رایانش نرم و فن آوری اطلاعات
سال:1400 | دوره:10 | شماره:3 |تعداد مقالات:9

تشخیص اشیاء نقش مهمی در تحلیل تصاویر صحنه های نبرد به ویژه ارزیابی خسارت دارد. در این مقاله از فنون بینایی ماشین و در کنار آن یادگیری عمیق و پردازش تصاویر دیجیتال برای دستیابی به روشی قدرتمند با حداکثر سرعت و دقت جهت تشخیص اشیاء مورد نظر در صحنه نبرد و همچنین تخمین خسارات وارد شده استفاده شده است. برای انجام عمل تشخیص اشیاء، ویژگی ها و پارامترهای تصاویر توسط شبکه های عصبی کانولوشن استخراج شده و در امر یادگیری شبکه عصبی به کار گرفته شده است. برای ارزیابی خسارت از معیارهای شباهت ساختاری، خطای میانگین مربعات و روش آستانه گذاری برای سنجش میزان شباهت و تغییرات تصاویر دریافتی قبل و بعد از خسارات وارد شده، استفاده شده است. در نهایت، نمونه هایی از تصاویرِ مکان های خسارت دیده برای اعتبارسنجی روش پیشنهادی مورد بررسی و آزمایش قرار گرفته است.

اشیای هوشمند بر بستر اینترنت اشیا به یکدیگر متصل شده و اطلاعات را در محیط های ناهمگن بین یکدیگر مبادله می کنند. داده های متنوع در اینترنت اشیا از محیط های ناهمگن به سمت شبکه فرستاده می شود. تعدد پروتکل ها، میزان ارسال بسته ها، حساسیت بسته ها نسبت به تأخیر و اتلاف نیازمند کیفیت خدمات متنوع می باشند. برای اینکه بتوان کیفیت خدمات را به صورت مؤثر در محیط های ناهمگن ارائه نمود، نیاز به یک دید جامع از شرایط شبکه است. شبکه های نرم افزار محور با دارا بودن قابلیت برنامه-ریزی و متمرکز سازی شبکه می توانند ما را جهت تحقق این هدف یاری نمایند. این شبکه ها با جداسازی بخش داده از بخش کنترل، سازوکارها و امکاناتی را در اختیار ما قرار می دهد که موجب افزایش سطح کیفیت خدمات در شبکه می گردد. در این مقاله، روشی جهت بهبود کیفیت خدمات در اینترنت اشیا مبتنی بر شبکه های نرم افزار محور با بهره گیری از رویکرد چندهدفه فازی ارائه شده و فرآیند مسیریابی بر اساس الگوریتم برنامه ریزی آرمانی فازی انجام می شود. نتایج این بررسی می تواند در توسعه مدل ها و چارچوب ها جهت بهبود کیفیت خدمات ناهمگن در شبکه اینترنت اشیای نرم افزار محور مورداستفاده قرار گیرد. روش پیشنهادی ازنظر تأخیر انتها به انتها، تعداد جریان های نقص شده کیفیت خدمات و پیوندهای فعال شده نسبت به الگوریتم های رقیب عملکرد بهتری از خود نشان می دهد.

