رایانش نرم و فن آوری اطلاعات
سال:1398 | دوره:8 | شماره:2 |تعداد مقالات:7

یکی از عوامل اصلی در تصمیم گیری مشتریان برای خرید یک محصول یا استفاده از خدماتی خاص، استفاده از نظرات برخط است. این گونه از نظرات منابعی ارزشمند از اطلاعات هستند که برای تشخیص افکار عمومی در مورد محصول یا خدمات استفاده می شوند. اگرچه نظرات برخط می توانند مفید باشند اما اعتماد کورکورانه به آن ها، هم برای فروشنده و هم برای خریدار خطرناک است زیرا ممکن است برای به دست آوردن سود، دستکاری شده باشند که اصطلاحاً به این گونه نظرات « نظرات اسپم» گفته می شود. پژوهش حاضر روی نظرات فارسی ثبت شده در مورد تلفن همراه در وب سایت دیجی کالا انجام شده و از میان انواع اسپم، اسپم نوع یک و دو بررسی شده اند که نوع اول نظرات جعلی و نوع دوم نظراتی هستند که تنها در رابطه با مدل کالا نوشته شده اند. ویژگی های مورد استفاده در این پژوهش به علت کارا بودن آن ها در دسته بندی، شامل ویژگی های مبتنی بر نظر و ویژگی های فراداده است. این ویژگی ها و نیز ترکیب های متفاوت از آن ها در تشخیص نظرات اسپم فارسی و تأثیر آن ها روی دقت دسته بند بررسی شده است. دسته بندی توسط درخت تصمیم، دسته بند ماشین بردار پشتیبان و دسته بند نایو بیز انجام شده و در نهایت دقت آن ها روی ترکیب های مختلف این ویژگی ها با هم مقایسه گردیده است. بالاترین میزان دقت به دست آمده از سه دسته بند توسط درخت تصمیم حاصل می شود که برابر با با 778/0 براساس معیار اِف است. در رتبه دهی به ویژ گی ها باز هم درخت تصمیم با دقت 824/0 و با ترکیب سه ویژگی بازخوردهای مثبت، امتیاز کلی کالا و قطبیت نظر رتبه ی برتر را به خود اختصاص می دهد.

رایانش ابری به عنوان روش جدیدی از محاسبات مطرح می شود که در آن منابع مقیاس پذیر هستند و به صورت مجازی خدمتی را با استفاده از بستر اینترنت فراهم می کنند. در رایانش ابری، نیاز کاربر به منابع ابری اغلب به گونه ای است که یک خدمت به تنهایی پاسخگوی نیاز کاربر نیست و برای برآورده کردن درخواست کاربر نیاز است تا خدمات با هم ترکیب شوند. روش هایی که قبلا ارائه شده بودند دارای مشکلاتی از قبیل عدم بررسی هزینه، انرژی مصرف شده و ارائه نکردن چارچوبی برای استفاده از کمترین تعداد ابرها برای جوابگویی به درخواست کاربر بودند. بنابراین روش پیشنهادی در این مقاله ترکیب الگوریتم مورچگان با الگوریتم ابر پایه جهت رفع این مشکلات است. در این روش، در ابتدا ترکیب های ابری که قابلیت پاسخگویی به درخواست های کاربران را دارند به صورت صعودی بر حسب تعداد ابرهای موجود در خدمات ابری مرکب مرتب می شوند، سپس الگوریتم مورچگان به ترتیب از هر دسته ترکیب ابری مناسب را انتخاب می کند. نتایج بدست آمده نشان می دهد که روش پیشنهادی می تواند انرژی مصرف شده و هزینه را بهبود بخشد.

زنجیره های تأمین با مد سفارشی ساز، در زمرة زنجیره های چابک قرار دارند، بنابراین تغییر در ساختار فیزیکی آنها، اجتناب ناپذیر است؛ تغییر ساختار فیزیکی، جریان کالا و مواد آن را متأثر می سازد. اینجاست که بازنگری در الگوی جریان داده و اطلاعات، ضرورت پیدا می کند. این بازنگری باید به طراحی و پیاده سازی هماهنگ ترین الگوی جریان اطلاعات با ساختار جدید فیزیکی در زنجیره بیانجامد. از این روست که در مقالة حاضر تلاش شده است تا اثرات تغییر در جریان کالا بر جریان اطلاعات مورد بررسی و کنکاش قرار گیرد و مدلی به منظور طراحی الگوی جریان اطلاعاتی، متناسب با جریان مواد و کالای زنجیره با استفاده از قابلیت های مدل سازی ریاضی ارائه گردد. در همین راستا، پارامترهای مهم و تأثیرگذار و سازنده ی دو الگوی جریان مواد و اطلاعات مورد بررسی و احصا قرار گرفته و اثرگذاری پارامترهای مرتبط با دو جریان برهمدیگر شناسایی و بررسی شد. با استفاده از قابلیت های مدل سازی ریاضی، سیستم مورد نظر مدل شده است. در واقع مدل ساخته شده با دریافت پارامترهای مربوط به جریان مواد و کالای زنجیره های سفارشی ساز، الگوی متناسب اطلاعاتی آن را ارائه می دهد.

