انجمن کامپیوتر ایران

چندپخشی یکی از اساسی‌ترین نیاز‌های شبکه‌های حسگر بی‌سیم است که در آن داده‌ها برای تمامی گره‌های شبکه ارسال می‌شوند. بسیاری از کاربردها در زمان‌هایی از کار شبکه، نیازمند ارسال چندپخشی هستند.در تعداد زیادی از کارهای انجام شده در زمینه‌ی ارسال چند پخشی، فرض شده که گره‌های شبکه همیشه بیدار هستند. در حالی‌که در شبکه‌های حسگر بی‌سیم، برای صرفه‌جویی در مصرف انرژی و افزایش طول عمر شبکه، گره‌ها بین حالت خواب و بیداری سوئیچ می‌نمایند و این عمل ارسال داده پخشی را دشوار می‌کند. در این مقاله، ما مساله پخشی را با درنظر گرفتن حالت خواب و بیداری گره‌ها، مبتنی بر سیستم حدنصاب، مورد بررسی قرار می‌دهیم و روش‌هایی را ارائه می‌کنیم که بتواند تعداد دفعات ارسال داده پخشی و همچنین تاخیر آن را کاهش دهد. روش‌های ارائه شده را توسط انجام شبیه‌سازی‌های متعدد بررسی کرده‌ایم. نتایج شبیه‌سازی نشان داده است که پیشنهاد‌های ارائه شده در این مقاله نسبت به کارهای مشابه انجام شده کارایی بهتری را فراهم می‌کند.

با استفاده از شبکه هاي بزرگ وپيچيده امنيت شبکه به يک مسئله مهم تبديل شده است . در اين مقاله يک نظريه مرکز عمليات امنيت شبکه بر اساس تکنولوژي همبستگي هشدارهاي چند حسگر از نقطه نظر امنيت شبکه معرفي شده است. همبستگي هشدار يک فرآيند است که هشدارهاي توليد شده توسط يک يا تعداد بيشتري سيستمهاي تشخيص نفوذ را تجزيه وتحليل مي کند و يک نماي سطح بالا و موثرتر از تلاشهاي نفوذ يا نفوذ اتفاق افتاده فراهم مي کند.معماري پيشنهادي در اين مقاله متشکل از چندين لايه است که عبارتند از: 1- لايه تجهيزات امنيتي شبکه 2- لايه داده 3- لايه ارائه و منطق امنيت 4- لايه کاربر. همبستگي هشدارها در معماري پيشنهادي بصورت يک فرآيند مي باشد کهشامل يک مجموعه جامع از مولفه ها و يک ابزار همبستگي زمان واقعي مبتني بر اين مدل مي باشد و قادر است تعدادي از مجموعه داده هاي متفاوت را در زمان واقعي پردازش کند. براي شناسايي اينکه چگونه هر مؤلفه به اهداف کلي همبستگي کمک مي کند و عملکرد زمان واقعي همبستگی را معتبر مي سازد، اين ابزار روي تعدادي از مجموعه داده هاي تشخيص نفوذ اعمال شده است. فرآيند همبستگي مورد بحث، قادر است تا هشدارهاي شبکه هاي واقعي را پردازش کند و قدرت کافي براي حملات انکار خدمت و موقعيتهايي که شبکه تحت حملات سنگين قرار مي گيرد را دارد. نتايج آزمايشات نشان مي دهد که ابزارهاي همبستگي هنگامي که در زمان واقعي عمل مي کنند، در دستيابي به کاهش هشدار و چکيدگي موثرند .

