مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1401 | دوره:20 | شماره:1 |تعداد مقالات:8

امروزه شبکه های چندرسانه ای بر روی اینترنت به یک جایگزین کم هزینه و کارامد برای PSTN تبدیل شده است. برنامه های کاربردی جهت انتقال مالتی مدیا بر روی بستر اینترنت روزبه روز فراگیرتر شده و به محبوبیت بسیار چشم گیری دست پیدا کرده اند. این ارتباط از دو فاز تشکیل شده است: فاز سیگنالینگ و فاز تبادل مدیا. فاز سیگنالینگ توسط پروکسی های SIP و فاز تبادل مدیا توسط سوئیچ های شبکه انجام می شود. از مهم ترین چالش ها در شبکه های چندرسانه ای، اضافه بار شدن پروکسی های SIP و سوئیچ های شبکه به ترتیب در فازهای سیگنالینگ و مدیا است. وجود این چالش سبب می شود که طیف وسیع کاربران شبکه با افت شدید کیفیت سرویس مواجه شوند. ما در این مقاله به مدل سازی مسئله مسیریابی در شبکه های چندرسانه ای جهت مقابله با اضافه بار می پردازیم. در این راستا یک روش مبتنی بر فناوری شبکه های نرم افزارمحور و بر پایه یک مدل برنامه ریزی ریاضی محدب در شبکه های چندرسانه ای ارائه می کنیم. روش پیشنهادی تحت سناریوها و توپولوژی های متنوع شبیه سازی می گردد و نتایج نشان می دهند که گذردهی و مصرف منابع، بهبود یافته است.

پوشه ثبات بزرگ در پردازنده های گرافیکی با بهبود موازات سطح نخ، باعث کاهش دسترسی به حافظه می شود. قبلاً برای افزایش ظرفیت پوشه ثبات با سربار توان و مساحت قابل قبول، روش LTRF ارائه شده است. معماری پوشه ثبات LTRF دوسطحی است که از یک حافظه نهان ثبات و یک پوشه ثبات اصلی استفاده می کند. ثبات های کلاف ها قبل از اجرای یک کلاف به حافظه نهان ثبات پیش واکشی می شوند. برای پیش واکشی ثبات ها، گراف کنترل جریان برنامه در سطح مترجم به زیرگراف هایی به نام بازه ثبات تقسیم می شود. یکی از سربار های روش LTRF انجام عمل پیش واکشی ثبات و تحمیل بیکاری کلاف در طول مدت پیش واکشی است که کاهش تعداد بازه ثبات به میزان چشم گیری این سربار را کاهش می دهد. اما تعداد ثبات قابل استفاده در هر بازه ثبات محدود است و افزایش این تعداد در بازه ثبات منجر به افزایش ترافیک پیش واکشی و ظرفیت حافظه نهان می گردد که راه حل مناسبی برای کاهش تعداد بازه ثبات ها نیست. در این پژوهش به کمک بازتولید مقادیر میانی در زمان ترجمه سعی در کاهش تعداد ثبات های مورد نیاز در هر بازه ثبات داریم. نتایج شبیه سازی نشان می دهند که روش پیشنهادی ما، میزان تحمل پذیری تأخیر دسترسی به پوشه ثبات در روش LTRF را به میزان 29 درصد بهبود می بخشد. همچنین با به کار گیری یک پوشه ثبات سلول های حافظه DWM، معماری پیشنهادی قادر است که کارایی پردازنده گرافیکی مجهز به LTRF را به طور میانگین 18 درصد (حدود 30 درصد نسبت به معماری پردازنده گرافیکی پایه) افزایش دهد و این در حالی است که مقادیر انرژی و توان مصرفی به میزان 38 و 15 درصد کاهش می یابد.

مقابله با آتش سوزی جنگل ها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگی های آتش و دود از تصاویر بصری پهپاد برای دسته بندی، تشخیص شیء و قطعه بندی تصاویر است. از آنجا که جنگل ها محیط های بسیار پیچیده و غیر ساختاری هستند، استفاده از سیستم بینایی همچنان با مشکلاتی نظیر شباهت ویژگی های شعله با نور خورشید، گیاهان و حیوانات و یا پوشش شعله با دود مواجه است که باعث هشدارهای اشتباه می شوند. روش پیشنهادی در این تحقیق، استفاده از شبکه های عصبی کانولوشنی از روش های یادگیری عمیق است که به صورت خودکار، توانایی استخراج یا تولید ویژگی در لایه های مختلف خود را دارند. ابتدا به جمع آوری داده و افزایش آنها با توجه به روش های داده افزایی پرداخته شده و در ادامه، استفاده از یک شبکه 12 لایه برای دسته بندی و همچنین روش یادگیری انتقالی برای قطعه بندی تصاویر پیشنهاد می شود. نتایج به دست آمده نشان می دهند که روش داده افزایی به کار برده شده با توجه به تغییر اندازه و آماده سازی تصاویر ورودی به شبکه از کاهش شدید ویژگی های موجود در تصاویر اولیه جلوگیری کرده و همچنین شبکه های عصبی کانولوشنی مورد استفاده می توانند به خوبی ویژگی های آتش و دود موجود در تصاویر را استخراج کنند و نهایتاً به تشخیص و محلی سازی آنها بپردازند.

