضوع و هدف در اسناد مختلف به‌دست آورند. در پژوهش حاضر، به بررسي مسئله‌ي تشخيص جوامعي پرداخته خواهد شد که هدف اصلي، خوشه‌بندي افرادي است که نام آن‌ها در مجموعه‌اي از اسناد خبري آورده شده است؛ اين افراد در جوامعي با مواضع مرتبط، خوشه‌بندي مي‌شوند. در اين پژوهش يک روش تشخيص جوامع موضع افراد بهبود يافته مبتني بر شبکه دوستي به نام SCIFNET ارائه شده است. روش پيشنهادي از ساختار الگوريتم ژنتيک جهت اين مهم استفاده نموده است. در آزمايش‌ها معيار صحت به منظور مقايسه استفاده شده است که براي رسيدن به اين مهم از شاخص Rand index (که يک شاخص مهم در ارزيابي کيفيت خوشه‌بندي است) استفاده شده است. نتايج حاصل از آزمايش‌ها که برمبناي پايگاه‌هاي داده‌ي واقعي (اسناد منتشر يافته در رسانه خبري گوگل نيوز در رابطه با يک موضوع خاص) به‌ دست‌ آمده‌اند، حاکي از کارآمدي و بهره‌وري مطلوب روش پيشنهادي است.

شبکه‌هاي حسگر بي‌سيم چندرسانه‌اي (WMSN) با چالش‌هاي خاص خود از جمله نياز به پهناي باند بالا، روشهاي فشرده‌سازي متنوع، تأمين کيفيت سرويس و محدوديت منابع در دسترس روبرو هستند. در اين شبکه‌ها، انتقال محتواي چندرسانه‌اي فشرده روي کانال‌هاي بي‌سيم مستعد خطا، احتمال بروز خطا را به شدت افزايش مي‌دهد. از سوي ديگر به دليل محدوديت پهناي باند کانال بي‌سيم و انرژي گره‌هاي حسگر، نمي‌توان به شکل دلخواه، حجم داده ارسالي را با داده‌هاي افزونه براي تشخيص و تصحيح خطا افزايش داد. از اين رو، کنترل خطا در WMSN از جمله مسائل چالش‌برانگيز و موضوع تحقيقات گسترده‌اي بوده است.مکانيزم‌هاي کنترل خطاي لايه‌اي به دليل محدوديت دسترسي به اطلاعات ساير لايه‌ها، عملکرد مناسبي در اين شبکه‌ها ندارند. در مقابل، مکانيزم‌هاي کنترل خطاي بين لايه‌اي موجود عليرغم بهبود کنترل خطا، محدوديت‌هاي ازدحام شبکه و مصرف انرژي را لحاظ نمي‌کنند. در اين مقاله يک روش کنترل خطاي بين لايه‌اي بهبوديافته پيشنهاد مي‌شود که با بهره‌گيري از اطلاعات بين لايه‌اي و در نظر گرفتن ترافيک و محدوديت‌هاي WMSN، به شکل پويا ميزان افزونگي در داده‌هاي کنترلي را تنظيم مي‌کند. نتايج شبيه‌سازي‌هاي انجام شده نشان مي‌دهد که روش پيشنهادي، انرژي مصرفي را کاهش داده و در عين حال کيفيت ويديوي دريافتي را در سطح قابل قبولي حفظ نموده است.