در این مقاله موضوع ساخت یک درخت چندپخشی بهینه در شبکه های مش بیسیم را بررسی می کنیم، در ساخت درخت قصد داریم روشی میانی پیشنهاد دهیم بطوریکه بتواند از مزایای دو روش معروف در ساخت درخت یعنی SPT و MNT استفاده کند، در ساخت درخت گیرنده ها سعی می کنند با کمترین گام ممکن به منبع چندپخشی وصل شوند که نتیجه آن کاهش تأخیر انتها به انتها برای رساندن بسته های چندپخشی از منبع چندپخشی به گیرنده های چندپخشی است، از طرف دیگر در روش پیشنهادی سعی شده تعداد گره های فوروارد در شبکه کاهش یابد، چون یکی از دلائل اصلی تداخل بسته ها در شبکه و وجود مشکلات ترافیکی افزایش تعداد گره های فوروارد در ساخت درخت چندپخشی است، در قسمت شبیه سازی الگوریتم پیشنهادی را از نقطه نظر پارامترهای مختلفی مثل گذردهی، متوسط طول مسیر، تعداد گره های فوروارد و تأخیر انتها به انتها در شبیه ساز NS2 با الگوریتم های SPT و MNT مقایسه کرده ایم، تقریباً الگوریتم پیشنهادی کارایی قابل قبولی در مقایسه با دو الگوریتم ذکر شده دارد.

ما یک مدل مقید محلی سه بعدی برای استخراج ویژگی های چهره مقاوم به حرکت سر ارائه می دهیم . راه حل ما ترکیبی از اطلاعات شدت روشنایی و اطلاعات عمق چهره در قالبی مشترک می باشد که در این مقاله ارائه شده است. از این مدل می توان جهت تخمین زاویه سر در جهت های سه گانه و تعیین موقعیت سر نسبت به دوربین ایستا در تصاویر دوبعدیو همچنین استخراج نقاط مهم چهره مقاوم با چرخش سر برای کاربردهای دیگر نیزاستفاده کرد . ما نشان می دهیم که تعیین موقعیت سر با استفاده از این راه حل در تمام جهات سرعت بالایی در کارهای بلادرنگ داردو به صورت تمام اتوماتیک ومستقل از تغییرات روشنایی وافرادخواهد بود. همچنین این مدل ارائه شده مقاوم به شش حالت اصلی چهره و انسدادهای جزیی (عینک و موهای صورت و...) می باشد. بنابراین می توان گفت یک تخمین زاویه سر بدون قید و شرط همراه با تعیین موقعیت سر ارائه می دهیم.

l-diversity یکی از مدل های حفظ حریم خصوصی است که برای انتشار داده هایی که در اختیاریک سازمان نظیر یک بیمارستان است مورد استفاده قرار می گیرد. الگوریتم های زیادی برای پیاده سازی این مدل برای حالتی که داده ها تنهادر اختیاریک سازمان است، ارائه شده. ولی ما در این مقاله قصد داریم یک پروتکل چند طرفه امن بدون حضور شخص ثالث مورد اعتماد برای پیاده سازی مدل l-diversity در محیطی که داده ها به صورت توزیع شده در اختیار چندین طرف است،ارائه دهیم. پیاده سازی l-diversity به صورت چند طرفه در مقابل روشی که هر یک از طرفین به تنهایی داده های خود را منتشر میکنند، باعث می شود که کیفیت داده¬های حاصل بهتر شود. پروتکلی که ارائه داده ایم با تغییر روبکرد انتشار بازه ای به انتشار مجموعه ای توانسته کیفیت داده¬های خروجی را به طور قابل ملاحظه ای بهبود دهد. و همچنین از لحاظ مرتبه زمانی، اجرای پروتکلبا الگوریتم تک طرفه برابر می¬باشد. بنابراین با کمترین هزینه، امنیت را برای هر یک از طرفین درگیر در پروتکل تامین کرده ایم که باعث شده این پروتکل کاملاً کاربردی گردد.

امروزه با افزایش چشمگیر منابع و مستندات متنی، تکیه بر روش¬های بازیابی اطلاعات پاسخگوی نیاز کاربران و محققان نیست. به همین دلیل توجه به روش¬ها و الگوریتم¬های خلاصه¬ساز متن در سال¬های اخیر رشد قابل توجهی یافته است. در بین روش¬های مختلف خلاصه¬ساز متن، روش¬های مبتنی بر هوش جمعی، جایگاه ویژه¬ای داشته و توانایی خوبی در حل مسائل به خصوص مسایلی با فضای گسترده جستجو دارند. در این مقاله ضمن ارائه روش دسته ماهی¬های مصنوعی و نسخه بهبود یافته آن برای حل مسأله خلاصه¬سازی، مقایسه¬ای نیز بین روش¬های ذکر شده با روش بهینه سازی گروه ذرات انجام می¬دهیم تا مزیت روش دسته ماهی بهبودیافته را نسبت به سایر روش¬ها مشاهده کنیم.

