انجمن کامپیوتر ایران

اطلاعات فشرده شده‌ی سیگنال ویدئو، نسبت به خطاهای کانال بسیار حساس می‌باشد، به‌طوری که در هنگام انتقال، برخی از اطلاعات درون تصویر از بین رفته و کیفیت تصویر دریافتی خراب می‌گردد. لذا بازیابی اطلاعات از بین رفته، از اهمیت فراوانی برخوردار می‌‌باشد. در زمینه اختفای خطا‌، روش‌های فراوانی وجود دارد که هر یک دارای ویژگی خاصی می‌باشند. روش پیشنهادی در این مقاله با استفاده از چند نمونه‌ی شناخته شده و مناسب در مجاورت بلاک خراب، به درون‌یابی اطلاعات گم‌شده می‌پردازد. بازسازی تصویر با داشتن یک مجموعه محدود از توابع بخش‌های مجاور، انجام می‌گیرد. روش پیشنهاد شده کارآمد، پویا و ارائه دهنده یک نتیجه بسیار خوب درکیفیت دیداری تصویر می‌باشد. همچنین نتیجه‌ی این درون‌یابی برای لبه‌ها‌ی متعدد و بافت‌های پیچیده و غیرهمگن تصویر، قابل توجه است. در مقایسه با روش‌های مشابه، پیاده‌سازی این روش، بدون آن‌که در کیفیت تصاویر بازسازی شده خللی ایجاد کند، پیچیدگی محاسباتی را پایین آورده و نیز زمان پردازش را به میزان قابل توجهی کاهش می‌دهد. نتایج شبیه‌سازی نشان می‌دهد که در روش پیشنهادی، میانگین نسبت سیگنال به نویز برای تصاویر مورد آزمایش حدود dB 6 نسبت به روش [13] افزایش دارد.

انجمن‌های برخط مکان‌هایی هستند که افراد می‌توانند آزادانه نظرات خود را در آنها اعلام کنند. یکی از ویژگی‌های مهم انجمن‌های برخط این است که به مکانی برای اشتراک‌گذاری دانش تبدیل شده‌اند. تنوع کاربران و حجم دانش به اشتراک گذاشته شده در چنین محیط‌هایی بسیار بالاست، ولی مکانيزمی توانمند به منظور تعيين ميزان اعتماد به دانش اعضا وجود ندارد. با یافتن خبرگان در انجمن‌های برخط، می‌توان ميزان اعتماد به نظرات ارسالی کاربران و پاسخ‌های ارائه شده را تعيين نمود و در سامانه‌های مدیریت دانش مورد استفاده قرار داد. پیش‌تر برای این رتبه‌دهی الگوریتم PageRank مورد استفاده قرار گرفته است. با توجه به اینکه الگوریتم PageRank تنها تعداد ورودی‌ها و خروجی‌ها که در اینجا میزان پاسخ دهی به سوالات را نشان می‌دهد، به تنهایی الگوریتم مناسبی برای یافتن خبرگان نیست. در این پژوهش جهت رفع این موضوع الگوریتمی پیشنهاد می‌دهیم که علاوه بر مد نظر قرار دادن الگوریتم PageRank منطبق شده با مساله، شهرت افراد را که با توجه به تاریخچه‌ی بازخورد اعتمادهای دریافتی از سوی سایر کاربران شکل گرفته است، خبرگان هر حوزه را شناسایی و رتبه‌دهی می‌کنیم. از داده‌های انجمن برخط MetaFilter برای ارزیابی راه‌حل پیشنهادی بهره میبریم و با مقایسه آن با سایر روش‌ها، برتری راه‌حل ارائه شده را نشان می‌دهیم.