بیماری اسکلروز جانبی آمیوتروفیک(Amyotrophic lateral sclerosis, ALS) یک بیماری عصبی عضلانی و شایع ترین بیماری نورون های حرکتی است. از آنجا که یکی از مهم ترین علائم اولیه بیماری، وجود اختلالات حرکتی است، بررسی اختلالات راه رفتن در کانون توجه بسیاری از محققان قرار گرفته است. هدف مطالعه حاضر، ارائه الگوریتمی مناسب برای تشخیص بیماری ALS می باشد. از داده های موجود در پایگاه فیزیونت استفاده شده است. این داده ها از 13 بیمار ALS و 16 فرد سالم جمع آوری شده است. در این تحقیق از دو روش ادغام برای ترکیب اطلاعات سیگنال های پای راست و چپ قبل از استخراج ویژگی(ادغام در سطح سیگنال) و پس از استخراج ویژگی(ادغام در سطح ویژگی) استفاده شده است. از ویژگی های غیرخطی کمی سازی سیگنال حرکتی راه رفتن افراد سالم و بیمار استفاده کردیم، که عبارتند از: لگاریتم انرژی، آنتروپی شانون، هیگوچی فراکتال، فراکتال کتز. سپس، با انجام آزمون آماری ویلکاکسون بر ویژگی های استخراجی، اقدام به یافتن تفاوت معنادار میان گروه ها نمودیم. برای تفکیک افراد ALS از گروه نرمال از طبقه بند ماشین بردار پشتیبان استفاده شد. الگوریتم پیشنهادی توانایی تشخیص بیماری ALS را با میانگین درصد صحت % 87 دارا می باشد. بیش ترین درصد صحت طبقه بندی با استفاده از ویژگی کتز بدست آمد که % 100می باشد. سیستم پیشنهادی مبتنی بر الگوریتم های ادغام نه تنها حجم محاسبات را کاهش می دهد، بلکه در ارائه نرخ های تفکیک نیز عملکرد بسیار خوبی دارد. این چارچوب می تواند راه را برای توسعه سیستم های تشخیصی ساده با عملکرد بالا در آینده بگشاید.

در سال های اخیر اینترنت اشیاء جذابیت ها و کاربردهای بسیاری در حوزه های مختلف از خودکارسازی فرایندهای صنعتی تا هوشمندسازی محیط ها پیدا کرده است. در کنار این کاربردها و مزایا، مسئله قابلیت اطمینان به اشیاء متصل، چالشی جدی در این محیط ها است. ناهمگونی اشیاء موجود در اینترنت اشیاء و عدم توازن قدرت و منابع آن ها اجازه استفاده از یک مدل مطمئن مدیریت اعتماد در این بسترها را نمی دهد. از سوی دیگر استفاده از مدل های عمومی تر و ضعیف تر که امکان اجرا در همه اشیاء متصل را داشته باشند، نیز موجب کاهش امنیت این محیط ها می شود. در این مقاله با تمرکز بر ناهمگونی شبکه اینترنت اشیاء، مدلی دولایه جهت محاسبه اعتماد ارائه شده است. این مدل در لایه نخست به اشیاء اجازه می دهد مدل اعتمادی متناسب با توانمندی های خود را انتخاب و استفاده کنند. سپس در لایه دوم مدل، برآیند محاسبات لایه قبل تجمیع و با در نظر گرفتن دقت هر کدام میزان قابلیت نهایی اشیاء محاسبه می شود. مدل پیشنهادی از الگوریتم EigenTrust جهت تجمیع اعتماد در مدل های مختلف لایه اول استفاده کرده است. این مقاله استحکام مدل پیشنهادی را در مقایسه با مدل های پایه در برابر حملات مختلف شامل رفتارهای غیر درستکار، حمله روشن/خاموش، حمله عدم تعادل ارزش و تمایز مورد ارزیابی قرار داده است و نتایج به دست آمده نشان می دهد مدل پیشنهادی قادر است با دقت 86% مهاجمین را شناسایی کند و از این دیدگاه موجب بهبود دقت در شناسایی مهاجمین بین 8% تا 30% در مقایسه با مدل های پایه شده است.