شبکه‌هاي توان پايين و پراتلاف دامنه وسيعي از برنامه‌ها، مانند اتوماسيون ساختمان، کنترل صنعتي، شهر هوشمند، بيمارستان و موارد ديگر را پوشش مي‌دهند. در شبکه‌هاي توان پايين و پراتلاف، برنامه‌ها نيازمند ارتباطات مطمئن و به صرفه هستند که بتوانند مسيريابي بسته‌ها را انجام دهند. يکي از مهم‌ترين نقش‌ها در معماري اينترنت اشيا پروتکل‌هاي مسيريابي است. IETF در سال 2012 پروتکل مسيريابي RPL را براي شبکه‌هاي توان پايين و پراتلاف استاندارد کرد. زماني‌که نود موبايل در شبکه باشد، پروتکل RPL نمي‌تواند حمايت خوبي انجام دهد و نرخ از دست رفتن بسته‌ها، تاخير و مصرف انرژي افزايش پيدا مي‌کند. امروزه برنامه‌هاي کاربردي نيازمند استفاده از پروتکل‌هايي هستند که بتوانند از نودهاي موبايل پشتيباني کنند و ارتباطات مطمئن را شکل دهند. در اين مقاله پروتکل RPL براي شبکه‌هاي با نود موبايل بهبود داده شده است تا ارتباط نود موبايل با والد خود پيوسته باشد. هم‌چنين پروتکل پيشنهادي با پروتکل RPL و mRPL بر روي پارامترهاي مصرف انرژي، تاخير دست‌دهي، نرخ تحويل بسته‌ها و سربار شبکه مقايسه شده است. نتايج بدست آمده از شبيه‌سازي با استفاده از CONTKI/COOJA، عملکرد بهتر پروتکل پيشنهادي را نشان مي‌دهد.

با گسترش شبکه‌هاي اجتماعي آنلاين و اثرات استفاده از آن در زندگي روزمره مردم، تبليغات از طريق اين رسانه‌هاي جديد در حال گسترش است. يکي از سوالات مطرح در تحليل شبکه‌هاي اجتماعي، مدل‌سازي گسترش اطلاعات و بررسي بيشينه‌سازي تاثير در ميان کاربران است. در اکثر مقالات پيشين انجام گرفته در زمينه بيشينه‌سازي تاثير در شبکه‌هاي اجتماعي، هزينه انتخاب يک کاربر به عنوان راس اوليه انتشار اثر (فارغ از ويژگي‌هاي ناهمگون کاربران همچون تعداد دوستان و يا دنبال‌کننده ) همواره يکسان تلقي شده است که اين فرض، در شبکه‌هاي اجتماعي که افراد قادر به تعيين هزينه و يا رد يک درخواست هستند، چندان منطقي نيست. در اين مقاله قصد داريم تا بيشينه‌سازي تاثير در مدل آبشاري مستقل (Independent Cascade) در شبکه‌هاي اجتماعي را در شرايطي که هزينه انتخاب راس‌هاي اوليه ناهمگون باشد، بررسي و مدل‌سازي کنيم. همچنين با انتخاب راس‌هاي اوليه با استفاده از پنج رويکرد مختلف، نحوه گسترش اثر را براي سه نوع شبکه مختلف (تصادفي، Small-World و Scale-free) نمايش داده و رويکرد صحيح انتخاب کاربران اوليه را براي بيشينه‌سازي اثرگذاري در اين شرايط روشن نماييم.

سامانه‌هاي نهفته‌ي بحراني-مختلط با به‌کارگيري اجزا با سطوح بحراني مختلف در يک بستر سخت‌افزاري مشترک، محبوبيت بسياري در صنايع هوايي و خودروسازي يافته‌اند. به‌منظور افزايش کارايي و کاهش هزينه، اين بسترها به‌سوي استفاده از چندين هسته‌ پيش مي‌روند. به دليل پردازش انبوه و طراحي عموماً مبتني بر باتري و نيز با توجه به کاهش ابعاد فناوري که خود موجب کاهش قابليت اطمينان مي‌گردد، توجه همزمان به مصرف انرژي و قابليت اطمينان در سامانه‌هاي بحراني-مختلط حائز اهميت است. در اين پژوهش راهکاري جهت نگاشت وظايف و زمان‌بندي آگاه از انرژي و قابليت اطمينان در يک سامانه‌ي بحراني-مختلط چندهسته‌اي با در نظر گرفتن سه سطح بحراني ارائه شده است. اين روش در زمان طراحي با توجه به قيود زماني و قابليت اطمينان به نگاشت و زمان‌بندي وظايف در عين کاهش انرژي مي‌پردازد. در زمان اجرا، علاوه بر کاهش هرچه بيشتر انرژي، با ارائه‌ي سناريوي تدريجي به مديريت توأمان زمان‌بندي و قابليت اطمينان در صورت رخداد سرريز در سامانه مي‌پردازد. راهکار پيشنهادي مقدار انرژي مصرفي را در فاز برون‌خط به طور ميانگين 14‌/‌5 درصد و در فاز برخط به طور ميانگين 41‌/‌5 درصد نسبت به حالت بدون اعمال DVFS کاهش مي‌دهد.