امروزه آموزش و یادگیری الکترونیکی با توجه به کارآیی آن در حوزه‌های مختلف، مورد توجه قرار گرفته است که این موضوع در حوزه‌ی پزشکی با توجه به حساسیت این حوزه از اهمیت ویژه‌ای برخوردار است. با به خدمت گرفتن آموزش الکترونیکی به شیوه‌ی مناسب می‌توان سرعت و کیفیت آموزش پزشکی را بهبود داد و جلوی خطاهای انسانی این حوزه که آسیبی جدی به جامعه وارد می‌آورد را تا حدودی گرفت. با توجه به حساسیت خاص اتاق اورژانس و اهمیت کسب تجربه برای پزشکان و دانشجویان پزشکی برای کار در این بخش، در این پژوهش، پیاده‌سازی اتاق اورژانس مجازی مورد توجه قرار گرفته است. اتاق اوژانس مجازی در واقع محیطی است که افراد با تعامل با اشیاء موجود در آن، از جمله بیمار، یک روند آموزشی سریع و آسان را طی می‌کنند. طراحی محیط به کمک نرم‌افزارهای سه‌بعدی‌ساز3ds Max و تکنولوژی ساخت بازی‌های سه‌بعدی در موتور بازی‌ساز Unity 3D صورت گرفته است. به کارگیری موتور بازی در افزایش سرعت ساخت یک محیط سه‌بعدی نقش مهمی دارد. محیط طراحی شده یک اتاق اورژانس با امکاناتی اولیه از جمله دماسنج، گوشی پزشکی، دستگاه اندازه‌گیری فشارخون، دستگاه الکتروکاردیوگراف و امکانات ثبت و مشاهده‌ی تصاویر X-ray می‌باشد. تلاش شده است تا محیط مجازی ایجاد شده تا حد امکان ساده، قابل کنترل و شبیه به محیط واقعی باشد. زمان‌دار بودن و فراهم نمودن امکاناتی جهت دریافت اطلاعات بیمار از جمله قابلیت‌های این محیط است. همچنین از جمله ویژگی‌های این محیط می‌توان به فراهم شدن امکان تمرین مدیریت شرایط در مواجهه با بیمار، عدم اضطراب مربوط به معاینه و تشخیص، و بی‌خطر بودن تجربه‌ی تشخیص نادرست بیماری و تجویز نامناسب دارو اشاره نمود.

الگوریتم رقابت استعماری روشی در حوزه محاسبات تکاملی است که به یافتن پاسخ بهینه مسائل مختلف بهینه‌سازی می‌پردازد. همانند همه الگوریتم‌های تکاملی، الگوریتم رقابت استعماری نیز مجموعه اولیه‌ای از جواب‌های احتمالی را تشکیل می‌دهد که هر کدام از این جواب‌ها در اصطلاح الگوریتم رقابت استعماری، کشور نامیده می‌شود. از بین کشورهایی که دارای تابع هزینه بهتری نسبت به بقیه هستند، تعداد مشخصی به عنوان کشورهای استعمارگر انتخاب شده و سایر کشورها، تحت عنوان مستعمرات به سمت استعمارگرها در فضای متغیرهای مسأله حرکت می‌کنند. در این الگوریتم، کشورهای استعمارگر هیچ حرکتی انجام نمی‌دهند و بدون توجه به فضای پیرامون خود ساکن هستند؛ به همین دلیل ممکن است الگوریتم، در بهینه‌های محلی تابع هزینه قرار بگیرد و از یافتن یا نزدیک شدن به جواب بهینه سراسری بازبماند. در این مقاله جهت افزایش قدرت الگوریتم رقابت استعماری، عملگر حرکت استعمارگرها به سمت بهترین استعمارگر و همچنین جستجوی فضای اطراف بهترین استعمارگر به وسیله تولید جواب‌های تصادفی در داخل شعاع معینی پیرامون آن، پیشنهاد شده است. عملکرد الگوریتم پیشنهادی به وسیله توابع محک مختلفی ارزیابی شده و نتایج تجربی نشان‌دهنده برتری الگوریتم رقابت استعماری بهبود یافته پیشنهادی نسبت به سایر الگوریتم‌های مطرح مانند الگوریتم PSO، ABC و ICA استاندارد می‌باشد.