سرطان سینه یکی از رایج¬ترین بیماری¬ها در سال¬های اخیر به شمار می¬آید. تشخیص سرطان در مراحل ابتدایی، می¬تواند تاثیر بسزایی در درمان این بیماری داشته باشد؛ بطوریکه اخیراً تلاش¬های فراوانی جهت تشخیص زودهنگام آن صورت گرفته است. اکثر روش¬های موجود در مواجهه با تصاویر واقعی با ابعاد بالا عملکرد ضعیفی دارند و باید از یک متخصص در کنار آنها بهره گرفت. در اين مقاله، روشی نوین جهت تشخیص زودهنگام سرطان سینه در تصاویر ماموگرافی ارائه شده است. با توجه به توانایی تبدیل موجک در تجزیۀ تصویر و تفکیک جزئیات می¬توان از آن برای آشکارسازیعلائم این نوع سرطان، در ماموگرام¬ها استفاده کرد.استخراج ویژگیدر این روش با استفاده از تبدیل موجک دو بعدی انجام می¬شود؛ بطوریکه این ویژگی¬ها جهت تشخیص وجود علائم سرطان در تصاویر، مورد استفاده قرار می¬گیرند. پس از مرحلۀ استخراج ویژگی، طبقه¬بندی توسط ماشین بردار پشتیبان صورت می¬پذیرد.در ارزیابی¬های صورت گرفته، از تصاویر واقعی با ابعاد بزرگ به عنوان داده¬های ورودی استفاده شده است و نتایج نشان می¬دهد که روش استخراج ویژگی پیشنهادی، می¬تواند تأثیر چشمگیری در بهبود عملکرد سیستم¬تشخیص داشته باشد.

اعتماد را می¬توان به عنوان یکی از بزرگترین موانع پذیرش، رشد و گسترش رایانش ابری بشمار آورد. محیط پویا و توزیع شده¬ی رایانش ابری باعث به وجود آمدن چالش¬های امنیتی و ریسک¬های متفاوتی نسبت به سایر چارچوب¬های توزیع شده، گردیده است. گسترش کابردهای رایانش ابری اهمیت ایجاد یک مدل کارا برای ارزیابی اعتماد در چنین محیطی را بیش از گذشته نموده است. همان¬گونه که در روابط اجتماعی، سطح دانش یا خبرگی و همچنین داشتن سابقه‌‌ای از روابط با افراد می‌تواند ارزش بیشتری را برای پیشنهادهای آن¬ها در نزد ما ایجاد نماید، در محیط رایانش ابری نیز توجه به تاثیر عامل خبرگی و سابقه‌ی استفاده از خدمات می‌تواند نتیجه‌ی ارزیابی اعتماد سرویس‌دهنده را به واقعیت نزدیک‌تر کند. در این مقاله روشی پیشنهاد می-شود که با دخیل نمودن این دو عامل، ارزیابی اعتماد کاربران نسبت به سرویس دهنده‌ی ابر را بهبود می¬بخشد. روش پیشنهادی بر مبنای شبکه¬های بیزین طراحی¬ شده، و توانایی کشف رفتارهای منفعت‌طلبانه‌ی سرویس‌دهندگان را دارا¬ می¬باشد. ارزیابی¬ها نشان می‌دهد که این روش قابلیت بررسی تغییرات رفتاری احتمالی سرویس‌دهندگان در طول زمان، و ارزیابی پویای اعتماد را بهتر فراهم کرده است.