دسته‌بندي موضوعي متون يکي از مباحث پرکاربرد حوزه‌ي پردازش زبان طبيعي مي‌باشد. به همين جهت تاکنون کارهاي متفاوتي به جهت افزايش دقت در اين حوزه انجام شده‌است. بسياري از اين راهکارها بر اساس ساخت مدلي با نظارت و با استفاده از داده برچسب‌دار ارائه مي‌شود. در مواردي که داده برچسب‌دار موجود باشد، مدل‌هاي فوق عملکرد بسيار مناسبي دارند ولي در موارد بسياري چنين داده‌اي وجود ندارد و تهيه‌ي آن هزينه‌بر است. بنابراين روش‌هاي ياد شده در مواجهه با چنين شرايطي کارايي خود را از دست مي‌دهند. در اين مقاله به جهت مقابله با شرايطي که داده برچسب‌دار موجود نباشد، راهکاري مبتني بر بازنمايي بين زباني کلمات ارائه مي‌گردد که با استفاده از روش‌هاي انتخاب ويژگي و روش‌هاي دسته‌بندي ارائه شده‌است تا علاوه برحفظ دقت بالا در دسته‌بندي موضوعي، فقدان وجود داده برچسب‌دار را جبران سازد .

با توجه به مزايايي که براي شبکه‌هاي نوري ميان‌ارتباطي مراکز داده نسبت به ساختارهاي سنتي الکتريکي برشمرده مي‌شود، اين شبکه‌ها از جذابيت بيش‌تري برخوردار هستند؛ بااين‌حال در ساختارهاي اوليه‌اي که براي آن‌ها ارائه شده‌است، مسائلي مانند محدوديت مقياس‌پذيري و وجود يک نقطه‌ي خرابي مطرح است. در اين مقاله، به ارائه‌ي راه‌کارهايي براي مقاوم ساختن شبکه‌ي مقياس‌پذير توري مدور در برابر خرابي پرداخته مي‌شود. راهکار مطرح‌شده در اين مقاله، از قابليت شبکه‌ي حلقه‌ي سه‌بعدي در ارائه‌ي مسيرهاي بدون استفاده بين گره‌ها، براي ارائه ي پروتکل انتقال داده در هنگام بروز خرابي در مسير انتقال، استفاده مي‌کند. نتايج شبيه‌سازي حاکي از بهبودي در حدود 50% در ارسال موفق بسته‌هاي داده است.

مسأله یکریختی گراف‌ها از مجموعه مسائل باز از لحاظ پیچیدگی محاسباتی است که فقط تعلق آن به کلاس NP مشخص است ولی تعلق آن به P یا NP-Complete مشخص نیست. راه‌حل مسأله در زمان چندجمله‌ای هنوز ناشناخته است و لذا زمینه برای تحقیق و ایده‌پردازی فراهم می‌باشد. از این رو الگوریتم‌های چندجمله‌ای برای این مسأله جزو الگوریتم‌های ابتکاری محسوب می‌شوند. این مقاله به بررسی راه‌های تعیین یکریختی دو گراف متناهی با یکدیگر و ارائه یک روش ابتکاری جدید می‌پردازد. الگوریتمی پیشنهاد می‌شود که گراف ورودی را به یک رشته‌کد پرانتزی تبدیل می‌کند و سپس به جای مقایسه دو گراف رشته کدهای آن دو گراف با هم مقایسه می‌شوند و یکریختی یا عدم یکریختی میان آن‌ها تشخیص داده می‌شود. زمان اجرای این الگوریتم O(ne) است و در دسته الگوریتم‌های "برچسب‌گذاری کانونی " برای گراف‌های "همبند و بدون برچسب " قرار دارد. بعد از پیاده¬سازی این الگوریتم و بررسی نتایج آن مشخص شد که با عملکرد صحیح بیشتر از 99%، عدم یکریختی میان گراف‌های غیریکریخت به درستی تشخیص داده می‌شود.