امروزه فناوری اطلاعات همراه با گسترش روزافزون اینترنت اشیا، جهان فیزیکی را به تعامل بیشتر با محرک ها، حسگرها و دستگاه ها سوق داده است. نتیجه این تعامل، برقراری ارتباط "هر زمان و هر مکان" در دنیای واقعی است. خلأ تحقیقی که بتواند در کنار فراهم ساختن پروتکلی چندلایه و بسیار امن (پروتکلی که هم زمان، کار شناسایی و احراز هویت را انجام می دهد) و در عین حال بار محاسباتی کمی داشته باشد، احساس می شود. بنابراین در حوزه سلامت و درمان و به منظور پایش از راه دور بیمارانی با معلولیت جسمی و ذهنی (مانند بیماران فلج مغزی و قطع نخاع) نیاز مبرم به یک پروتکل بسیار امن وجود دارد. پروتکل پیشنهادی ما در این مطالعه یک پروتکل دولایه به نام "شناسایی-احراز هویت" می باشد که بر اساس EEG و اثر انگشت ساخته شده است. همچنین مرحله احراز هویت ما، الگوریتم اصلاح شده دیفی-هلمن است. این الگوریتم به دلیل مشکل امنیتی (وجود نفر سوم) نیاز به اصلاح دارد که روش پیشنهادی با دریافت اثر انگشت و سیگنال EEG بیمار، با دقت بسیار بالا و سرعت بالایی قادر به انجام احراز هویت بیمار است. پروتکل پیشنهادی با استفاده از داده های 40 بیمار مبتلا به آسیب نخاعی ارزیابی شده و نتایج پیاده سازی، امنیت بیشتر این پروتکل را نشان می دهد. صحت عملکرد این پروتکل مورد بررسی قرار گرفته و زمان پردازش آن در مرحله احراز هویت نیز به 0215/0 ثانیه کاهش یافته است.

استفاده از راهکارهای آگاه از انرژی از موضوعات مهم تحقیقاتی در حوزه رایانش ابری است. با کاربرد مؤثر الگوریتم ها ی جایگذاری و تجمیع ماشین ها ی مجازی، تأمین کنندگان ابر قادر خواهند بود مصرف انرژی را کاهش دهند. در این مقاله مدل جدیدی ارائه شده که با بهبود در الگوریتم ها و ارائه روش های مناسب، به دنبال رسیدن به نتایج مطلوب است. نظارت دوره ای بر وضعیت منابع، تحلیل مناسب داده های به دست آمده و پیش بینی وضعیت بحرانی سرورها به کمک مدل مارکوف پیشنهادی سبب شده است که تا حد امکان از تعداد مهاجرت های غیر ضروری کاسته شود. ترکیب الگوریتم های ژنتیک و شبیه سازی تبرید در بخش جایگزینی در کنار تعریف زنجیره مارکوف جاذب باعث عملکرد بهتر و سریع تر الگوریتم پیشنهادی گردیده است. شبیه سازی های انجام شده در سناریوهای مختلف در کلودسیم نشان می دهد که در مقایسه با بهترین الگوریتم مورد مقایسه قرار گرفته، در بار کم، متوسط و زیاد، مصرف انرژی کاهش قابل توجهی داشته و این در حالی است که نقض توافقات سطح سرویس دهی نیز به طور متوسط 17 درصد کاهش یافته است.

