انجمن کامپیوتر ایران

‏در یادگیری تقویتی از آنجایی که کل پاداش دریافتی عامل در طول زندگی نه در پایان آن اهمیت دارد، یافتن روش‌هایی که بتواند مقدار پشیمانی را کاهش و سرعت همگرایی به سیاست بهینه را افزایش دهد، حائز اهمیت است. اگر عامل مدل محیط را از قبل بداند با کاوش در آن مانند روش‌های برنامه‌ریزی پویا، می‌تواند سیاست بهینه را بدون تقبل خسارتی بیاید، ولی در مسائلی که در این زمینه با آن روبه رو هستیم این فرض تقریبا غیرممکن است و عامل باید با کسب تجربه از محیط، یادگیری خود را بهبود بخشد. ما در این پژوهش توسط الگوریتم یادگیری مبتنی بر مدل تخمینی‏، از تجربه‌های عامل برای تخمین مدل محیط استفاده می‌کنیم و این مدل که رفته رفته به دقت آن افزوده می‌شود جهت تصمیم‌گیری بهتر در حین زندگی عامل به کار گرفته می‌شود. سیاست تصمیم‌گیری عامل را در دو حالت ε-greedy‏وgreedy‏ براساس مقدار خوش‌بینانه ارزش‌های تخمینی قرار دادیم. نتایج نشان دادند که ‎‏الگوریتم مبتنی بر مدل تخمینی با سیاست ε-greedy علاوه بر این‌ که ‏سرعت یادگیری بیشتری در مقایسه با سیاست greedy براساس مقدار خوش‌بینانه ارزش‌های تخمینی دارد‏، زمان اجرای آن نیز به شدت کمتر است‏. همچنین در مقایسه با یادگیری ‎TD‎(‎λ)هم سریع‌تر است.

در پي گسترش روزافزون شبکه‌هاي رايانه‌اي، محققان به فکر طراحي راهکارهاي نوين براي بهينه‌سازي اين ارتباطات افتاده‌اند؛ در اين زمينه، به‌علت وجود بخش کنترلي پيچيده روي سوئيچ‌ها و مسيرياب‌ها، نبود مکانيسم‌هاي بهينه کنترلي به چالش بزرگي تبديل‌ شده است. بدين منظور، بخش انتقال داده و کنترل در شبکه‌هاي سنتي جدا شده و هر گونه عمليات کنترلي به يک کنترل‌کننده منطقاً متمرکز داده‌ شده است. به اين شبکه‌ها، شبکه‌های نرم‌افزارپذیر گفته مي‌شود. براي طراحي توپولوژي بخش کنترلي، دو نوع کنترلر متمرکز و توزيع‌شده بکار مي‌رود. وجود خرابي فروپاشی در این نوع شبکه‌ها منجر به بروز اختلال در ارتباط اجزاء با کنترلر مي‌گردد. به همين دليل، بهبود قابلیت اطمینان و به‌خصوص تحمل‌پذيري خطا بسيار حائز اهميت مي‌باشد. در این پژوهش، کنترل کننده‌های توزیعی کامل و سلسله‌ مراتبي مورد بررسي قرار گرفته و یک مدل قابلیت اطمینان بهبود‌یافته ارائه گردیده است. شبکه نرم‌افزار پذیر توزیع‌شده با استفاده از نرم‌افزار ONOS طراحی گردیده و مدل قابلیت اطمینان براساس توابع توزیع وایبول و نمایی با استفاده از نرم‌افزار SHARPE محاسبه شده‌ است. نتایج حاصل از شبیه‌سازی بیانگر بهبود قابلیت اطمینان در کنترل کننده‌های توزیع‌ شده بوده و مدل پیشنهادی برای تشخیص خرابی‌هایی مانند بیزانتین نیز می‌تواند بکار برده‌ شود.

شبکه‌های عصبی با معماری عمیق یکی از موفق‌ترین ابزارهای تشخیص الگو ازجمله بازشناسی دست‌نوشته هستند. در این مقاله یک شبکه‌ی عصبی مصنوعی با معماری عمیق به‌منظور بازشناسی دست‌نوشته فارسی معرفی می‌شود. برای این منظور، مجموعه‌ای از نمونه‌های دست‌نوشته‌ فارسی در قالب داده‌های برداری جمع‌آوری گردید و بر اساس استروک‌های رایج در رسم‌الخط فارسی برچسب‌گذاری شد. سپس در آموزش یک شبکه‌ی عصبی عمیق سه سطحی مورداستفاده قرار گرفت. نتایج روش پیشنهادی با روش قدس و همکاران در تشخیص دست‌نوشته فارسی مورد مقایسه قرار گرفت. همچنین برای اولین بار، سیستم تشخیص دست‌نوشته‌ی فارسی گوگل برای مقایسه‌ی نرخ تشخیص سامانه مورد استفاده قرار گرفت و روش پیشنهادی کارایی مطلوبی به نمایش گذاشت.

