انجمن کامپیوتر ایران

انتخاب ويژگي يکي از مهم‌ترين مراحل يادگيري ماشين است که با حذف ويژگي‌هاي افزونه و غير مرتبط منجر به کاهش زمان محاسبات و افزايش دقت مدل ياد گرفته شده مي‌شود. در اين مقاله، يک روش جديد براي انتخاب ويژگي غير نظارتي پيشنهاد شده است که در آن مساله به يک گراف وزن‌دار کامل متقارن مدل‌سازي مي‌شود که راس‌هاي اين گراف نمايانگر ويژگي‌هاي مجموعه داده‌ها و وزن يال‌هاي آن نمايانگر ميزان شباهت بين ويژگي‌ها است. الگوريتم پيشنهادي شامل سه گام است: ابتدا با استفاده از يک مقدار آستانه تطبيقي، برخي از يال‌هاي گراف که وزن بالايي دارند، حذف شده و گراف کامل به يک گراف خلوت تبديل مي‌شود و انتظار مي‌رود بين ويژگي‌هاي افزونه يالي وجود نداشته باشد. سپس، با استفاده از الگوريتم مشهور پيج‌رنک گوگل به هر راس از گراف يک امتياز داده مي‌شود و راسي که افزونگي کمتري با ساير راس‌ها داشته باشد، اتصالات بيشتري دارد و امتياز بالاتري مي‌گيرد. در نهايت، با استفاده از يک الگوريتم حريصانه، زير مجموعه‌اي از ويژگي‌ها که همپوشاني کمي با يکديگر دارند انتخاب شده و به عنوان ويژگي‌هاي انتخاب شده نهايي گزارش مي‌شوند. نتايج پياده‌سازي روش پيشنهادي و مقايسه آن با نتايج ساير الگوريتم‌هاي انتخاب ويژگي غيرنظارتي نمايانگر کارايي مناسب الگوريتم پيشنهادي است.

کوچک شدن ابعاد ترانزیستورها در فناوری های ساخت تراشه باعث افزایش نرخ سالمندی، به عنوان مهمترین عامل تهدید کننده‌ی قابلیت اطمینان در پردازنده‌های امروزی شده است. از مهم‌ترین عوامل وقوع سالمندی، ناپایداری حاصل از بایاس و دما و تزریق حامل داغ هستند. این دو پدیده در بخش‌های ترکیبی مدار باعث نقض دوره‌ی پالس ساعت و در بخش‌های ترتیبی باعث کاهش مقاومت در برابر تغییر ناخواسته‌ی داده می‌شوند. با توجه به این که واحد حساب و منطق یکی از فعال‌ترین واحدهای تراشه است و عموماً در تراشه تبدیل به یک نقطه داغ می‌شود، این واحد به شدت در معرض سالمندی قرار دارد. در این مقاله، با توجه به اینکه دستورالعمل‌های مختلف باعث سالمندی در بخش‌های متفاوتی از واحد حساب و منطق می‌شوند، با استفاده از زمان‌بندی دستورات و متعادل کردن بارکاری واحدهای اجرایی در طول زمان، سعی در کاهش سالمندی واحد حساب و منطق، با سربار کارایی کمتر نسبت به روش‌های پیشین را داریم. روش پیشنهادی با ثابت نگه داشتن میانگین زمان اجرا، درصد استفاده از هسته‌ها و همچنین دمای هر هسته، افزایش ولتاژ آستانه در اثر سالمندی را به میزان 37% کاهش می‌دهد.