پیشنهاد اقلام مطابق سلیقه مشتریان همواره مورد اهمیت بوده است و از این رو سیستم‌های توصیه‌گر به منظور افزایش کیفیت خدمات و افزایش فروش مورد توجه واقع شده‌اند. در این مقاله با استفاده از خوشه‌بندی گراف و یافتن شباهت میان کاربران سیستم توصیه‌گری ارائه شده است که ابتدا اطلاعات کاربران و اقلام را در فضای گراف مدل‌سازی می‌کند و پس از خوشه‌بندی آنها با استفاده از آموزش یک شبکه عصبی پرسپترون به ارائه پیشنهاد به کاربران می‌پردازد. نتایج بدست آمده با استفاده از سیستم پیشنهادی بر روی دادگان Movielens نشان می‌دهد که مدل پیشنهادی توانسته است نتایج بهتری نسبت به پالایش مشارکتی به روش همسایگی با معیار پیرسون بدست بیاورد.

طول عمر بالا، غیرفرار بودن، توان نشتی نزدیک به صفر، سرعت خواندن و چگالی بالا از ویژگی‌های حافظه‌های با دسترسیِ تصادفیِ مغناطیسی است که می‏‌توانند در پردازش و ذخیره‎‏سازی داده‏‌ها در کاربردهای مختلف مورد استفاده قرار گیرند. در بسیاری از این کاربردها مانند پردازش تصویر و یادگیری ماشین به دلیل اینکه بی‏دقتی محاسباتی تا حدی جایز است، می‌توان طوری از محاسبه‌ی تقریبی بهره برد که با کم‌ترین میزان خطای محاسبه، منفعت زیادی را در توان، مساحت و تاخیر به دست آورد. کمپرسور یکی از مهم‏ترین اجزا در حاصل‏ضرب جزئی برای فشرده‌‏سازی عکس است. در این مقاله ابتدا یک کمپرسور 4:2 با گشتاور انتقالی چرخشی به کمک ناهمسان‌گردی مغناطیسی کنترل شده با ولتاژ پیاده‌‏سازی شده و سپس دو طرح نادقیق برای بکارگیری آن در محاسبات تقریبی پیشنهاد شده است. نتایج شبیه‏‌سازی در سطح مدار نشان می‏‌دهد که کمپرسور مغناطیسی پیاده‏‌سازی شده در توان 2 برابر و در تاخیر 8 برابر بهبود داشته است. همچنین کمپرسورهای تقریبی نیز نسبت به طرح دقیق آن در توان و تاخیر به ترتیب تا 3.8 و 1.4 برابر کاهش داشته‏‌اند. در سطح کاربرد نیز کمپرسور تقریبی پیشنهادی را برای تعدادی از بیت‏های کم‌‏ارزش‌‏تر در فشرده‌‏سازی تصویر بکار گرفتیم و مشاهده کردیم کیفیت خروجی قابل قبول است.

در این مقاله، مدل بلوغ تعامل‌پذیری کشور به اختصار معرفی شده‌ است. عناصر اصلی مطرح در این مدل شامل سطوح بلوغ، ابعاد مورد بررسی، شاخص‌های ارزیابی و همچنین روش ارزیابی سطح بلوغ تعامل‌پذیری است. این مدل دارای ده سطح بلوغ به‌همراه شش بُعد جهت بررسی تعامل‌پذیری است. جهت بهبود کیفیت ارزیابی، ابعاد به شاخص‌هایی ملموس و قابل اندازه‌گیری در سازمان‌ها/سیستم‌های اطلاعاتی تجزیه شده است که هر یک از این شاخص‌ها در سطوح مختلف امتیازاتی را در زمینه تعامل‌پذیری به خود اختصاص می‌دهند. در نهایت با امتیازدهی به شاخص‌ها، امکان تعیین سطح بلوغ تعامل‌پذیری برای یک سازمان وجود خواهد داشت. بر مدل ارائه شده، نحوه ارزیابی تعامل‌پذیری از سه جنبه‌ی بلوغ تعامل‌پذیری بین دو سیستم اطلاعاتی/سازمان، بلوغ تعامل‌پذیری در یک سیستم اطلاعاتی و بلوغ تعامل‌پذیری در یک سازمان‌ بیان خواهد شد.