امروزه مدل‏سازی و تولید ترافیکی مشابه با ویژگی‏‌های ترافیک اینترنت نیازی ضروری است. در این مقاله، مدل جدیدی برای شبیه‏‌سازی لایه‏‌های کاربرد و نشست ارائه و فرآیند ورود جریان با ویژگی‏‌های مشابه با ترافیک واقعی اینترنت تولید می‎شود. در مدل ارائه شده دو دسته کاربر فیل و موش با ویژگی‏های رفتاری متفاوت شناسایی شده و برای هر دسته، توزیع آماری مربوط به پارامترهای تاثیرگذار در فرآیند ورود جریان از ترافیک واقعی استخراج می‏‌شود. سپس با استفاده از توزیع‏ آماری استخراج شده، فرآیند ورود جریان به صورت مقیاس‌‏پذیر و تصادفی تولید می‏‌شود؛ به‏طوری‏که این فرآیند با ویژگی‏‌های ترافیک واقعی سازگار بوده و می‏تواند در حوزه‏‌های مختلف مطالعات شبکه نظیر تشخیص ناهنجاری مفید باشد.

استخراج ویژگی، یکی از مراحل مهم پیش پردازش است. با این هدف که داده‌های با ابعاد بالا را به داده‌های با ابعاد پایین تبدیل کنیم. آنالیز طبقه‌بند خطی از متداول‌ترین روش‌های استخراج ویژگی خطی است. یکی از مشکلات این معیار، در مقابله با داده‌های ناهمگن است، كه برای رفع این مشكل، معیار چيرنف پیشنهاد شد. این معیار به دنبال یک ترکیب خطی است تا فاصله چيرنف بین دو توزیع را به حداکثر برساند. در این مقاله، ماتریس‌های پراکندگی جدید، براساس موقعیت قرار‌گيري نمونه‌ها تعریف شده است،که موجب جلوگیری ازتاثیرپذیری معیارچيرنف از جفت کلاسی که در فضای واقعی دور هستند، شده و نرخ کارایی طبقه‌بندی چيرنف را بهبود می‌بخشد. عملکرد روش پیشنهادی برروی داده‌های واقعی برگرفته شده از پایگاه‌ داده‌های UCI توسط روش اعتبارسنجی ضربدری 10 Fold Cross Validation، ارزیابی شده است، نتایج آزمایش‌ها نشان‌دهنده برتری روش پیشنهادی نسبت به روش‌‌های مرز دانش می‌باشد.

با توجه به گسترش روز افزون شبکه‌‏های حسگر در زمینه‌‏های نظامی، محیط زیست، خدمات شهری و پزشکی، برقرای امنیت در این شبکه‏‌ها امری مهم است. یکی از حمله‏‌های خطرناک شناخته شده علیه این شبکه‌ها، حمله Sybil است که در آن یک گره بدخواه اقدام به انتشار چندین شناسه جعلی از خود می‌کند. این حمله به طور چشمگیری پروتکل‌های مسیریابی و عملیاتی نظیر رأی‌گیری و تجمیع داده‌ها را تحت تأثیر قرار می‏دهد. در این مقاله، یک الگوریتم جدید جهت شناسایی این حمله در شبکه‏‌های حسگر بی‏سیم ثابت مطرح می‏گردد. در الگوریتم پیشنهادی، تعدادی گره ناظر متحرک وجود دارد که به‏طور مداوم در محیط عملیاتی شبکه قدم‏زنی کرده و پس از شناسایی نواحی مشکوک به حمله سایبیل و ثبت اطلاعاتی راجع به این نواحی در حافظه خود، اقدام به شناسایی حمله Sybil می‏کنند. الگوریتم پیشنهادی توسط شبیه‏‌ساز JSIM پیاده‌‏سازی گردیده و با انجام یک‏سری آزمایش‏‌ها، کارایی آن با دیگر الگوریتم‏‌های موجود، در قالب معیارهای نرخ تشخیص درست و نرخ تشخیص غلط مقاسیه شده است. نتایج این آزمایش‌ها حاکی از مطلوب بودن الگوریتم پیشنهادی است.