رفع ناهمخوانی در يکپارچه‌سازی داده‌ها به معنی به دست آوردن مقدار يکتا و درست از ميان مقادير مختلف توليد شده برای يک موجوديت خاص است. به روش‌های ارائه شده برای اين کار همجوشی داده‌ها گفته می‌شود. اکثر روش‌های همجوشی ارائه شده تاکنون بر اساس تخمين قابليت اطمينان به منبع توليدکننده داده عمل می‌کنند و تعداد کمی از مقالات از اطلاعات موجود در رابطه ميان موجوديت‌ها بهره برده‌اند. چالش اصلی در اين روش‌ها، چگونگی تشخيص وجود رابطه ميان موجوديت‌هاست. رويکردهای قبلی تنها به ويژگی‌های ظاهری ميان موجوديت‌ها توجه کرده و با استفاده از يک تابع شباهت، ارتباط ميان آنها را تخمين زده‌اند. در اين مقاله، روشی پيشنهاد شده است که با بردن داده‌ها به يک فضای معنايی پنهان و سپس خوشه‌بندی آنها، رابطه ميان موجوديت‌ها را تخمين می‌زند. آنگاه با تعريف يک تابع اطمينان براساس فاصله داده‌ها از مراکز خوشه‌ها، مقادير درست را تعيين می‌کند. روش پيشنهادی بر روی سه دسته داده مصنوعی، شبيه‌سازی شده و واقعی پياده‌سازی و ارزيابی شده است. نتايج بدست آمده نشان می‌دهد که روش پيشنهادی به ويژه در محيط‌هايی که تعداد منابع قابل اطمينان در آنها کم است، از ساير روش‌ها بهتر عمل می‌کند.

با توجه به افزایش تولید و استفاده از وسایل نقلیه و به دنبال آن افزایش ازدحام و ترافیک، مسائل کنترل هوشمند ترافیک بسیار مورد توجه پژوهشگران قرار گرفته است که از میان آنها می توان مساله کنترل چراغ‌های راهنمایی را بیان کرد. تا کنون روش‌ها و رویکردهای متعدد و متفاوتی برای حل این مساله ارائه شده است که در این بین روش‌های توزیع شده موفق‌تر عمل کرده‌اند. از سوی دیگر اخیرا فناوری‌های مبتنی بر عامل به‌عنوان ابزاری قدرتمند برای مدلسازی و توسعه‌ی سیستم‌های توزیع شده در مقیاس بزرگ مورد استفاده قرار گرفته‌اند. از این رو می توان سیستم های چندعامله را برای حل مساله کنترل چراغ راهنمایی به خوبی به کار گرفت. در این رویکرد هر عامل کنترل‌کننده‌ی یک چراغ راهنمایی است. با توجه به اینکه عامل‌ها باید با یکدیگر در تعامل باشند، با سیستمی پیچیده مواجه هستیم و بنابراین باید روش هایی برای کاهش این پیچیدگی مدنظر قرار گیرد که استفاده از سیستم‌های چندعامله با سازمان هولونی از جمله ی این روش هاست. سازمان هولونی در سیستم های چندعامله یک ساختار سلسله مراتبی و خودمتشابه از هولون‌ها است که در آن هر هولون می تواند شامل یک یا چندین عامل باشد. مساله مورد بررسی ما یک شبکه‌ی بزرگ ترافیکی شامل 52 تقاطع است. این شبکه به تعدادی منطقه تقسیم شده است و کنترل آنها بر عهده هولون هاست. در این سیستم از دو سطح هولون برای کنترل چراغ‌های راهنمایی استفاده شده است که هولون‌های کنترل کننده‌ی تقاطع در سطح اول وظیفه‌ی تعیین تعداد فازهای تقاطع و هولون‌های کنترل‌کننده‌ی منطقه‌ها در سطح دوم وظیفه‌ی زمان‌بندی و هماهنگی تقاطع‌ها را جهت رفع مشکل انسداد برعهده دارند. برای زمان‌بندی چراغ‌های راهنمایی از الگوریتم ژنتیک استفاده شده است که در رسیدن به زمان‌بندی بهینه یا نزدیک به بهینه کمک می‌کند. در این پژوهش، به واسطه الگوریتم زمان‌بندی مناسب چراغ‌های راهنمایی پیشنهادی از اشباع بیش از حد شبکه جلوگیری شده و میانگین زمان تاخیر کاهش و میانگین سرعت خودروها افزایش یافته است.