در شبکه حمل و نقل خودروهای شهری، چراغ‌های راهنمایی می‌توانند یک ابزار کارآمد برای کنترل جریان آمد و شد خوردروها، شمار خودروهای منتظر پشت چراغ راهنمایی و مدت زمان سفرهای درون شهری باشند. این مقاله بر روی بهینه‌سازی شبکه‌های حمل‌ و نقل شهری با استفاده از ‏هوش مصنوعی تمرکز دارد و برای دستیابی به زمانبندی بهینه چراغ راهنمایی، با بهره‌گیری از انواع الگوریتم‌های در حوزه یادگیری تقویتی، تقویتی عمیق و یادگیری عمیق، یک مدل ترافیکی ساخته شده است. منطق کنترل زمانی چراغ‌ها و جریان آمد و شد خودروها در مدل لحاظ گردیده است. برای دستیابی به افزایش سرعت محاسبات و بهینه نمودن سیستم، الگوریتم‌ها در فریمورک توزیع شده RAY پیاده‌سازی شده است. سه سناریو مختلف با الگوریتم‌های متفاوت Q-Learning، DQN و A3C با رویکرد سیستم‌های تکعاملی با شبیه‌سازی میکروسکوپیک یک تقاطع در نرم‌افزار SUMO مورد ارزیابی قرار گرفت. با تحلیل عملکرد سناریوها در نهایت سناریو سوم با بهره‌گیری از الگوریتم یادگیری عمیق A3C‏، منجر به کاهش 91.14% زمان انتظار نسبت به روش Q-Learning‏ و 29.32% کاهش زمان انتظار در مقایسه باروش ‏DQN‏ ‏گردید. براي مشاهده عملکرد الگوریتم برتر و بررسی انتقال‌پذیری در چارچوب یادگیري عمیق، مطالعه موردي یک تقاطع حقیقی در شهر یزد مورد آزمایش قرار گرفته است. تقاطع منتخب خیابان چمران با خیابان سلمان فارسی است.

با گسترش اینترنت و افزایش استفاده از خرید آنلاین، تحلیل تعاملات کاربران با فروشگاه‌های آنلاین برای استخراج احساسات و الگوی رفتار آن‌ها مورد توجه پژوهشگران قرار گرفته است. تردید یکی از مواردی است که ممکن است کاربر در تعامل با یک فروشگاه آنلاین به آن دچار شود و در نتیجه از خرید خود صرف‌نظر کند. با شناسایی زودهنگام تردید مشتری می‌توان اقداماتی برای رفع تردید مشتری انجام داد و از رها کردن خرید توسط مشتری پیش‌گیری کرد و معیارهایی نظیر سودآوری فروشگاه و رضایت و وفاداری مشتریان را افزایش داد. در این پژوهش، مساله تشخیص تردید مشتریان فروشگاه آنلاین به صورت ضمنی و بدون مداخله مستقیم آنها درنظر گرفته شده است و برای شناسایی تردید مشتریان، تنها از تعاملات لمسی آنها با وب‌سایت استفاده می‌شود. برای این منظور، تعاملات لمسی مشتریان در وب‌سایت یک فروشگاه آنلاین به مدت شش ماه جمع‌آوری شد. سپس با استفاده از داده کاوی و یادگیری ماشین، مدل‌هایی برای پیش‌بینی تردید مشتریان استخراج شد. درخت تصمیم با صحت 034/85 درصد به‌عنوان مدل مناسب انتخاب شد و در وب‌سایت فروشگاه پیاده‌سازی شد. سپس مدل به صورت آنلاین و در تعامل با مشتریان نیز ارزیابی شد. نتایج نشان‌دهنده دقت بالای روش پیشنهادی برای تشخیص تردید مشتریان است.