گذر به دوران پسا رشتگی در آموزش های دانشگاهی حوزه پر کاربرد رایانش ، ناگزیر بنظر می رسد. اما این گذار ، جهت توفیق ، نیازمند تحقق کمینه دانش و یادگیری مهارت های لازم ، در فارغ التحصیلان است. در این مقاله چارچوبی برای تحقق این امر ، پیشنهاد شده است. این پیشنهادات با فراهم سازی امکان رشد دانش های میان رشته ای ، از تربیت خیل کم دانشان علاقمند به مفاهیم نو ، میتواند جلوگیری کرده و بعنوان ضابطه و معیار گسترش این دوره ها ، عمل کند . با تاکید بر نحوه و لزوم تحقق کمینه سواد لازم از چند رشته تلفیقی سازنده میان رشته ، ساز و کار اختصاص دروس جبرانی برای دانشجویان ورودی ، توصیه این چارچوب است . تبیین دورن پسا رشتگی در پی اعصار پیشا رشتگی و رشتگی و تدقیق بیشینه گزینه های پسا رشتگی ، شامل چند رشتگی ، میان رشتگی ، بین رشتگی و فرا رشتگی از دیگر موضوعات این مقاله است. اینک که به علت تراکم داوطلبان و دانشجویان در دوره های تحصیلات تکمیلی و به علت ناکافی بودن امکانات ، در مواردی ، مراکز آموزشی با کاهش کیفیت آموزشها مواجه هستند ، با بکارگیری پیشنهادات این مقاله شاید بتوان از گسترش دوره های میان رشته ای با کیفیت نازل پیشگیری نمود و از این رخداد که حاوی یک تهدید بالقوه است ، یک فرصت ساخت.

از مهمترین ویژگی های شبکه های موردی متحرک خاصیت متحرک بودن گره¬هاست که نقش بسزایی در پارامترهای شبکه ایفا می¬کند. این شبکه ها هیچ زیرساخت از پیش تعریف شده ای ندارند اما بوسیله ساختارخوشه می توان برای آن یک ساختار ایجاد کرد. در این خوشه ها یک گره مرکزی و اصلی بنام سرخوشه وجود دارد که دارای نقش اساسی در نگهداری ساختار خوشه، مسیریابی و کارایی شبکه دارد. در این مقاله یک روش خوشه بندی جدید دو مرحله¬ای بر اساس وزن گره ها ارائه شده است. برای محاسبه وزن اولیه از پنج پارامتر چگالی، پایداری، تعداد گره های همگرا ، میانگین فاصله و انرژی استفاده شده است. وزن نهایی نیز بر اساس تحرک نسبی حال و پیش بینی تحرک نسبی آینده گره ها نسبت به همدیگرمحاسبه شده است. هدف این روش کاهش تعداد تغییرات سرخوشه ها و بیشینه کردن طول عمر شبکه است. با نتایج حاصل از شبیه سازی و مقایسه با روش¬های WCA ،MOBIC و Lowest-id مشاهده می کنیم که روش بیان شده اهداف ما را محقق می¬سازد.

There has been a big revolution in electronic commerce since the advent of recommender systems. Most of the current recommender systems are designed for B2C e-commerce sites. But this paper focuses on building a recommendation algorithm that increases volume and speed of forming trades between users by considering special features of C2C e-commerce sites. In this paper, we consider users and transactions between them as a network in which nodes represent users and edges represent transactions between them. By this mapping, link prediction approaches could be used to build the recommender system. The proposed model, rather than topology of the network, uses nodes’ features like: category of items, ratings of users, and reputation of sellers. The results show that the proposed model can be used to predict future trades between users in a C2C commercial network

پيش‌بيني صحيح بار علاوه بر صرفه جويي در هزينه هاي سرمايه گذاري ، امكان برنامه ريزي بهتر براي توسعه نيروگاه‌ها و شبکه‌های انتقال و توزيع را فراهم مي آورد. در ایران بدلیل وجود دو تقویم شمسی و قمری در موارد خاصی همچون روزهای بین تعطیل ، تعطیلی های پیاپی بارمصرفی متفاوت دارند .در فصل بهار و پائیز که درجه حرارت محیط در اغلب نقاط کشور معتدل می باشد بار شبکه نسبت به فصول تابستان و زمستان به مراتب پایین‌تر است، به همین دلیل در این 2 فصل، توزیع بار اغلب دارای خطای زیاد خواهد بود. خطای زیاد در پیش‌بینی بار ،نیاز به روشهای دیگر برای افزایش دقت و بهبود خطا را نشان می دهد. بررسی روش‌های قبل نشان می دهد که دسته بندی بار با توجه به تقویم شمسی و قمری در بهینه سازی مسئله ازاهمیت بالایی برخوردار است. در این تحقیق پس از دسته بندی داده‌های بارمصرفی، بردار ورودی مناسب برای سری زمانی انتخاب گردید وخروجی سری زمانی به ورودی شبکه عصبی که توسط بیزین آموزش داده شده اعمال میگردد. توانسته است با استفاده از بار روزهاي قبل در آموزش شبكه، در مقایسه با سایر روش‌ها دقت پيش‌بيني را تا حد زيادي بهبود بخشد.