رایانش ابری یک فناوری جدید برای محاسبات توزیع‌شده است. این مدل محاسباتی جدید، سرویس‌های متنوعی را بر اساس تقاضای کاربران و به‌صورت پرداخت به‌ازای استفاده ارائه می‌دهد. بنابراین دسترسی به منابع محاسباتی و ذخیره‌سازی در زمان تقاضا و بر اساس میزان تقاضای کاربر به‌گونه‌ای انعطاف‌پذیر و مقیاس‌پذیر از بستر اینترنت به کاربر تحویل داده می‌شود. با این‌حال مراکز داده ابر مقدار زیادی انرژی فسیلی مصرف می‌کنند. این امر سبب می‌شود مقدار زیادی کربن در محیط منتشر گردد. هدف این مقاله ارائه تخصیص ماشین‌های مجازی به فیزیکی در رایانش ابری با دسترسی به انرژی‌های تجدیدپذیر با استفاده از الگوریتم بهینه‌سازی واکنش شیمیایی مولکول‌ها برای مدیریت منابع انرژی و کاهش کربن است. در این تخصیص، اولویت با گره‌هایی است که دارای انرژی تجدیدپذیر باشند. این روش توسط شبیه ساز CloudSim ارزیابی شده است. نتایج بیان‌کننده بهبود 28% و 19% طرح پیشنهادی از لحاظ کاهش کربن در مقایسه با الگوریتم‌های First Fit و Best Fit می‌باشد.

میکروسرویس‌ها تازه‌ترین رویکرد موجود در طراحی، توسعه و تحویل سرویس‌های نرم‌افزاری هستند. ساختار میکرو سرویس نشان دهنده‌ی یک سبک ساختاری مبتنی بر سرویس جدید با تمرکز قوی بر سرویس پیوسته‌ی تقریباً ترویجی می‌باشد. یک میکرو سرویس قابلیت ساختاری متمایزی را ایجاد می‌کند و میزان استقلال زیادی را در خصوص توسعه و عملیات از خود نشان می‌دهد. معماری میکروسرویس یک رویکرد مهندسی مبتنی بر شکست یک نرم‌افزار به ماژول‌های تک -کار کردی است که مستقلا تولید و مستقر می‌شوند و با واسط‌های خوش تعریف با دیگر سرویس‌ها ارتباط دارند. این سرویس‌ها توسط تیم‌های کوچکی تولید و پشتیبانی می‌شوند که از تمام چرخه حیات سرویس پشتیبانی می‌کنند. میکروسرویس‌ها نیاز به برقراری ارتباط از طریق مکانیسم ارتباطات بین سرویس‌ها دارند. این مساله به یکپارچگی سرویس منجر می‌شود و نیاز به جنبه پیام‌رسانی و مدیریت رویداد دارد که در زمان تعیین سرویس‌های میکرو در نظر گرفته شده است. بنابراین استفاده از الگوی یکپارچه‌سازی سازمانی) EIP (در زمینه طراحی معماری میکروسرویس‌ها یک رویکرد امیدوار کننده برای مهندسی معماری میکروسرویس به نظر می‌رسد. با استفاده از این الگوها، میکروسرویس‌ها قادر خواهند بود به شکلی ثمر بخش و بدون نیاز به ایجاد تغییر در ساختار داده‌ها و زیرساخت‌های‌شان با یکدیگر تعامل داشته و داده‌ها و فرایندهای‌شان را با سایر نرم‌افزارها به اشتراک بگذارند. این مقاله با ارائه کاتالوگی از انواع الگوهای یکپارچه‌سازی سازمانی، مشخصات میکروسرویس را بصورت دقیق ارائه می‌دهد که می‌تواند برای شبیه‌سازی‌ها، تغییرات و یا کارکردهای تولید کد استفاده شود و به تسهیل روند ساخت برنامه‌های کاربردی در میکروسرویس‌ها کمک می‌کنند.

در این مقاله، طراحی یک فلیپ‌فلاپ چهارمقداری حساس به لبه نوع D با استفاده غالب از مدارهای دودویی و بر اساس فناوری ترانزیستورهای نانو‌لوله‌کربنی شرح داده شده است. مراحل تبدیل از یک لچ چهارمقداری به فلیپ‌فلاپ‌های حساس به سطح و لبه به طور کامل توضیح داده شده است. در هر مرحله مبدل‌هایی جهت تبدیل مدارها به یکدیگر ارائه می‌شوند. در این فلیپ‌فلاپ، قابلیت موجود در لچ برای سفارشی کردن خروجی‌های Q و حفظ می‌شود، تا تعداد تقسیم ولتاژ کمتری صورت گرفته و توان مصرفی کاهش یابد. از آنجایی که فلیپ‌فلاپ پیشنهادی در این مقاله با فرض وجود تنها یک منبع تغذیه طراحی می‌شود، تعداد تقسیم ولتاژ کمتر به معنای توان ایستای کمتر است. نتایج حاصله نشان می‌دهد که حذف یکی از خروجی‌ها میانگین مصرف توان و مصرف توان ایستا را تا حدود نصف کاهش می‌دهد. بعلاوه، مدار پیشنهادی با استفاده از نرم افزار اچ-اسپایس و فایل کتابخانه ترانزیستورهای نانو‌لوله‌کربنی با طول کانال 32 نانومتر اعتبارسنجی و شبیه‌سازی شده است. نتایج شبیه‌سازی حکایت از بهبود %35/79 کارآیی مدار جدید نسبت به بهترین فلیپ‌فلاپ چهارمقداری که قبلا ارائه شده است، دارد. درضمن، زمان تنظیم و زمان نگهداری از جمله عوامل مهم در طراحی فلیپ‌فلاپ می‌باشند، که تاثیر زیادی در تعیین فرکانس سیستم دارند. هر دو عامل در مدار پیشنهادی کاهش چشمگیری نسبت به مدارهای CMOS داشته‌اند.