الگوریتم پس انتشار خطا رایج‌ترین الگوریتم برای آموزش بانظارت و مستقیم شبکه‌های عصبی ضربه‌ای می‌باشد. هرچند به علت ماهیت گسسته این شبکه‌ها، اعمال این الگوریتم با محدودیت‌ها و چالش‌هایی همراه است. در این مقاله یک الگوریتم یادگیری جدید مبتنی بر کدگذاری زمانی تک ضربه‌ای ارائه شده است که در آن گرادیان‌های بازگشتی را حذف کرده و از یک تقریب خطی برای محاسبه مشتق تابع فعالیت نورون‌های ضربه‌ای استفاده می‌کنیم. به منظور حذف گرادیان‌های بازگشتی، تابع خطای هر لایه به صورت جداگانه محاسبه شده و سپس با اعمال الگوریتم کاهش گرادیان، پارامترهای آن لایه به روز رسانی می‌شوند. همچنین به منظور کاهش حجم محاسبات، مدل نورونی خطی تکه‌ای را پیشنهاد داده‌ایم و از یک روش کدگذاری زمانی استفاده کرده‌ایم به گونه‌ای که هر نورون حداکثر یک بار اجازه آتش دارد. الگوریتم پیشنهادی برای آموزش یک شبکه عصبی ضربه‌ای کانولوشنی استفاده شده است و با بررسی بر روی پایگاه داده MNIST نشان داده شده که این الگوریتم قابلیت پیاده‌سازی در ساختارهای عمیق شبکه‌های عصبی ضربه‌ای را دارد.

مدیریت بهره‌وری در محیط‌های هوشمند یکی از مسائل پر اهمیت و مورد توجه است؛ که با تلفیق با سایر چالش‌های پیش‌رو همانند «بهینه‌سازی مصرف انرژی»، این امر مهم‌تر از قبل می‌گردد. اطلاع از شرایط محیط‌های داخلی و خارجی، درجه اهمیت آنها و همچنین محدودیت‌های زیربخش‌های آن می‌تواند در کنترل و مدیریت آنها کمک شایانی نماید. در این مقاله سعی بر آن شده است پارامترها و شرایط محیطی با توجه به جایگاه و اولویت آنها رده‌بندی شود. سپس با توجه به شرایط پیش‌رو در بکارگیری بسترهای رصد، پردازش و تصمیم‌ساز IOT در محیط‌های متنوع دانشگاه، تلاش به هوشمندسازی آنها نموده است. تمرکز اصلی این پژوهش، در نظر گرفتن پارامترهای درگیر و تأثیرگذار و همچنین درجه اهمیت آنهاست؛ که علاوه بر مدیریت بهره‌وری و مصرف انرژی تجهیزات و حسگرهای آنها، بتوان در مدیریت کارایی و مصرف توانی قسمت‌های مختلف دانشگاه هوشمند بهره جست. برای مطالعه موردی، مصرف الکتریکی یک دانشکده، قبل و بعد از بکارگیری و استقرار این بستر مورد بررسی و مقایسه قرار گرفته و بهینگی و نتایج «بهینه‌سازی مصرف انرژی» حاصل، ارائه شده است.

پیدا کردن کوتاه‌ترین مسیر برای مشاهده یک شیء یک مسأله پر‌کاربرد در هندسه محاسباتی است. از جمله کار‌بردهای آن می‌توان به وضعیتی که دیدن یا دیده شدن توسط شیء هدف اهمیت دارد اشاره کرد. به عنوان مثال هنگامی که بخواهیم با شی‌ء هدف ارتباط برقرار کنیم یا آن را بازرسی کنیم؛ با این شرط که نحوه ارتباط با شیء هدف به صورت خط دید باشد. نقطه مبدأ s را در یک ناحیه چندضلعی P با h-1 مانع در نظر بگیرید. می‌خواهیم با انجام پیش‌پردازش بر روی ورودی، کوتاه‌ترین مسیر از نقطه s به نقطه دلخواهی در P را پیدا کنیم؛ به طوری که پاره‌خط دلخواه l از آن نقطه قابل دیدن باشد. برای حل این مسأله در این مقاله ما دو راه حل ارائه کردیم. در راه حل نخست با صرف زمان پیش‌پردازش O(n4+ɛ) مسأله در زمان O(nh) قابل حل خواهد بود. در راه ‌حل پیشنهادی دوم با افزایش زمان پیش‌پردازش به O(n8) توانستیم مسأله را در زمان O(logn) حل کنیم.