در این مقاله روش تازه‌ای برای تشخیص لبه در تصاویر دیجیتال معرفی‌شده است. برای این منظور مسأله‌ی تشخیص لبه به عنوان یک مسأله‌ی بهینه‌سازی در نظر گرفته شده است که در آن به هر تصویر از لبه‌ها یک مقدار هزینه اختصاص می‌یابد. در واقع در این روش ما با تابع هزینه‌ای روبرو هستیم که می‌بایست کمینه شود. این تابع هزینه با توجه به معیار‌های موجود برای یک لبه‌ی ایده‌آل تعریف شده است. پیکر‌بندی تصویر لبه‌ها به صورت یک ماتریس دو بعدی است که به هر پیکربندی یک کشور در فضای راه حل مسأله اطلاق می‌‌شود و هر کشور هزینه‌ی متناظر با پیکربندی خود را دارد. با استفاده از سازو‌کار‌های موجود در الگوریتم رقابت استعماری یعنی Assimilation و Revolution که در ادامه توضیح داده می‌‌شوند، تابع هزینه کاهش داده شده و بهترین جواب مسأله‌ که بهترین تصویر لبه‌های تصویر اصلی‌است به دست آورده می‌شود. تصاویر لبه به دست آمده از این روش نشان دهنده‌ی کیفیت لبه‌های به دست آمده می‌‌باشد. در واقع این موضوع بیانگر این است که الگوریتم رقابت استعماری، ابزار قدرت‌مندی برای جستجو در فضای راه حل مسائلی‌با پیچیدگی ‌و گستردگی زیاد می‌‌باشد.

به منظور بهبود دسته‌بندی اسناد چندین رویکرد مختلف وجود دارد که یکی از مهم‌ترین آن‌ها استفاده از بردار ویژگی مناسب است. در دسته‌بندی اسناد معمولاً کلمات، اجزای بردار ویژگی را تشکیل می‌دهند. از آن‌جایی که در هر مجموعه‌ی اسناد تعداد بسیار زیادی کلمه وجود دارد؛ در این مقاله روشی نوین برای تولید بردار ویژگی مناسب، به منظور بهبود دسته-بندی اسناد علمی فارسی ارائه می‌شود. روش پیشنهادی ارتباطات معنایی بین کلمات هر سند را با استفاده از اصطلاح‌نامه استخراج می‌کند. سپس به منظور انتخاب ویژگی‌های دسته‌بند، روش نوین و کارآمد گروه‌بندی کلمات سند از لحاظ ارتباطات معنایی را، بکار می‌گیرد. برای ارزیابی و مقایسه روش پیشنهادی از مجموعه پایان‌نامه‌های ایران‌داک (پژوهشگاه علوم و فناوری اطلاعات ایران) استفاده می‌شود. نتایج آزمایشات نشان می‌دهد، عملکرد دسته‌بندی با بکارگیری این روش نسبت به انتخاب ویژگی بدون استفاده از اصطلاح‌نامه به صورت قابل توجهی افزایش می‌یابد.