در سال‌های اخیر استفاده از مدلسازی شبکه‌ای به ابزاری برای شناسایی و تحلیل الگوهای پیچیده رفتاری در بسیاری از دامنه‌ها تبدیل شده است. یک مسئله نادیده گرفته شده در پیش‌بینی بازارهای مالی، داشتن مدلی است که همزمان از شبکه‌ی روابط سهام‌های مختلف و پیش‌بینی‌های مبتنی بر داده‌های گذشته‌ی بازار استفاده کند. برخلاف بسیاری از دامنه‌ها، استفاده از روش انتشار برچسب مبتنی بر شبکه در پیش‌بینی سری‌های زمانی مالی به علت نبود برچسب مورد توجه قرار نگرفته است. در این مقاله ساختار شبکه‌ای جدید برای مدلسازی روابط میان سهام‌های بازار و تاثیر بازده شان بر هم معرفی شده است و بر اساس این شبکه و با ترکیب پیش‌بینی مدل‌های کلاسیک، یک روش انتشار برچسب با استفاده از الگوریتم پیج رنک با بردار شخصی‌سازی طراحی شده است. در روش معرفی شده به نام LabelNet برچسب‌ها به کمک الگوریتم‌های یادگیری نظارت شده از داده‌های گذشته سهم، برای انتشار در شبکه استخراج می‌شوند و با استفاده از انتشار برچسب پیش‌بینی نهایی انجام می‌شود. در نهایت، ارزیابی‌های ما بر روی داده‌های بازار سهام تهران نشان می‌دهد مدل معرفی شده نسبت به مدل‌های رقیب، دقت بالاتری را در پیش‌بینی حاصل کرده است.

در بازار بورس روش‌های تصمیم‌یار متفاوتی با استفاده از روش‌های محاسباتی ارائه شده است تا افرادی که وارد بازار سرمایه می‌شوند سهم‌هایی را انتخاب کنند که بیش‌ترین بازدهی را داشته باشد، یکی از چالش‌های تکنیک‌های ارائه شده برای بازار سرمایه‌ای ایران، آن است که این تکنیک‌ها متناسب با واقعیت‌های بازارهای سرمایه‌ای کشورمان نیست، به همین سبب در این تحقیق یک روش مبتنی بر یادگیری ماشین به منظور ارائه‌ یک سیستم تصمیم‌یار که بتواند سهام‌داران را در فروش سهام‌هایشان یاری کند ارائه‌ می‌شود، روش پیشنهادی از ۲ مرحله‌ی اصلی تشکیل شده‌ است که در مرحله‌ی اول زیرمجموعه‌ی بهینه‌ای از ویژگی‌ها توسط الگوریتم رقابت جهانی انتخاب می‌شوند و سپس در مرحله بعدی بر اساس آن‌ها و با استفاده از ماشین‌های بردار پشتیبان مدل پیش‌بینی کننده ایجاد می‌شود، در این تحقیق الگوریتم رقابت جهانی به مسئله انتخاب ویژگی که یک مسئله گسسته است تعمیم داده‌ شده است، در ارزیابی که از نتایج حاصل شده بر روی یک نمونه موردی حاصل شده‌ است مشاهده می‌شود که راهکار پیشنهادی با دقت ۷۸ درصد، بهتر از روش‌های ژنتیک و ازدحام ذرات می‌تواند افت وخیز سهام بورسی را پیش‌بینی کند.