یکی از ویژگی های مهم و برجسته ی سیستم های قابل بازپیکربندی، انعطاف پذیری می باشد. انعطاف پذیری این دسته از سیستم ها وابستگی زیادی به نحوه ی بازپیکربندیشان دارد. روش های زیادی در راستای بازپیکربندی ارائه شده اند که به دسته های بازپیکربندی ایستا، بازپیکربندی پویای جزئی و بازپیکربندی پویای کامل تقسیم بندی می شوند. از بین روش-های ارائه شده روش هایی که قابلیت بازپیکربندی به صورت برخط را داشته باشند، از اهمیت ویژه ای برخوردار هستند. در این مقاله با استفاده از خاصیت توزیع پذیری سیستم های قابل بازپیکربندی، این دسته از سیستم ها را برمبنای سازمان سیستم های چندعامله طراحی کرده ایم. در روش پیشنهادی یک سیستم قابل بازپیکربندی هوشمند ارائه شده است که در زمان اجرای سیستم، عامل های هوشمند با تعامل و مذاکره با یکدیگر، بصورت خودمختار (مستقل از ابزار سنتز) پیکربندی سیستم را تغییر می دهند. یکی از هدف های مهم این روش جدید، افزایش طول عمر سیستم قابل بازپیکربندی می باشد. در این مقاله، شبیه سازی روش پیشنهادی با استفاده از زبان توصیف سخت افزار و سنتز آن با استفاده از نرم افزار Design Compiler انجام گردیده است. نتایج شبیه سازی نشان می دهد که حداکثر میزان فعالیت سلول ها با توجه به الگوها و الگوریتم های مورد ارزیابی، به میزان 05/1 الی 23/4 برابر نسبت به روش Transmap کاهش یافته و در نتیجه طول عمر سیستم قابل بازپیکربندی افزایش یافته است. همچنین روش پیشنهادی با توجه به تعامل بین عامل های هوشمند، شامل سربار تبادل پیام می باشد که مقادیر آن برای الگوریتم های ALU 32 بیتی، رمزکننده 64 به 6 وShifter Barrel 64 بیتی به ترتیب مطابق الگوهای تحت ارزیابی به طور میانگین 1458، 1218 و 770 بیت بدست آمده است.

در این مقاله روشی شورایی برای بازشناسی زیرکلمات تایپی فارسی ارائه می شود. ابتدا فضای جستجو با استفاده از چند ویژگی ساده به تعداد خیلی کم از زیرکلمات محدود می شود. سپس با ترکیب شش طبقه بند پایه با روش رای گیری وزن دار زیرکلمه بازشناسی می شود. یک طبقه بند پایه همان محدود کننده فضای جستجو است. چهار طبقه بند پایه از روش نزدیکترین همسایگی و به ترتیب با ویژگی های مکان مشخصه، ناحیه بندی، تعداد تقاطع عمودی متن و زمینه و DCT استفاده می کنند. در یک طبقه بند دیگر با استفاده از حاصل ضرب تصاویر نرمالیزه زیرکلمه ورودی و زیرکلمات محدود شده آموزشی یک میزان شباهت برای هر زیرکلمه آموزشی بدست می آید و با آن بازشناسی را انجام می دهد. سپس زیرکلمه نهایی در یک فرایند رای گیری وزن دار که وزن های بهینه آن توسط الگوریتم هوشمند بدست می آیند از بین این گزینه ها انتخاب می گردد. این روش برای قلم لوتوس آزمایش شده و نرخ بازشناسی 98. 34% برای داده های آزمون بدست آمده است.

از آنجا که اینترنت اشیا با حجم زیادی از داده سروکار دارد، پردازش و ذخیره این حجم از داده به راحتی امکان پذیر نیست. با این حال، بسیاری از برنامه های آن از چالش های محاسبات ابری مانند تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی رنج می برند. محاسبات مه، به ارائه راه حل هایی برای این چالش ها کمک می کند. این مقاله، شامل یک شبیه سازی شبکه اینترنت اشیا برای تخصیص منابع اشتراکی بهینه درمحاسبات مه است که برای حل مسئله از نوع MINLP است که هدف آن بیشینه کردن سود ارائه دهندگان خدمات ابری از طریق محاسبات مه است. معماری شبکه، شامل سه لایه ارائه دهندگان خدمات ابری، گره های مه و کاربران است. در این مقاله، شبکه سه لایه ایی شبیه سازی شده و الگوریتم مورد استفاده در این مسأله، الگوریتم بهینه سازی مبتنی بر آموزش-یادگیری می باشد، که با استفاده از دو فاز یادگیری و آموزش برای سه پارامتر درآمد ارائه دهندگان ابری، میانگین تاخیر و رضایت کاربران که برای انتخاب بهترین گره مه با هدف تخصیص منابع مشترک می باشد. این الگوریتم به روی مدل اجرا شده و با روش تصادفی مقایسه می شود. این مدل و الگوریتم، نسبت به الگوریتم های استفاده شده در حل مدل های مشابه این مسأله، سود ارائه دهندگان خدمات را افزایش می دهد.