در این مقاله الگوریتم جدیدی برای ناحیه بندی تصاویر بافتی، با استفاده از مدل کانتور فعال مبتنی بر ویژگی الگوی باینری محلی کامل (CLBP) ارایه شده است. در روش پیشنهادی ابتدا یک ناحیه‌بندی تقریبی توسط روش خوشه‌بندی K-Means بر روی ویژگی‌های به دست آمده از CLBP انجام می‌گیرد. از این ناحیه‌بندی تقریبی برای تعیین مکان کانتور اولیه استفاده می‌شود. در ادامه به منظور کاهش حجم محاسبات و بهبود در عملکرد ناحیه بندی، از بین کدهای CLBP، آنهایی که قدرت جداسازی بیشتری بین ناحیه‌ها ایجاد می‌کنند انتخاب می‌شوند. در پایان با استفاده از مدل کانتور فعال، ناحیه بندی تصویر انجام می‌شود. نتایج حاصل از اعمال الگوریتم جهت ناحیه‌بندی تصاویر بافتی نشان می‌دهد که روش پیشنهادی عملکرد مناسبی از نظر دقت و سرعت ناحیه‌بندی برخوردار است. از جمله مزایای روش ارایه شده، توانایی آن در ناحیه‌بندی تصاویر بافتی دارای ناهمگنی در شدت روشنایی است، که دلیل آن مقاوم بودن عملگر الگوی باینری محلی نسبت به تغییرات یکنواخت در شدت روشنایی تصویر است.

اقتباس از آثار علمی دیگران بدون ارجاع صحیح به آنها را دستبرد علمی می‌نامند که کشف خودکار انواع این سوء استفاده‌ها‌ همواره مورد توجه محققین بوده است. در این مقاله روشی جهت کشف دستبرد علمی ارائه شده است که یک روش مبتنی بر بازیابی اطلاعات است. در این روش ما از یک شیوه بازیابی اطلاعات مبتنی بر خوشه‌بندی استفاده کرده‌ایم و در آزمایشات نشان دادیم در سیستم‌های کشف دستبرد علمی، استفاده از شیوه‌های بازیابی اطلاعات مبتنی بر خوشه‌بندی می‌تواند بسیار کاربردی‌تر از شیوه‌های دیگر بازیابی اطلاعات باشد. همچنین در این الگوریتم معیاری برای رتبه‌بندی اسناد بازیابی شده، ارائه شده است. نتایج آزمایشات نشان می‌دهد با استفاده از این معیار، سند مورد نظر در 91% موارد در فهرست اسناد رتبه‌بندی شده با رتبه کمتر از پنج حضور دارد. روش کشف دستبرد علمی پیشنهادی قادر به کشف انواع کپی‌برداری‌های دقیق و کپی‌برداری با تغییرات مانند جابجایی جملات، حذف و درج جملات، جایگزینی کلمات با مترادف‌هایشان و ترکیب بخش‌های کپی شده با یکدیگر است. این سیستم قابل توسعه به انواع کپی‌برداری‌های هوشمندانه نیز می‌باشد. در روش پیشنهادی علاوه بر متن اسناد، تصاویر موجود در آنها نیز در رتبه‌بندی اسناد مؤثر خواهند بود. نتایج ارزیابی سیستم پیشنهادی، نشان می‌دهد که در این سیستم برای کپی‌برداری‌های تحت الفظی، میانگین رتبه سند منبع، پنج می‌باشد.