همه‌گیری ناشی از کرونا ویروس جدید (کووید-19) بحرانی سراسری را به وجود آورده که تمام کشورهای جهان را درگیر کرده است. این بیماری به دلیل ناشناخته بودن، قدرت شیوع بسیار بالا و عدم قابلیت رهگیری مبتلایان به خطری جدی برای همگان تبدیل‌شده است که دولت‌ها را مجبور به اعمال انواع سیاست‌ها و پروتکل‌های پیشگیرانه در این حوزه نموده است. اولین قدم مشترک در تمام این سیاست‌ها، تشخیص بیماری است؛ تشخیص دقیق، سریع و کم‌هزینه امری است که بیشترین اهمیت را در مقابله با کووید-19 دارد. در سال‌های گذشته استفاده از هوش مصنوعی به‌عنوان یکی از روش‌های کمک تشخیصی، کمک شایانی در حوزه‌های مختلف علوم پزشکی داشته است. در همین راستا یادگیری عمیق در سال‌های اخیر بیش‌ازپیش مورد توجه پژوهشگران بوده و تاکنون معماری‌های گوناگونی برای آن ارائه شده است. با توجه به این موضوع استفاده از تکنیک‌های یادگیری عمیق در تشخیص دقیق بیماری کووید-19 می‌تواند راهگشا باشد. در این مقاله ضمن مقایسه و ارزیابی برخی معماری‌های یادگیری عمیق نظیر VGG19، InceptionV3، ResNet50 در تشخیص کووید-19 با استفاده از تصاویر سی‌تی‌اسکن ریه، یک مدل پیشنهادی بر اساس ترکیب دو معماری InceptionV3، ResNet50 ارائه شده است. یافته‌ها حاکی از آن است که مدل پیشنهادی نسبت به سایر روش‌ها دقت بالاتری دارد.

شبکه‌های بین خودرویی فناوری‌های نوظهوری هستند که عملکردشان وابسته به در دسترس بودن اطلاعات دقیق و به‌روز وسایل نقلیه است. وسايل نقلیه‌اي که اطلاعات‌ غیرعادي منتشر می‌کنند مي‌توانند در عملکرد شبکه‌ی بین خودرویی اختلال ايجاد کنند. بنابراین تشخیص چنین بدرفتاری‌هایی برای حفظ امنیت شبکه‌ی بین خودرویی در برابر مهاجمان، حیاتی است. در اکثر طرح‌های تشخیص بدرفتاری گذشته توجه کمی به استفاده از ویژگی‌های نظریه‌ی جریان ترافیک شده است. توجه به این نظریه می‌تواند ابزاري قوی برای ارزیابی صحت اطلاعات زمینه‌ی منتشرشده در شبکه‌ی بین خودرویی فراهم کند. برای بهبود چالش‌های طرح‌های تشخیص بدرفتاری گذشته، ما استفاده از نظریه‌ی جریان ترافیک را برای تشخیص بدرفتاری‌های ناشی از ارسال اطلاعات غیرعادی در شبکه‌های بین خودرویی پیشنهاد می‌کنیم. در طرح پیشنهادی، علاوه بر واحد‌های کنار جاده‌ای، واحد‌های محاسباتی روی وسایل نقلیه نيز به‌عنوان منابع قابل‌اطمینان اطلاعات در نظر گرفته مي‌شوند که این موضوع به کاهش هزینه‌های ناشی از پیاده‌سازی سراسری واحدهای کنار جاده کمک می‌کند. نتایج ارزیابی این طرح در انواع شرایط ترافیکی و با تعداد مختلف گره‌های مخرب نشان‌دهنده‌ی کاهش نرخ هشدار‌های کاذب و بهبود دقت تشخیص است.