تخمین صحیح تلاش لازم برای توسعه نرم افزار، نقش مهمی در موفقیت این قبیل پروژه ها دارد. تاکنون پژوهشهای متعددی برای تخمین تلاش انجام شده است، لیکن بهبود دقت این محاسبه هنوز از چالشهای مطرح است. در این مقاله، راهکاری مبتنی بر الگوریتمهای فراابتکاری برای حل این چالش ارائه شده است. روش کار به این صورت است که ابتدا از الگوریتم جستجوی فاخته به منظور انتخاب صحیح ویژگیهای نرم افزاری مطرح در تخمین تلاش استفاده می شود. سپس جواب های به دست آمده با استفاده از الگوریتم بهینه سازی ازدحام ذرات بیشتر مورد واکاوی قرار می گیرد. ایده این کار آن است که اجرای متوالی الگوریتم های مذکور باعث جستجوی دقیق تر فضای مسأله شده و امکان دسترسی به بهینه سراسری، یعنی ویژگیهای بهینه را افزایش دهد. در نهایت، ویژگیهای انتخاب شده به عنوان پارامترهای ورودی مدل پسا معماری کوکومو2 مورد استفاده قرار گرفته و تلاش لازم، محاسبه می شود. راهکار پیشنهادی بر روی دو مجموعه داده کوکومو81 و کوکوموناسا مورد بررسی قرار گرفته و به منظور ارزیابی آن از دو معیار متوسط شدت خطای نسبی و درصد پیش بینی استفاده شده است. نتایج به دست آمده از آزمایش های این راهکار و مقایسه آن با پژوهشهای پیشین نشان می دهد که در کوکومو81، مقدار متوسط شدت خطای نسبی به اندازه 177/0 کاهش یافته و درصد پیش بینی به ترتیب در سه حالت 25، 30 و 40 درصد، به اندازه 87/7%، 04/8% و 66/8% افزایش یافته است. همچنین در کوکوموناسا، مقدار متوسط شدت خطای نسبی به اندازه 151/0 کاهش یافته و درصد پیش بینی به ترتیب در سه حالت 25، 30 و 40 درصد، به اندازه 55/7%، 98/7% و 11/8% افزایش یافته است.

شبکه های نرم افزار محور یا SDN رویکردی در شبکه های کامپیوتری است که مدیران شبکه را قادر به مدیریت آسان شبکه با صرف زمان و هزینه کمتری می نماید. این امر از طریق جداسازی لایه کنترل از لایه داده انجام می شود. این روند موجب بروز آسیب پذیری های جدیدی در سوئیچ ها، کنترلر ها و پروتکل های ارتباطی بین آنها می شود که پیش از این در شبکه های سنتی شاهد آن نبودیم. در این مقاله روشی ساده و کم هزینه برای شناسایی تجهیزات به خطر افتاده شبکه خصوصا سوئیچ و کنترلر، حتی هنگامیکه هر دو همزمان به خطر افتاده اند ارائه شده است. این روش بر مبنای صحت سنجی تجهیزات به صورت دوره ای و به کمک کنترلر پشتیبان انجام می گیرد. برای صحت سنجی سوئیچ ها از مدل حمله هدایت نادرست استفاده شده و در کنترلر ماژول مسیریابی مورد صحت سنجی قرار می گیرد. نتایج حاصل از شبیه سازی نشان می دهد این روش می تواند با سربار زمانی و پردازشی بسیار کم، تجهیزات به خطر افتاده را شناسایی کند.