شبکه‌های عصبی عمیق دارای کاربردهای فراوانی در پردازش گفتار می‌باشند. در صورتی که این شبکه‌ها به صورت تصادفی مقداردهی اولیه شوند به جواب درست همگرا نخواهند شد، چراکه دارای تعداد پارامترهای فراوانی می‌باشند. روش‌هاي متعددي براي پيش-تعلیم شبكه‌های عصبي عميق مطرح شده است که باعث همگرا شدن شبکه می‌شوند. پيش-تعلیم شبكه‌های عصبي مي‌تواند هم بر مبناي شبكه باور عميق و هم ماشين بولتزمان عميق انجام گيرد. در این مقاله شبکه عصبی عمیق با روش پیش-تعلیم جدیدی که بر مبنای ماشين بولتزمان عميق می‌باشد، آموزش می‌بیند. در نهايت خروجي شبكه عصبي پس از پيش-تعلیم توسط روش ارائه شده، برای طبقه بندی واج‌ها مورد استفاده قرار می‌گیرد. نتايج تجربي بر روي دادگان گفتار تیمیت بیانگر آن است که روش ارائه شده براي كاربردهاي بازشناسي واج مناسب می باشد. همچنین آزمایشات نشان داده است که روش‌ ارائه شده بر مبنای ماشين بولتزمان عميق به كاهش خطاي عمومي سيستم و افزايش كارائي آن كمك مي‌كند و از طرفی باعث همگرائی سریع‌تر شبکه عصبی عمیق می‌شود.

مدل رایانش ابری نیازهای سطح زیرساخت تا نرم‌افزار را به عنوان خدمت ارائه می‌دهد. یکی از مهمترین چالش‌های این فن‌آوری داشتن صرفه‌ی اقتصادی و سود‌آوری بالا برای ارائه‌دهندگان خدمات ابری است. با توجه به ویژگی کشسانی رایانش ابری، امکان پرداخت به ازای استفاده برای هر خدمت فراهم می‌شود. لیکن، اگر منابع کمتر از نیاز بارکاری تخصیص یابند دسترس‌پذیری خدمت کاهش یافته و طبق توافق‌نامه‌ی سطح خدمت، ارائه‌دهنده باید جریمه پرداخت کند و اگر دسترس‌پذیری بیش از نیاز مشتری باشد، منجر به افزایش هزینه‌های ارائه‌دهنده‌ی خدمت می‌شود. در این مقاله، با توجه به ویژگی‌های کشسانی خودکار و پرداخت به ازای استفاده‌ی رایانش ابری و دسترس‌پذیری در توافق‌نامه‌ی سطح خدمت، یک الگوریتم ابتکاری برای تخصیص پویای منابع به خدمات نرم‌افزار ابری به منظور بیشینه کردن سود ارائه‌دهنده‌ی خدمات زیرساخت ابری ارائه گردیده است. نتایج آزمایشاتی که بر روی داده‌های واقعی صورت گرفته، نشان می‌دهد که الگوریتم ارائه شده در مقایسه با الگوریتم ژنتیک، زمان اجرای کوتاهتر و مقیاس‌پذیری دارد به طوری که برای یک بازه‌ی زمانی در مقیاس چند دقیقه امکان کشسانی خودکار به شیوه‌ی کارآمد مهیا می‌گردد. همچنین، این الگوریتم با تعیین تخصیص بهینه، سودی برابر و در برخی حالات بیشتر از الگوریتم ژنتیک برای ارائه‌دهنده‌ی خدمات ابری در پی دارد.