امروزه عملیات تست مدارات دیجیتالی از بخش‌های اصلی فرایند ساخت هر قطعه دیجیتالی می‌باشد. به منظور تسریع و کاهش هزینه‌ی تست مدار، از شبیه‌ساز اشکال استفاده می شود. هدف این مقاله ارائه‌ی روشی برای تسریع این عملیات شبیه‌سازی با استفاده از GPU می‌باشد. در این روش ابتدا توصیف مدار در قالبی شبیه‌ به VHDL به برنامه داده شده و پس از تبدیل این توصیف به ساختاری قابل ذخیره‌سازی و انتقال این ساختار داده به حافظه‌ی GPU الگوریتم شبیه‌سازی موازی توسط پردازنده‌ی GPU که دارای معماری CUDA می‌باشد به صورت چند هسته‌ای برروی مدار ورودی اجرا می‌شود. از بین الگوریتم‌های موجود برای پیاده‌سازی شبیه‌ساز اشکال، الگوریتم شبیه‌سازی موازی انتخاب گردید. زیرا برای مدارهای ترکیبی که تاخیر گیت‌های آن صفر و یا یکسان فرض شود و همچنین سیگنال‌های مدار همگی دودویی باشند، الگوریتم شبیه‌سازی موازی، بیشترین بازده را از نظر سرعت دارا می‌باشد. نتایج حاصل نشان می‌دهد که برای مداری با تعداد n اشکال پیاده‌سازی شبیه‌ساز اشکال موازی بر روی k هسته‌ی GPU شبیه‌سازی را نسبت به شبیه‌سازی سریال بر روی پردازنده‌ی تک هسته‌ای، با مرتبه‌ی O(kn) تسریع می‌بخشد. که برای k» n مرتبه‌ی تسریع O(n2) می‌شود.

کاهش مصرف انرژي يکي از چالش‌هاي اساسي در مراکز داده است. در ميان مولفه‌هاي مختلف مرکز داده، ذخيره‌سازي يکي از بزرگترين مصرف‌کنندگان انرژي است. در اين مقاله، يک الگوريتم جايگزيني حافظه نهان ارائه کرده‌ايم که مصرف انرژي و در عين حال ميانگين زمان پاسخ را کاهش مي‌دهد. روش ارائه شده با سربار زماني و حافظه‌اي کمتري نسبت به روش‌هاي مشابه به اين هدف مي‌رسد. نتايج شبيه‌سازي قابليت کاربرد روش ارائه شده در سيستم‌هاي واقعي و همچنين بهبود در معيارهاي ذکر شده را نشان مي‌دهد.

کنترل توپولوژی، روش مهمی برای بهینه‌سازی مصرف انرژی و افزایش طول عمر در شبکه‌های حسگر بی‌سیم با چگالی بالا است. هدف از کنترل توپولوژی ساده‌سازی گراف شبکه است که موجب کاهش مصرف انرژی می‌شود اما ممکن است کنترل توپولوژی افزایش تاخیر و کاهش ظرفیت شبکه را بهمراه داشته باشد.اکثرکارهای ارائه شده در این زمینه برای تامین معیارهایی نظیر تاخیر، تداخل و ظرفیت شبکه روشی را ارائه نموده‌اند. در این مقاله روشی پیشنهاد شده است که توانسته با توجه به انرژی مصرفی، انرژی باقی مانده گره‌ها و محاسبه میزان انحراف معیار انرژی مصرفی، به طور توام تاخیر، تداخل و توزیع مصرف انرژی را برای ایجاد یک معیار جدید در نظر گیرد و یک توپولوژی با تامین محدویت تاخیر ارائه دهد.نتایج شبیه سازی نشان می‌دهد که روش پیشنهادی در مقایسه با کارهای موجود در عین تامین محدودیت تاخیر، مصرف انرژی را کاهش داده و موجب افزایش طول عمر شبکه می‌شود.

ردیابی هدف عملیاتی مهم در شبکه‌های حسگر، بخصوص حسگر متحرک است. از کنترل توده برای ردیابی یک هدف متحرک در یک شبکه‌ی حسگر متحرک استفاده می‌شود. کم و بیش مشکلاتی در این روش کنترل وجود دارد؛ یکی از آنها طراحی کنترل توده‌ی بهینه با پارامترهای توده‌ی بهینه است تا حسگرهای متحرک با بهترین سرعت به هدف همگرا شوند و بخوبی زمان ردیابی را کاهش دهند. این مقاله، بهینه‌سازی الگوریتم کنترل توده را برای ردیابی یک هدف پویا در یک شبکه‌ی حسگر متحرک ارائه می‌کند. روش بهینه‌سازی براساس الگوریتم بهینه‌سازی ازدحام ذرات است. هدف کلی این مقاله پیدا کردن پارامترهای بهینه برای الگوریتم کنترل توده بدون مانع است تا رفتارهای گروهی خواسته شده را برای کم کردن تابع برازندگی انجام دهد. هر چه انطباق موقعیت مرکز توده بر هدف بیشتر باشد، حسگرها توانایی ردیابی بهتر و ذخیره انرژی بیشتری دارند. نتایج حاصل از شبیه‌سازی کارایی الگوریتم بهینه‌سازی ازدحام ذرات را در بهینه‌سازی الگوریتم کنترل توده نشان می‌دهند.