در سال‌های اخیر، اینترنت اشیا زیر آب (IoUT) به یک فناوری محبوب برای کاوش در محیط زیر آب تبدیل‌ شده است. IoUT شامل تعداد زیادی سنسورهای بی‌سیم زیر آب است که اطلاعات مختلف را جمع‌آوری و به سمت گره سینک ارسال می‌کند. با توجه‌ به شرایط ناپایدار زیر آب و با توجه‌ به اهمیت ویژه قابلیت اطمینان و تأخیر در بسیاری از کاربردها، مدیریت ارتباطات بین سنسورها، به‌منظور بهبود QoS ضروری است. شبکه‌های نرم‌افزار محور (SDN) یکی از بهترین معماری‌ها برای ارائه مدیریت کارآمد شبکه است که قسمت صفحه کنترل (Control plane) را از صفحه داده (Data plane) جدا می‌کند. در این مقاله یک روش جدید مسیریابی مبتنی بر SDN در IoUT باهدف بهبود پارامترهای QoS ازجمله قابلیت اطمینان و تأخیر ارائه شده است. در روش پیشنهادی علاوه بر شناسایی مسیرهای قابل‌اعتماد، به کاهش مصرف انرژی نیز توجه می‌شود. از آنجایی‌ که، کنترل‌کننده از مختصات هر سنسور و انرژی آن آگاه است، باتوجه ‌به وضعیت کانال زیر آب، می‌تواند مطمئن‌ترین مسیر بین دو گره را تخمین زده و مسیری که دارای تأخیر کم و قابلیت اطمینان بالا و همچنین انرژی بیشتری است را شناسایی نماید. سرانجام، مسیر تخمین زده‌ شده را بر روی گره‌های واقع در امتداد آن نصب می‌کند. نتایج شبیه‌سازی نشان می‌دهد که این روش پیشنهادی از لحاظ اقدامات عملکردی مختلفی به طور قابل‌توجهی از سایر روش‌های غیر SDN بهتر است.

امنیت داده‌ها و تبادل امن اطلاعات یکی از مقوله‌های مهم در ایننترنت اشیاء می‌باشد. با توجه به قدرت محاسباتی اندک و همچنین ظرفیت کوچک ذخیره‌سازی در گره‌های شبکه اینترنت اشیاء، در بسیاری از موارد امکان رمزنگاری اطلاعات وجود ندارد و یا نیاز به صرف زمان زیادی است. چالش دیگر نگهداری کلید مشترک رمزنگاری در جای امن است. در چارچوب پیشنهادی بار پردازش رمزنگاری محدود به گره حاوی فایل یا اطلاعات نسبتا بزرگ نیست. بلکه با تقسیم فایل به قطعات کوچکتر‌ از مشارکت دیگر گره‌های شبکه استفاده ‌می‌گردد. بدین منظور سه نوع گره خاص منظوره هماهنگ‌کننده، ادغام‌کننده و مشارکت‌کننده تعریف شده است تا با مشارکت یکدیگر در یک معماری توزیع شده پردازش صورت پذیرد. برای تبادل کلید از روش ECDH استفاده شده است تا دو طرف بتوانند یک کلید امن مشترک را از طریق یک کانال ناامن ایجاد کنند. این چارچوب با فایلی با حجم 560 کیلوبایت روی دو گره واقعی (ESP8266 و ESP32) در کنار سایر گره‌های شبیه‌سازی‌ شده مورد آزمون قرار ‌گرفته شده است. و زمان رمزنگاری در دو حالت استفاده از گره‌های با توان‌های یکسان و متفاوت محاسبه شده که کاهش زمان تا 4 برابر را نشان می دهد.