این مقاله به مساله شناسایی جریان‌های فیل‌آسا در شبکه‌های کامپیوتری می‌پردازد. به دلیل اینکه شناسایی این نوع از جریان‌ها باید به صورت برخط انجام شود، ارائه الگوریتمی بسیار کارا و سریع برای شناسایی این جریان‌ها بسیار ضروری می‌باشد. الگوریتم ارائه شده دارای ساختاری موازی تصادفی است. به عبارت دیگر برای حل مساله از رویکرد تصادفی بر مبنای الگوریتم موازی با معماری هرم استفاده شده است. مرتبه زمانی الگوریتم ارائه شده در مرحله تحلیل بسته‌ها O(1) و در مرحله ادغام نتایج و بازنشانی ساختمان داده O(lg n) است. بهبود عملکرد الگوریتم چه از نظر کاهش میزان خطای شناسایی جریان‌های فیل‌آسا چه از نظر کاهش فرکانس ساز و کار بازنشانی با آزمایش بر روی داده‌های نمونه مورد ارزیابی و تایید قرار گرفته است.

سیستم‌های پرسش‌و‌پاسخ، زیرشاخه‌ای از علوم پردازش زبان طبیعی و بازیابی اطلاعات محسوب می‌شوند که در چند دهه‌ اخیر مورد علاقه زیاد محققین قرار‌گرفته‌اند و پیشرفت‌های قابل‌توجه‌ای در این زمینه، بخصوص در زبان انگلیسی انجام شده‌است. با توجه به رشد فزاینده‌ علاقه‌مندی به این زمینه‌ پژوهشی، نیاز به در اختیار داشتن منابع داده‌ای مناسب برای آن، به خوبی احساس می‌شود. در این مقاله، مراحل کامل توسعه‌ یک پیکره پرسش و پاسخ با نام رسائل و مسائل در زبان فارسی شرح داده خواهد شد. می‌توان اظهار کرد که این پیکره در نوع خود، اولین پیکره مربوط به پرسش و پاسخ با چنین ویژگی‌هایی برای زبان فارسی است. این پیکره شامل 2,118 سوال غیرحقیقت و 2,051 سوال حقیقت است که می‌تواند برای یادگیری کلیه مولفه‌های سیستم‌های پرسش و پاسخ شامل دسته‌بندی سوال، بازیابی اطلاعات و استخراج پاسخ، به صورت رایگان مورد استفاده عموم قرار گیرد.

شبکه موردی سیار مجموعه‌ای از نودهای متحرک است که با استفاده از ارتباطات بی‌سیم به تبادل اطلاعات می‌پردازند. هر نود ارسال کننده داده ممکن است به علت بار ترافیک سنگین دچار اردحام شود. رخداد این امر باعث افزایش تعداد بسته‌های حذف شده در سطح شبکه، طولانی‌تر شدن تاخیر دریافت بسته‌ها در مقصد و عدم بهره برداری مناسب از منابع شبکه می‌شود. بنابراین جهت مقابله با پدیده ازدحام، طراحی پروتکل‌های مسیریابی که علاوه بر انجام رسالت ارسال داده بین مبدا و مقصد، دارای مکانیزمی‌جهت پیشگیری و کنترل ازدحام هستند، اهمیت دارد. در این رابطه می‌توان به پروتکل DCDR اشاره کرد که یک پروتکل مسیریابی با قابلیت کنترل ازدحام در شبکه های سیار موردی می‌باشد. این پروتکل جهت پیش‌بینی و جلوگیری از وقوع ازدحام از یک مکانیزم کنترل ازدحام مناسب، براساس تخمین میانگین طول صف در هر نود استفاده می‌کند، اما فاقد مکانیزم مناسب جهت کنترل و کاهش نرخ بسته‌های حذف شده در لایه داده، به هنگام خرابی کانال می‌باشد. در این پژوهش پروتکل مسیریابی DCLFDR جهت کنترل ازدحام در لایه شبکه و کنترل نرخ بسته‌های حذف شده در لایه داده پیشنهاد می‌شود. نتایج شبیه‌سازی نشان می‌دهد که پروتکل DCLFDR نسبت به DCDR، در معیارهای تاخیر انتها‌به‌انتها و نسبت تحویل داده دارای عملکرد بهتری است.