ویژگی همه‌پخشی رسانه بی‌سیم باعث افزایش تداخل فرکانسی بین گره های مجاور شده و در نتیجه موجب نرخ گذردهی کمتر در مقایسه با شبکه‌های سیمی می‌شود. یک رویکرد مهم برای بهبود ظرفیت در این شبکه‌ها، کدینگ شبکه برون جریانی است که بسته‌های متعلق به نشستهای متفاوت را با یکدیگر ترکیب کرده و اطلاعات بیشتری را در قالب بسته های کد شده در لینک‌های گلوگاه شبکه ارسال می‌کند. در این مقاله کدینگ شبکه با وجود یک MAC غیر ایده‌آل (لینک‌های خطادار) مورد توجه قرار گرفته است. هدف از این کار بررسی حساسیت کدینگ به کیفیت ارسال لینک‌هاست. در واقع با اینکه فرآیند کدینگ تعداد ارسال‌ها را کاهش می‌دهد اما به طور شهودی به نظر می‌رسد که حساسیت گره ها را نسبت به گم شدن بسته‌ها افزایش دهد زیرا بسته‌های کد شده‌ی حاوی اطلاعات بیشتری نسبت به بسته‌های معمول هستند. نتایج ارزیابی نشان می‌دهد که بعضی از ساختارهای کدینگ نظیر آلیس-باب در حالت خطادار بودن شبکه هم از مسیریابی معمول عملکرد بهتری دارند. اما در مورد دیگر ساختارها مشخص شد که کدینگ برای خطای پایین‌تر از 0.1 عملکرد بهتری از مسیریابی دارد و در حالت خطای بالا عملکرد مسیریابی استاندارد بهتر از کدینگ است.

روش‌های انتخاب نمونه به دنبال کاهش نیازمندی‌های حافظه، بهبود عملکرد دسته‌بندها و کاهش زمان محاسباتی برای الگوریتم‌های یادگیری مبتنی بر نمونه هستند. اکثر این روش‌ها، تلاش می‌کنند بهترین زیرمجموعه از نمونه‌ها را برای الگوریتم‌های یادگیری ماشین، انتخاب کنند. ما در این مقاله، یک روش انتخاب نمونه را معرفی می‌کنیم که FFP-IS نام دارد. این روش مبتنی بر الگوهای فازی نادر است که در نمونه‌های مرزی قرار دارند. هدف اصلی این الگوریتم این است که نمونه‌های نزدیک به مرز تصمیم‌گیری بین کلاس‌ها حفظ و سایر نمونه‌ها حذف شوند. ما روش پیشنهادی را با تعدادی از معروف‌ترین الگوریتم‌های انتخاب نمونه مورد مقایسه قرار داده‌ایم. برای ارزیابی عملکرد روش پیشنهادی از الگوریتم دسته‌بند KNN استفاده شده است. در آزمایش‌های انجام‌شده، تعدادی از مجموعه داده‌های موجود در مخزن داده‌ای UCI را مورد بررسی قرار داده‌ایم. نتایج به‌دست‌آمده نشان می‌دهد که روش پیشنهادی حدود 90 درصد از نمونه‌های هر مجموعه داده را کاهش می‌دهد و دارای بهترین میانگین دقت نسبت به سایر روش‌ها است. در واقع می‌توان گفت این روش، نمونه‌های مرزی مناسب را انتخاب می‌کند.