واژه‌یابی گفتار به جستجوی کلمات كلیدی هدف در یک آرشیو صوتی اتلاق می‌شود. در سال‌های اخیر با پیشرفت تکنولوژی استفاده از سیستم‌های واژه‌یاب گفتار در دستگاه‌های با توان پردازشی كم مانند بلندگوهای هوشمند و تلفن‌های همراه رواج یافته است. استفاده از واژه‌یابی گفتار در این دستگاه‌ها با محدودیت‌های حافظه‌ای و پردازشی همراه است. از این رو، لازم است از روش‌هایی استفاده شود که در كنار دقت مطلوب، تعداد پارامتر‌های كمی نیز داشته باشد. در سال‌های اخیر، شرکت گوگل مبتنی بر مد‌های مطرح شبکه‌های عصبی پیچشی مانند موبایل نت، تی‌سی رزنت، اینسپشن و اکسپشن در حوزه‌ی واژه‌یابی گفتار به دقت مطلوبی دست یافته است. در این مقاله سعی شده است با بهره‌گیری از مکانیزم خودتوجه، دقت واژه‌یابی گفتار مبتنی بر مدل‌های مطرح مذکور افزایش یابد. نتایج ارزیابی حاکی از آن است که استفاده از مکانیزم خودتوجه باعث افزایش دقت %1.72ای مدل موبایل‌نت، %1.411ای مدل اینسپشن، %1.43ای مدل اكسپشن و %1.83ای مدل تی‌سی‌رزنت بدون تاثیر قابل توجه بر تعداد پارامترهای آموزش پذیر مدل‌های مذکور شده است. همچنین، در قیاس با سایر مدل‌های مطرح در حوزه‌ی واژه‌یابی گفتار، در بهترین حالت، به ازای کاهش حدود 2 درصد دقت، تعداد پارامترهای آموزش پذیر مدل 1000 برابر کاهش یافته‌اند.

فسفوریلاسیون یكی از مهمترین تغییرات پس از ترجمة سلول است که طی این فرآیند گروه‌های فسفری به جایگاه‌های خاصی از آمینواسیدها وصل می‌شوند. فسفریلاسیون نقش مهمی در اهداف دارویی و فرآیندهای بیولوژیكی بدن دارد. در سا‌ل‌های اخیر روش‌های محاسباتی و یادگیری ماشینی به عنوان اصلی‌ترین روش‌ها برای پیش‌بینی جایگاه‌ها استفاده شده‌اند. روش‌های محاسباتی برای پیش‌بینی جایگاه فسفوریلاسیون نقش مهمی در مطالعات عملكرد پروتئین‌ها دارند. این روش‌ها عموما از استخراج ویژگی‌های متفاوت برای حل مساله استفاده می‌کنند. از طرفی روش‌های یادگیری ماشینی به دو رویکرد تقسیم شده اند: رویکرد کلاسیک و رویکرد یادگیری انتها به انتها. در این مقاله ابتدا پایگاه‌ داده‌های اصلی موجود برای پیش‌بینی جایگاه فسفوریله مشخص و برررسی شده است. سپس روش‌های استخراج ویژگی در کنار روش‌های محاسباتی و یادگیری ماشینی مقایسه و تشریح شده است.

اخيرا تهديد خودي‌هاي بدسرشت به شدت مورد توجه پژوهشگران اين حوزه قرار گرفته است، اما تا رسيدن به راه حل‌هاي قابل اتکا در محيط‌‌‌‌ هاي تجاري راهي طولاني جلوی روست. دلايل اين مشکل را مي‌توان در وابستگي شديد به داده‌هاي عيني، عدم وجود روش ساخت يافته براي پيش پردازش داده‌ها و در نتيجه عدم بسط‌‌ پذيري آن و نيز نرخ بالاي اعلان‌هاي اشتباه و در مواردی زمان طولاني پردازش داده‌ها دانست. در اين تحقيق برآنیم با استفاده از يادگيري ماشين تحت نظارت راهکاري براي تشخيص تهديدهاي خودي بدسرشت ارائه شود. راهکار بر روي يک سناريو از رايج‌ترين سناريوهاي اين حوزه اعمال شده و نيز گام‌هاي آن در پيش‌پردازش داده‌ها به تفصيل مورد تشريح قرار گرفته است. همچنين، تفکيک مناسبي مابين نگرش کاربر محور و داده محور در نظر گرفته شده، تفاوت آنها با ارائه داده‌هاي حاصل از هر يک از نگرش‌ها بيان شده است. نهايتا با در نظر گرفتن نتايج، اين راهکار توانسته است با نرخ تشخيص بيش از ۹۶٪ و نرخ اعلان اشتباه کمتر از ۰/۶٪ تهديدهاي خودي را شناسايي نمايد. همچنین، راهکار نسبت به راهکارهاي مشابه از وابستگي کمتري به داده‌هاي عيني برخوردار بوده و نيز رويه پيش پردازش آن شفاف بوده و به همين دليل از بسط‌ پذيري قابل توجهي برخوردار است، به همين دليل استفاده از آن در ساير سناريوها نيز ممکن خواهد بود.