In this paper, a new method for quantitative evaluation of the security of cyber-physical systems (CPSs) is proposed. The proposed method models the different classes of adversarial attacks against CPSs, including cross-domain attacks, i.e., cyber-to-cyber and cyber-to-physical attacks. It also takes the secondary consequences of attacks on CPSs into consideration. The intrusion process of attackers has been modeled using attack graph and the consequence estimation process of the attack has been investigated using process model. The security attributes and the special parameters involved in the security analysis of CPSs, have been identified and considered. The quantitative evaluation has been done using the probability of attacks, time-to-shutdown of the system and security risks. The validation phase of the proposed model is performed as a case study by applying it to a boiling water power plant and estimating the suitable security measures.

در اين مقاله، قوی ترین الگوریتم کدگذاری متااسپلویت در معماری x86 مورد تحلیل و واکاوی قرار گرفته است. الگوریتم کدگذاری x86/shikata_ga_nai که یک الگوریتم چندچهره است، به عنوان قوی ترین الگوریتم کدگذاری در بین سایر الگوریتم های متااسپلویت در معماری x86 معرفی شده است. با تحلیل و واکاوی این الگوریتم به یک امضا دست یافتیم که بنابر نتایج آزمون های ذکر شده، دارای درصد دقت تشخیص کامل و با نرخ هشدار غلط بسیار پایین می باشد.

در اين مقاله، روشي پيشنهاد شده است که با حملات اشکال در الگوريتم استاندارد رمزنگاري پيشرفته (AES) مقابله مي کند. اين روش با بکارگيري افزونگي هاي اطلاعاتي و زماني براي زيربخش هاي خطي و غيرخطي الگوريتم استاندارد رمزنگاري پيشرفته، هر يک از اين زيربخش ها را در برابر حمله اشکال محافظت مي کند. در روش پیشنهادی با استفاده از کدگذاري پريتي در موقعيت هاي بيتي که بيشترين قدرت تشخيص را فراهم مي آورند و تنها با استفاده از 8، 16 يا 32 بيت پريتي زيربخش هاي خطي الگوريتم رمزنگاري محافظت شده اند. همچنین از افزونگي زماني براي اجراي معکوس و محافظت زيربخش جانشاني بايت که يک عمل غيرخطي است استفاده شده است تا 100 درصد اشکالات رخ داده در اين زيربخش قابل تشخيص باشند. براي ارزيابي قدرت تشخيص روش پيشنهادي، الگوريتم رمزنگاري استاندارد پيشرفته را توسط زبان توصيف سخت افزار VHDL پياده سازي کرديم و با تزريق تصادفي گستره وسيعي از اشکالات گذراي چندگانه که مهم ترين مدل اشکال براي حملات اشکال هستند، ميزان تشخيص روش پيشنهادي را اندازه گيري کرديم. نتايج نشان دادند که روش پيشنهادي مي تواند بسته به اشکالات تزريق شده 4/99 تا 100 درصد از اشکالات تزريق شده را تشخيص دهد. مقايسه نتايج بدست آمده با ديگر روش هاي ارائه شده مشخص مي کند که روش پيشنهادي توانسته است تا 53 درصد از اشکال هاي کشف نشده توسط ساير روش ها را تشخيص دهد و بهبود بخشد.