در شبکه‌های موری سیار مسيريابی و تبادل اطلاعات بين گره‌ها با همکاري خود گره‌ها با يکديگر صورت مي‌گيرد. بنابراین مسيريابی يکی از اجزای اساسی اين شبکه‌ها است. انرژی مصرفی نیز موضوع مهمی است که در این شبکه‌ها باید مورد بررسی قرار بگیرد تا بتوانیم شبکه‌ای با طول عمر بیشتر و کارایی بهتر داشته باشیم. در اين تحقیق از الگوریتم مسیریابی DSR به عنوان مسیریابی پایه استفاده شده، عملکرد الگوریتم‌های مختلف بر مبنای انرژی مصرفی را بررسي کرده و در نهایت یک الگوریتم پیشنهادی با مصرف توان بهینه ارائه داديم. ما ايده پيشنهادي را در الگوريتم پاية MEER توسط نرم‌افزار NS2 پياده سازي و الگوريتم خود را با دو الگوريتم مسيريابي چندپخشيEPAR و D-DSR و الگوريتم پايه MEER مقايسه كردیم¬ و نتايج خوبی در زمينة کاهش مصرف انرژي، كاهش تأخير انتها به انتها و افزايش نرخ تحويل بسته¬ها به مقصد بدست آوردیم. در الگوریتم پیشنهادی با افزایش تعداد و زمان توقف گره‌ها انرژی مصرفی الگوریتم پیشنهادی نسبت به سایر الگوریتم‌ها کاهش یافته و طول عمر شبکه بیشتر می‌شود. با افزايش بيشينه سرعت گره‌ها در هر سه الگوريتم ميانگين تأخير انتها به انتها افزايش مي‌يابد، در الگوريتم پیشنهادی نسبت به ديگر الگوريتم ها تأخير انتها به انتها در الگوريتم پيشنهادي کمتر از الگوريتم هاي ديگر است. همچنین با افزايش زمان توقف گره‌ها تاخير انتها به انتها كاهش مي‌يابد كه اين امر در الگوريتم پيشنهادي شيب بيشتري دارد.

بازیابی تصویر مبتنی بر محتوا، یکی از مهم‌ترین روش‌های موجود برای بازیابی خودکار تصاویر می‌باشد. در دهه اخیر به منظور نزدیکتر شدن سامانه‌های بازیابی تصویر به محتوای معنایی تصاویر، از روش‌های یادگیری کوتاه‌ مدت و بلند‌ مدت به صورت همزمان استفاده شده است. در این مقاله، رویکرد جدیدی در یادگیری کوتاه مدت مبتنی بر ماشین بردار پشتیبان و یادگیری فعال ارائه شده که در ترکیب با یک تکنیک یادگیری بلند مدت مبتنی بر الگوهای معنایی، دقت بازیابی را به طور موثری افزایش داده است. در این روش، مرز تصمیمگیری در ماشین بردار پشتیبان با استفاده از اطلاعات تصاویر مرتبط و نامرتبط تصحیح میشود. از آنجا که تعداد این تصاویر برای آموزش کم میباشد، از یک تکنیک یادگیری فعال برای انتخاب نمونه‌ها به صورت هدفمند استفاده شده است. همچنین الگوهای معنایی بر پایه اطلاعات این تکنیک یادگیری کوتاه مدت، استخراج شده و در صورت مفید بودن در بهبود نتایج بازیابی در پرس و جوهای آینده استفاده میشوند. روش پیشنهادی در یک پایگاه تصویر شامل 5000 تصویر آزموده شده است. نتایج آزمایشها، برتری روش پیشنهادی و ادغام موثر تکنیک یادگیری کوتاه مدت پیشنهادی با تکنیک یادگیری بلند مدت را نسبت به روش‌های یادگیری کوتاه مدت متداول نشان می‌دهد.

با افزایش روزافزون حجم داده‌های موجود در اینترنت، پیدا کردن مطلب موردنظر دشوارتر می¬شود. اغلب کاربران دنبال روشی هستند که بتوانند با سرعت بالایی مطالب دلخواه خود را مشاهده کنند. با گسترش استفاده از شبکه‌های اجتماعی و به اشتراک گذاشتن مطالب در آن‌ها پیدا کردن مطالب موردعلاقه از بین سیل عظیم اطلاعات دشوار به نظر می¬رسد. وظیفه¬ی سیستم‌های توصیه¬گر، توصیه¬ی مطالب یا کالاهایی به کاربر است که احتمال می¬دهد مورد دلخواه او باشد. در این مقاله سعی می‎کنیم تا با استفاده از دانش پردازش زبان طبیعی، اطلاعات معناداری را از کامنت‎های کاربران در شبکه‎های اجتماعی ویدئویی استخراج کنیم و از این اطلاعات برای بهبود سیستم‎های توصیه‎گر این شبکه‎های اجتماعی استفاده کنیم. این اطلاعات را با استفاده از معیارهای شباهت و از شباهت بین کامنت‎های ویدئوها به‎دست می‎آوریم. نتایج به‎دست آمده نشان دهنده تاثیر مثبت استفاده از این روش در سیستم توصیه‎گر و وجود ارتباط مناسب بین محتوای کامنت‎های کاربران با محتوای ویدئوها است.