شبکه‌های موردی بین خودرویی فناوری پیشرفته و نوظهوری هستند که امکان ارتباط خودروها با یکدیگر و با زیرساخت‌های شبکه را فراهم می‌کنند. ساختار باز و پویای این شبکه‌ها زمینه را برای حملات متنوع به شبکه و کاربران فراهم کرده و امنیت این شبکه‌ها را با چالش روبرو کرده است. جعل موقعیت یکی از این حملات است که تا کنون راهکارهای مبتنی بر یادگیری ماشین و راهکارهای مبتنی بر رسی‌های معقول بودن در تشخیص آن‌ها ارائه شده ‌است. با این وجود این نوع راهکارها به تنهایی برای تشخیص دقیق این حملات کافی نبوده‌اند. در این مقاله، روشي پيشنهاد شده است که از هر دو نوع راهکار برای تشخیص حملات جعل موقعیت استفاده می‌کند. در این روش، ابتدا یک بررسی در لایه فیزیکی از رابطه بین RSSI و فاصله انجام می‌شود و سپس خروجی آن به همراه ویژگی‌های دیگر وارد سیستم تشخیص بدرفتاری مبتنی بر یادگیری ماشین می‌شود. برای شبیه‌سازی و ارزیابی روش پیشنهادی از مجموعه داده Modified VeReMi استفاده شده ‌است. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی عملکرد مطلوبی را به‌ویژه در بخش بازیابی از خود نشان می‌دهد.

پذیرش آداب سازمانی به عنوان وسیله ای برای افزایش کارایی و منفعت سازمانی، طراحی و تولید سامانه های رایانه ای کمک به تدوین آداب نامه های سازمانی را ایجاب نموده است. در این پژوهش پس از مباحث نظری لازم، از تلفیق دو مدل رضایت سنجی مشتریان و اعتماد آفرینی سازمانی، مدل سه وجهی (به نام سرمآن) طراحی شده است که توفیق یا شکست سازمان را در قبال بندهای آداب نامه ای ارزیابی نموده و بندهای آدابی کم اثر را جهت حذف یا بازبینی معرفی می نماید. نرم افزار طراحی و تولید شده براساس این مدل، بهبود آتی بندهای آدابی تولیدی سامانه را پس از اثر سنجی پیشنهاد می کند. کمّی سازی اثرات بکارگیری آداب نامه تولیدی رایانه ای در فعالیت های سازمانی و ارائه گزارش تحلیلی متنی رایانه ای در این مورد ، از نوآوری های این مقاله است.

نياز رو به رشدي براي انتقال داده امن در شبکه هاي حسگر بي¬سيم، قادر به پشتيباني کاربرد¬هاي جديد، وجود دارد. در کاربردهاي جديد شبکه حسگر، يک نود حسگر مي¬تواند شامل چندين سنسور بوده و در نتيجه داده¬هاي متفاوتي از لحاظ اهميت داشته باشد. در پروتکل ارائه شده داده¬هاي نود حسگر با توجه به اهميت و نيازمندي¬هاي کيفيت سرويس آنها کلاس¬بندي مي¬شوند و تحويل تصادفي به منظور تامين قابليت اطمينان تعريف و پياده¬سازي شده است. تحويل تصادفي ار لحاظ مصرف انرژي و مصرف پهناي باند کم نسبت به تحويل گارانتي شده، که انتظار مي¬رود تمام بسته-هاي انتقال داده شده به مقصد برسند کم هزينه¬تر مي¬باشد. همچنين بسياري از کاربردها مي توانند حدي از اتلاف را تحمل کنند بدين منظور احتمال تحويل براي هر کلاس ترافيکي تعريف مي¬گردد. هرچه احتمال تحويل مورد نظر بيشتر باشد مصرف انرژي بيشتر مي¬گردد. آزمايش¬ها نشان داده اند که با روش پيشنهادي متريک¬هاي کارايي مانند اتلاف بسته به ميزان زيادي بهبود مي¬يابند که اين خود سبب کاهش مصرف انرژي و افزايش طول عمر شبکه مي¬شود.