گسترش رسانه های اجتماعی آنلاین و افزایش تمایل کاربران و مشتریان به انتشار عقاید و نظرات خود در محیط وب، فرصتی ارزشمند برای سازمان ها جهت بررسی تمایلات و ترجیحات مشتریان و همچنین ارزیابی شهرت نام های تجاری است. هدف اصلی در این پژوهش ارائه روشی نوین جهت سنجش و رتبه بندی شهرت نام های تجاری با استفاده از روش تحلیل احساسات در شبکه ی اجتماعی توییتر است. در این پژوهش استخراج و طبقه بندی نظرات و عقاید کاربران با بهره گیری از رویکردهای ترکیبی مبتنی بر لغت نامه، الگوریتم های یادگیری ماشین و نیز روش های پردازش زبان طبیعی انجام می گیرد. نتایج نشان می دهد الگوریتم های Naïve Bayes و Support Vector Machine با انتخاب ویژگی های Tri-grams و TF بهترین عملکرد را در میان مدل های مورد آزمون داشته اند. همچنین به کارگیری مقادیر مختلف پارامتر جریمه به منظور حل مشکل ماتریس پراکنده در داده های متنی کلان, سبب افزایش کارآیی در الگوریتم های مورد استفاده شده است. نوآوری اصلی این پژوهش به کارگیری روش خودکار تحلیل احساسات و استفاده از نظرات و عقاید کاربران در شبکه های اجتماعی جهت ارزیابی و طبقه بندی شهرت نام های تجاری است. همچنین ارتقای معیارهای ارزیابی طبقه بندی کننده ها در مقایسه با مدل های پیشین تحلیل احساسات و استفاده از مجموعه ای کارآمد از ویژگی ها، از جمله سایر دست آوردهای این تحقیق می باشد.

در شبکه های نظیر به نظیر غیرساخت یافته برخلاف شبکه های ساخت یافته ساختار شبکه از پیش مشخص نیست بنابراین محل قرارگیری گره ها کاملا مستقل از توپولوژی شبکه می باشد و گره ها اطلاعاتی در رابطه با وضعیت شبکه ندارند پس روشی که برای جستجو در این شبکه ها به کار می رود در بازدهی کل شبکه تاثیر زیادی دارد. در این مقاله برای بهبود جستجو در شبکه های نظیر به نظیر غیرساخت یافته، الگوریتم جستجوی آگاهانه ای مبتنی بر اتوماتای یادگیر مطرح شده است. این الگوریتم بر خلاف روش های قبلی جستجو در شبکه های نظیر به نظیر غیرساخت یافته، محتویات اشیا را در نظر می گیرد. روش پیشنهادی از نظر تعداد اشیا کشف شده به ازای هر درخواست و میزان سرباری که به شبکه تحمیل می کند با روش های K-walker random walk ،APS و DS مقایسه شده است. شبیه سازی ها نشان می دهند که روش پیشنهادی با توجه به دو معیار مطرح شده بهتر از روش های قبلی عمل می کند.

دسته‌بندی بسته، به‌عنوان یکی از وظایف کلیدی مسیریاب‌ها و دیواره‌های آتش نوین، با توجه به افزایش نرخ لینک و حجم ترافیک با چالش جدی در کارایی مواجه است. یکی از راه‌های افزایش کارایی الگوریتم‌های دسته‌بندی بسته‌، استفاده از پردازنده‌های چندهسته‌ای برای موازی‌سازی آن‌ها است. الگوریتم درخت سلسله‌مراتبی، یکی از الگوریتم‎های مهم در دسته بندی بسته ها بر اساس درخت تصمیم است. در این الگوریتم از آدرس IP مبدأ و آدرس IP مقصد برای ساختن درخت تصمیم گیری استفاده می‌شود. در این مقاله با استفاده از کتابخانه های موازی‌سازی Thread ،PPL،Open MP و TBB، الگوریتم درخت سلسله مراتبی را بر روی پردازنده‌های چندهسته‌ای پیاده سازی نموده ایم. نتایج ارزیابی این الگوریتم در همه بسترهای فوق الذکر و با مجموعه فیلترها و بسته های آزمون متنوع، حاکی از بهبود کارایی آن از نقطه‌نظر معیارهای مختلف نظیر گذرداد و تسریع می باشد. همچنین، نتایج نشان می دهد بیشترین گذرداد دسته بندی بسته ها در نسخه موازی شده با TBB و حدود 45/5 میلیون بسته در ثانیه است.