صرع شایع‌ترین اختلال عصبی است که افراد زیادی در سراسر جهان به آن مبتلا هستند. تشنج‌های مکرر و ناگهانی ناشی از صرع خطرناک هستند و ممکن است زندگی فرد را تهدید کنند، به همین دلیل پیاده‌سازی سیستم‌هایی که بتوانند وقوع تشنج را قبل از روی دادن آن پیش‌بینی کنند به بیماران صرعی کمک شایانی خواهد کرد. جهت تشخیص تشنج صرع، تجزیه و تحلیل الگوهای سیگنال EEG (Electroencephalogram) رویکردی بدون مداخله است. برای این تجزیه و تحلیل به منظور استخراج یک سری ویژگی از سیگنال EEG و بکارگیری در سیستم‌های خودکار پیش‌بینی تشنج، روش‌های مختلفی وجود دارد. در این مقاله تمرکز آزمایش‌ها بر روی آن است که آیا مجموعه ویژگی‌های انتروپی طیفی، بعد فراکتال هایوچی، مدل رگرسیو خودکار، و قدرت باند که در تشخیص بیماری اسکیزوفرنی صحت خوبی داشته‌اند (در کنار ویژگی‌های ساده‌ای مثل واریانس و ضریب همبستگی) در پیش بینی وقوع تشنج صرع هم خوب عمل می‌کنند؟ در این تحقیق به جای استفاده از مجموعه داده‌های مرسوم دانشگاه‌های بُن و فرایبورگ، از مجموعه جدیدتر در سایت کگل استفاده شده است. آزمایش‌ها نشان دادند که این ویژگی‌ها در شناسایی حمله صرع موثر بوده و بالاخص به صورت مجزا، ویژگی رگرسیو خودکار و در ترکیبات دوتایی، ترکیب رگرسیو خودکار با قدرت باند، و در ترکیبات سه تایی نیز ترکیب رگرسیو خودکار، قدرت باند و ضریب همبستگی بهترین نتایج را می‌دهند اما افزودن دیگر مجموعه ویژگی‌های فوق به این سه مجموعه سازگار نبوده و باعث کاهش صحت تشخیص می‌شوند.

تجهیزات الکتریکی و الکترونیکی بطور فزاینده‌ای به یک محصول اقتصادی و فردی از جامعه تبدیل شده‌اند. در نتیجه، حفاظت از سلامت انسان و محیط‌زیست از اثرات مضر مرتبط با حمل نامناسب و دفع چنین محصولات و تجهیزاتی، از چشم‌اندازهای چالش‌برانگیز در مدیریت شهری محسوب می‎‌گردد. مدیریت پایان عمر تجهیزات فناوری اطلاعات و ارتباطات به منظور حمایت از محیط‌زیست، حفظ تامین مواد اولیه و نیز لزوم توجه به پتانسیل اقتصادی فراوان چرخه بازیافت در اشتغال زایی و سودآوری، امری ضروریست که در کشورهای خاورمیانه نادیده گرفته شده است. در این تحقیق به بررسی روش‌های مختلف مدیریت هوشمند ضایعات الکترونیک در راستای توسعه استاندارها، بالا بردن سطح آگاهی و همکاری با صنعت فناوری اطلاعات و ارتباطات در جهت مقابله با مشکلات روبه رشد وابسته به ضایعات الکترونیکی پرداخته شده است. در همین راستا با معرفی و امکان سنجی پیاده سازی اینترنت اشیا گامی مهم در حل راهبردی چالش‌های مدیریتی ضایعات شهری برداشته شده است.