روش‌های محتوا محور و فیلترینگ اشتراکی از راهکارهای موفق در سیستم‌های پیشنهادگر می‌باشند. روش محتوا محور بر اساس ویژگی‌های اقلام تعریف می‌شود. این روش بررسی می‌کند که اقلام مورد علاقه کاربر دارای چه ویژگی‌هایی بوده‌اند، سپس اقلام دارای ویژگی‌های مشابه را به او پیشنهاد می‌کند. روش فیلترینگ اشتراکی بر اساس تعیین اقلام مشابه یا کاربران مشابه کار می‌کند که به ترتیب فیلترینگ اشتراکی مبتنی بر اقلام و مبتنی بر کاربران نامیده می‌شود. روش پایه فیلترینگ اشتراکی مبتنی بر کاربر، به منظور پیش‌بینی امتیاز قلم هدف، هیچ تمایزی بین اقلام قائل نمی‌شود. به عبارت دیگر امتیازهای تمامی اقلام به طور یکسان در انتخاب همسایگی (کاربران مشابه) و پیش‌بینی تاثیر می‌گذارند. در این مقاله یک سیستم پیشنهادگر فیلترینگ اشتراکی مبتنی بر کاربر، مجهز به مکانیزم تخصیص پویای وزن به اقلام، ارائه شده است. مبنای این مکانیزم، تخصیص وزن به اقلام بر اساس میزان شباهت آنها با قلم هدف می‌باشد. میزان شباهت اقلام توسط یک روش محتوا محور سنجیده می‌شود. از آنجا که پایگاه داده مورد استفاده در این مقاله مربوط به فیلم است، برای بالا بردن کارایی این روش علاوه بر استفاده از ویژگی ژانرها، از ویژگی‌های دیگری از جمله کارگردانان و بازیگران به عنوان داده‌های مکمل استفاده شده است. سیستم ارائه شده توسط معیار استاندارد میانگین خطای مطلق، روی پایگاه داده‌های MovieLensوEachMovie سنجیده شده است. نتایج به‌دست آمده، نشانگر عملکرد قابل ملاحظه روش پیشنهادی در مقایسه با سایر روش‌های ارائه شده می‌باشد.

با ایجاد هر تغییر در کد نرم‌افزار، آزمون رگرسیون نرم‌افزار بر روی آن صورت می‌گیرد تا اطمینان حاصل شود این تغییر باعث بروز خطاهای ناخواسته در دیگر بخش‌های نرم‌افزار نشده است. اولویت‌دهی به موارد آزمون ِمورد استفاده در آزمون رگرسیون، از جمله روش‌هایی است که به منظور کشف هرچه سریع‌تر این خطاها، مورد استفاده قرار می‌گیرد. الگوریتم‌های موجود برای اولویت‌بندی موارد آزمون، از اطلاعات پوشش موارد آزمون بر روی کد به صورت دودویی (پوشش یا عدم پوشش) استفاده می‌کنند، حال آنکه استفاده از اطلاعات تعداد دفعات پوشش واحدهای کد توسط موارد آزمون برای اولویت‌بندی آن‌ها، با توجه به در دسترس بودن اطلاعات فراوانی پوشش، می‌تواند بسیار سودمند باشد. در این مقاله ما با تمرکز بر تکنیک Additional به عنوان یکی از بهترین و پر کاربردترین تکنیک‌های موجود در زمینه اولویت‌بندی موارد آزمون، برای اولین‌بار شش روش مختلف را برای بسط این الگوریتم به منظور استفاده از اطلاعات فراوانی پوشش ارائه داده‌ایم. نتایج آزمایش های ما بر روی هفت برنامه استاندارد به زبان C (موسوم به برنامه‌های زیمنس) نشان می‌دهد که استفاده از اطلاعات فراوانی پوشش و روش‌های ارائه شده در این مقاله، توانسته‌اند کارایی این تکنیک معتبر را بهبود بخشند.