در سامانه های کنترل ترافیک و ثبت تخلفات وسایل نقلیه همواره دستیابی به سامانه ای که بتوان با استفاده از آن به طور خودکار رفتارهای ناهنجار رانندگان را شناسایی کرد، چالشی اساسی به شمار می آید. در این تحقیق سامانه ای با مشخصات مذکور برای تشخیص ناهنجاری مسیر خودروها پیشنهاد گردیده که در آن ابتدا به استخراج ویژگی های زمانی-مکانی و تشکیل یک طبقه بند با کمک لغت نامه حاصل از آن ویژگی ها پرداخته می شود. طبقه بند از پردازش هایی چون خوشه بندی بهینه شده با الگوریتم جفت گیری زنبور عسل و پردازش تنک روی ویژگی های زمانی-مکانی حاصل از داده های آموزشی تشکیل می گردد. طبقه بند طراحی شده روی داده های آزمون، به منظور تشخیص ناهنجاری اعمال می شود. وجه تمایز این پژوهش نسبت به پژوهش های پیشین علاوه بر شیوه نوین در پیش پردازش صورت گرفته به منظور ایجاد ماتریس لغت نامه، تشخیص ناهنجاری بر پایه ارزیابی ماتریس حاصل از تعلق داده ها به هر طبقه است که منجر به دقت بالاتر روش پیشنهادی نسبت به سایر روش های رقیب می شود. برای ارزیابی بهتر روش پیشنهادی، ابتدا آن را روی پایگاه داده UCSD و سپس روی دنباله های ویدئویی استخراج شده از عبور و مرور خودروها در ضلع شمالی دانشگاه فردوسی مشهد اعمال نموده و سپس نتایج حاصل، با نتایج سایر پژوهش های شناخته شده در این حوزه مقایسه می گردد.

داده های جریانی متشکل از داده هایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد می شوند. توزیع این داده ها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع داده ها در حوزه هایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلیل داده های بزرگ جریانی به عنوان موضوعی مهم، مورد توجه محققین است. در روش پیشنهادی، از مفهوم یادگیری ترکیبی برخط در مدل بهبودیافته ماشین یادگیر مفرط به منظور طبقه بندی داده های جریانی استفاده شده است. به دلیل استفاده از رویکرد افزایشی، در هر لحظه تنها یک بلوک داده بدون نیاز به دسترسی به داده های پیشین یاد گرفته می شود. همچنین با بهره گیری از رویکرد آدابوست، وزن دهی به طبقه بندی کننده های پایه و تصمیم گیری در مورد حفظ و یا حذف آنها بر اساس کیفیت پیش بینی ها انجام می شود. مزیت دیگر روش پیشنهادی، بهره گیری از رویکرد مبتنی بر صحت طبقه بندی کننده جهت شناسایی رانش مفهوم است که منجر به تسهیل انطباق مدل و افزایش کارایی آن می شود. آزمایش ها بر روی مجموعه داده های استاندارد انجام گردید و روش پیشنهادی به طور میانگین با کسب 90/0% خاص بودن، 69/0% حساسیت و 87/0% صحت توانست اختلاف معناداری با دو روش رقیب داشته باشد.

تحلیل ایمنی سیستم های نرم افزاری، خصوصاً از نوع بحرانی-ایمنی، باید به طور دقیق انجام شود زیرا وجود حتی یک خطای کوچک در چنین سیستم هایی ممکن است نتایج فاجعه باری داشته باشد. ضمناً چنین تحلیلی باید قبل از پیاده سازی یعنی در مرحله طراحی و در سطح مدل انجام شود. وارسی مدل، یک روش دقیق و مبتنی بر ریاضی است که ایمنی سیستم های نرم افزاری را با دریافت مدلی از آن و بررسی تمام حالت های قابل دسترس مدل انجام می دهد. با توجه به پیچیدگی بعضی سیستم ها و مدل های آن، وارسی مدل ممکن است با مشکل انفجار فضای حالت مواجه شود، یعنی نتواند تمام حالت های قابل دسترس را پیمایش کند. یک راه حل برای حل مشکل انفجار فضای حالت در چنین سیستم هایی این است که به جای تأیید ایمنی، وارسی مدل سعی می کند آنها را با یافتن خطاهایی از جمله بن بست (در صورت موجود) رد کند. اگرچه قبلاً هیوریستیکی برای یافتن بن بست در فضای حالت مدل ارائه شده و آن را در چندین الگوریتم جستجوی مکاشفه ای ساده و تکاملی به کار برده اند ولی سرعت تشخیص آن پایین بوده است. این مقاله، یک هیوریستیک جدید برای یافتن بن بست در فضای حالت مدل ارائه می کند و سرعت تشخیص آن با به کار بردن در الگوریتم های جستجوی مکاشفه ای ساده از جمله عمقی تکرارشونده A* و جستجوی پرتو و الگوریتم های تکاملی مختلف از جمله ژنتیک، بهینه سازی ازدحام ذرات و بهینه سازی بیزی با روش قبلی مقایسه می شود. مقایسه نتایج تجربی تأیید می کنند که هیوریستیک جدید می تواند حالت بن بست را در زمان کمتری نسبت به هیوریستیک قبلی پیدا کند.