هدف پژوهش حاضر، بررسی تأثیر استفاده از ابزارهای نوظهور فناوری اطلاعات و ارتباطات بر کیفیت زندگی شهری در میان دانشجویان دانشگاه‌های شهر تهران است که با استفاده از شاخص‌های سنجش استفاده‌ی مؤثر از ابزارهای فناوری اطلاعات و نیز شاخص‌های کلیدی سنجش کیفیت زندگی شهری، به روش پیماشی و بر مبنای حجم نمونه‌ی استخراجی از فرمول کوکران، با جمع آوری 389 پرسشنامه به طور تصادفی از دانشجویان 22 دانشگاه شهر تهران بدست آمده است. همچنین برای سنجش همبستگی میان متغیرها از روش های تحلیل آماری پیرسون و اسپیرمن استفاده شده است. نتایج بدست آمده از تحقیق بیانگر عدم وجود رابطه معنادار میان استفاده از ابزارهای نوظهور فناوری اطلاعات و ارتباطات، و کیفیت زندگی شهری می‌ باشد. همچنین تحلیل های صورت گرفته روی داده‌ها، حکایت از همبستگی مثبت میان استفاده از ابزارهای نوظهور فناوری اطلاعات و ارتباطات، و احساس امنیت، رضایت و آسایش ناشی شده از استفاده‌ی آنها دارد. حسب یافته‌های پژوهش در خاتمه نیز پیشنهاداتی در مورد تغییر زاویه نگاه به مسئله‌ی استفاده‌ی روز افزون از ابزارهای نوظهور فناوری اطلاعات و ارتباطات مطرح شده است که می‌تواند به پیشبرد مطالعات آتی پیرامون این موضوع در ایران کمک نماید.

محدودیت انرژی و ازدحام بالای گره‌ها بر سر تصاحب کانال فرکانسی، دو مشکل عمده شبکه‌های حسگر بی‌سیم است. محدودیت طیف بدون مجوز باعث گردیده تا فناوری رادیوی شناختگر به منظور استفاده از طیف مجوزدار در شبکه‌های حسگر بی‌سیم مطرح شود. از سوی دیگر مسیریابی فرصت‌طلبانه در شبکه‌های حسگر بی‌سیم مورد توجه قرار گرفته است تا با استفاده از ذات همه‌پخشی رسانه‌های بی‌سیم، گذردهی بالاتر با مصرف انرژی کمتر را به ارمغان آورد. در این مقاله با ترکیب دو تکنولوژی مسیریابی فرصت‌طلبانه و رادیو شناختگر تلاش شده است تا یک پروتکل مسیریابی آگاه از انرژی با هدف بهبود نرخ تحویل و تعدیل مصرف انرژی در شبکه‌های حسگر بی‌سیم ارائه شود. عملکرد پروتکل پیشنهادی با یک پروتکل پیشین مقایسه شده و نتایج آن در محیط شبیه‌سازی شده، حاکی از کاهش متوسط و واریانس مصرف انرژی شبکه در عین بهبود نرخ هدایت بسته‌ها نسبت به راهکار پیشین است.

رادارهای سار (SAR ) یكی از ابزارهای تصویربرداری در شرایط مختلف آب‌ و هوایی در كاربردهای نقشه‌برداری، نظامی، منابع زمینی و عمرانی می‌باشند. در سال‌های اخیر یک رادار جدید، جهت ثبت ویدئو اشیا در حالت حركت با توسعه رادارهای سار به نام ویدئوسار یا به‌اختصار ویسار (ViSAR ) ارائه‌شده است. یكی از چالش‌های اساسی تصاویر سار، وجود نویز ضربه در این تصاویر است. بدون شك با توجه به وجود این نویز در ویدئو سار نیاز است تا رفع نویز در این داد‌ها نیز انجام گیرد. در این مقاله چهار فیلتر مختلف رفع نویز در تصویر برای اعمال روی داده‌های ویدئویی ویسار ارزیابی شده‌اند. برای این منظور سه رویكرد رفع نویز فریم به فریم، میانگین‌گیری در بعٌد زمان و استفاده از بلاك‌های سه‌بعدی جهت اعمال بر روی داده‌های ویدئویی پیشنهاد شده‌است. جهت ارزیابی نتایج، از داده‌های واقعی رادار ویسار استفاده ‌شده و از شاخص‌های متداول بررسی كارایی روش‌‌های رفع نویز جهت مقایسه روش‌ها بهره گرفته‌شده است. نتایج به‌دست‌آمده نشان می‌دهد كه رویكرد میانگین‌گیری کارایی مناسبی نداشته و رویکرد سه‌بعدی نیز کارایی نزدیک به رویکرد فریم به فریم داشته است.