در این مقاله با استفاده از الگوریتم جستجوی گرانشی یا GSA نرخ بازشناسی ارقام دستنویس فارسی بهبود داده می شود. دو روش برای بهبود نرخ بازشناسی پیشنهاد شده است. در روش اول با استفاده از نسخه باینری الگوریتم جستجوی گرانشی یا BGSA از میان کل ویژگی هایی که برای ارقام به منظور بازشناسی استخراج کرده ایم، ویژگی های بهینه را انتخاب می کنیم. با این کار علاوه بر کاهش تعداد ویژگی ها و هزینه های محاسباتی، نرخ بازشناسی را به میزان قابل توجهی بهبود می بخشیم. در روش دوم با استفاده از نسخه حقیقی الگوریتم جستجوی گرانشی یا RGSA به جای انتخاب ویژگی های بهینه، از روش وزندهی به ویژگی ها استفاده کرده و نرخ بازشناسی را بهبود می بخشیم. در این روش به هر کدام از ویژگی ها یک وزن نسبت می دهیم. در واقع بردار ویژگی را در بردار وزن ضرب کرده و بردار ویژگی جدیدی به دست می آوریم. این بردار وزن را با الگوریتم RGSA به دست می آوریم. الگوریتم RGSA بعد از چندین بار تکرار مجموعه وزن ویژگی ها را به گونه ای تعیین می کند که دقت طبقه بندی افزایش یابد. در این مقاله، از روش فازی برای طبقه بندی استفاده می کنیم. تابع برازندگی در الگوریتم های BGSA و RGSA تعداد خطاهای طبقه بندی کننده فازی می باشد و هدف مینیمم کردن این مقدار است. نتایج این دو روش کارایی آنها را تایید می کنند.

هم¬ترازی لغوی در ترجمه ماشینی آماری یک مفهوم کلیدی محسوب می¬شود. در اغلب پژوهش¬ها، رابطه بین کیفیت هم¬ترازی و کیفیت ترجمه، رابطه¬ای مستقیم گزارش شده است. در این مقاله سعی بر آن است که همبستگی بین کیفیت هم¬ترازی ماشینی و کیفیت ترجمه به ازای جفت زبان فارسی- انگلیسی بررسی گردد. همچنین روشی برای سنجش کیفیت هم¬ترازی خودکار ارائه شده است که البته تعمیمی بر معادله استاندارد F-measure است. قابل ذکر است تمام آزمایشات انجام شده در این مقاله، با استفاده از یک مجموعه کوچک هم¬ترازی دستی تحت عنوان مجموعه¬ی "هم¬ترازی مرجع " که از طریق قضاوت¬های انسانی ساخته شده، صورت گرفته است. در انتها، نشان داده خواهد شد که با کمک گرفتن از این مجموعه کوچک هم¬ترازی دستی، ما می¬توانیم کیفیت سیستم ترجمه ماشینی را بهبود ببخشیم.

با وجود تلاش‌هاي تحقيقاتي بسياري که در زمينه‌ي تطبيق خودکار آنتولوژي‌ها انجام شده ‌است، ولي هنوز مشکلات جدي در اين زمينه وجود دارد. روش‌هاي تطبيق موجود، بين دقت و فراخواني مصالحه برقرار مي‌کنند و هر يک از آنها نقاط ضعف و قوت ‌متفاوتي دارند. درنتيجه همواره انتخاب بهترين تطبيق‌گر براي يک کار خاص مشکل است. اين مقاله روشي به‌نام MuLCOM براي بهبود کيفيت نتايج ارائه مي‌دهد که مبتني‌بر انتخاب تطبيق‌گر‌ خاصي نيست بلکه روش‌هاي يادگيري ماشين را روي ترکيبي از تطبيق‌گر‌ها اعمال مي‌کند. به‌عبارت ديگر دسته‌بندي کننده براساس خروجي حاصل از تطبيق‌گر‌هاي مختلف آموزش داده مي‌شود و سپس براي حل مسائل تطبيق جديد از آن استفاده مي‌شود. بدين ترتيب تطبيق‌گر‌هاي مختلف نقاط ضعف يکديگر را پوشش مي‌دهند. نتايج حاصل نشان مي‌دهد كه MuLCOM حتي نسبت به بهترين تطبيق‌گر‌هاي مجزا کارايي بهتري دارد.