تعیین شدت قطبیت نظرات کوتاه (نظرکاوی مبتنی بر جنبه)، یکی از حوزه‌های پژوهشی مهم در طول چند سال گذشته است. با توجه به تفاوت‌های ساختاری، نحوی و معنایی، چالش‌های زیادی در این زمینه وجود دارد. از جمله‌ی این چالش‌ها، وجود سه طبقه‌ی اصلی از تعدیل کننده‌ها یعنی نفی‌ها، تقویت کننده‌ها و تضعیف کننده‌ها، می‌باشد که می‌توانند قطبیت و شدت احساس متن‌های همجوار خود را تحت تاثیر قرار دهند. یکی دیگر از این چالش‌ها این است که عمدتاً به دلیل کلمات و همرخدادی بسیار محدود در متن، استفاده از دسته‌بندهای بانظارت (مبتنی بر فرکانس کلمه) برای این نوع متن با مشکل مواجه است و نمی‌تواند فضای بردار ویژگی و رابطه‌ی بین کلمات و اسناد را به خوبی نشان دهد. در این مقاله، یک مدل بانظارت نظرکاوی مبتنی بر جنبه‌ی 5 ستاره برای طبقه‌بندی معنایی نظرات به زیر کلاس‌های: بسیار ضعیف، ضعیف، متوسط، بسیار خوب و خوب، پیشنهاد می‌شود. بدین منظور، از دسته‌بند جنگل تصادفی استفاده شده است. روش پیشنهادی شامل چندین گام پیش¬پردازش و بهبود بردار ویژگی (همگون‌سازی کلمات نظر هم قطب و شرح قواعدی برای انتقال شدت احساس تعدیل کننده‌ها به همسایه‌ها) است و بنا به دانش نویسنده، این تحقیق در این زمینه، در زبان فارسی پیشگام می‌باشد. بررسی‌های انجام شده از مقایسه‌ی روش پیشنهادی با دسته‌بند پایه‌ی جنگل تصادفی و دسته‌بندها و روش‌های دیگر، نشان از بهبود نتایج و موثر بودن مدل پیشنهادی دارد.

در20 سال اخیر با پیشرفت تکنولوژی‌های تولید، ذخیره‌سازی و پردازش داده‌ها، شاهد انقلابی در رشد داده‌های ذخیره شده در جهان هستیم. این حجم عظیم داده‌ها دارای پتانسیل فراوانی برای کشف دانش می‌باشند، اما روش‌های کلاسیک آماری و یادگیری ماشین از نظر عملی برای این حجم زیاد داده‌ها پاسخگو نیستند. در راستای پردازش کلان‌داده چهارچوب‌ها و روش‌های مختلفی ارائه شده‌اند، اما به دلیل ساختار متفاوت داده‌ها و کاربردهای مختلف آنها، معمولا در هر کاربرد علاوه بر استفاده از روش‌های موجود، نیازمند ارائه‌ی روش‌های خاصی برای آن کاربرد نیز هستیم. در این مقاله مسئله انجام فرآیند پردازش کلان‌داده در عمل، برای دسته‌ای از داده‌های فضایی‌زمانی که توسط سنسورهای مکانی ثبت شده‌اند می‌باشد. خروجی این پردازش، میزان روابط افراد مختلف با توجه به تاریخچه‌ی حرکتی آنها می‌باشد که در آخرین مرحله از فرآیند، سیستم می‌تواند با دریافت شناسه‌ی هر فرد، لیستی از مرتبط‌ترین افراد به او را به صورت مرتب شده برگرداند. این فرآیند به دلیل پیچیدگی‌هایی که دارد به بخش‌های کوچکتری شکسته شده است. یکی از زمانبرترین بخش‌های این فرآیند مربوط به یافتن نقاط توقف است. هدف از این تحقیق پیاده‌سازی سامانه‌های کلان‌داده برای حل این مسئله می‌باشد. در این تحقیق الگوریتم پیدا کردن نقاط توقف با استفاده از چهارچوب Apache Spark و تغییر در روش محاسبه به گونه‌ای تغییر داده شده است که امکان اجرای آن به صورت توزیع شده یا بر روی یک کامپیوتر وجود دارد و در هر کدام از حالت‌های توزیع شده و غیر توزیع شده، الگوریتم این قابلیت را دارد که متناسب با تعداد هسته‌های اختصاص داده شده، سرعت پردازش را افزایش دهد. بر اثر این تغییر در الگوریتم پیدا کردن نقاط توقف، زمان اجرای الگوریتم با تحمل خطایی کمتر از ۰.۱ درصد حدود ۹۹.۹ درصد کاهش یافت. در این بهبود استفاده از حافظه‌ی داخلی و دیسک کاملا ثابت مانده است و تعداد هسته‌های پردازنده از ۱ هسته (روی رایانه با پردازنده‌ی ۴ هسته‌ای) به ۸ هسته افزایش یافته است.

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.