جای گذاری ماشین های مجازی بر روی ماشین های فیزیکی در ساختار ابری یکی از مهم ترین مسایل می باشد. مکان یابی ماشین های مجازی فرایندی را شامل می شود که در آن ماشین های مجازی بر روی ماشین های فیزیکی در مراکز داده ابری نگاشت پیدا می کنند. جای گذاری بهینه باعث کاهش مصرف انرژی، استفاده بهینه از منابع، کاهش ترافیک در مراکز داده ها، کاهش هزینه ها و همچنین افزایش کارایی مراکز داده در بستر ابری می شود. در این مقاله، ما الگوریتم فرا ابتکاری نیروی گرانشی را به صورت گسسته و با استفاده از توابع آشوبگر برای جای گذاری بهینه ماشین های مجازی بر روی ماشین های فیزیکی در مراکز داده ابری، پیشنهاد داده ایم. هدف از این کار به حداقل رساندن مصرف منابع، مصرف انرژی و تعداد لینک های ارتباطی می باشد. کارایی راهکار پیشنهادی با نتایج چندین الگوریتم فرا ابتکاری دیگر مقایسه می شود. نتایج نشان می دهد که الگوریتم پیشنهاد شده بهتر و تاثیرگذارتر از روش های مقایسه شده می باشد.

یکی از فناوریهائی که در سالهای اخیر بسیار مورد توجه محققین قرار گرفته, فناوری رایانش ابری است. این در حالی است که تأمین امنیت کاربر از نقطه نظر بی نشانی یکی از مهمترین چالشهای فراروی فضای رایانش ابری است به طوری که شناسه کاربر برای سایرین از جمله فراهم کننده فضای رایانش ابری پنهان باشد. اگرچه تحقیقات زیادی در زمینه برقراری بی نشانی در ارتباطات شبکه صورت گرفته ولی در مورد برقراری بی نشانی در فضای رایانش ابری کمتر کار شده است. در این مقاله یک روش بی نشانی پیشنهاد داده می شود تا با فراهم کردن بی نشانی کاربر در مقابل فراهم کننده فضای رایانش ابری و مقاوم کردن پیامهای کاربر در مقابل حمله های تحلیل ترافیک, امنیت کاربر فراهم شود. بدین منظور تمامی ارتباطات بین کاربر و فراهم کننده به صورت رمزشده از بین تعدادی مولفه واسط عبور داده می شود تا نه تنها تقاضاهای کاربر بلکه پاسخهای فراهم کننده نیز در مقابل حمله های تحلیلگر ترافیک شبکه حفظ شود. علاوه بر این صحت و محرمانگی پیامهای مبادله شده بین کاربر و فراهم-کننده تامین شده و کاربر می تواند انعطاف پذیری بالائی جهت رسیدن به بی نشانی مطلوب خود داشته باشد. تحلیل دقیق امنیت و کارایی روش پیشنهادی نشان می دهد که این روش بدون درنظر گرفتن فرضیات سنگین, در مقابل حمله های تحلیل ترافیک شناخته شده, مقاوم است.

اطلاعات موقعیت و وضعیت نسبی دوربین ها در تصاویر استریو، در درون ماتریس اساسی E (Essential Matrix) مندرج است. تجزیه این ماتریس به یک ماتریس دوران R و یک ماتریس پادمتقارن S، ابزاری کارآمد در بازیابی موقعیت و وضعیت نسبی دوربین ها در این تصاویر می باشد. در این مقاله، با استفاده از تجزیه ماتریس اساسی E و بردار پایه فضای پوچ چپ آن به مقادیر و بردارهای منفرد (Singular Value Decomposition)، روشی جدید برای بازیابی موقعیت نسبی دوربین ها در تصاویر استریو ارائه شده است. ابتدا فرمول های موجود در تجزیه ماتریس اساسی E به ماتریس دوران R و ماتریس پادمتقارن S با استفاده از تجزیه SVD، به طور مستقیم اثبات و تبیین شده و در ادامه بر اساس نتایج آن، روشی جدید در این مقاله ارائه و اثبات می گردد. در این روش نیازی به نگاشت اولیه ماتریس اساسی E محاسبه شده از مختصات های خطادار نقاط عکسی متناظر در دو تصویر، به فضای ماتریس های اساسی نبوده و این نگاشت در هنگام تعیین ماتریس پادمتقارن S انجام می گردد. بررسی های انجام شده نشان می دهد که نتایج روش جدید ارائه شده با نتایج حاصل از فرمول های تجزیه موجود یکسان است.

دسته بندی احساسی عقاید زمینه ای در پردازش زبان طبیعی است که در سال های اخیر با محبوب شدن فروشگاه های اینترنتی و امکان درج عقیده در مورد کالا یا سرویس خریداری شده مورد توجه پژوهشگران قرار گرفته است. برای آموزش مدل های دسته بند، به مجموعه داده های برچسب خورده نیاز است؛ اما عدم وجود نمونه های برچسب خورده در همه دامنه ها و با توجه به دشواری فرایند برچسب زدن نمونه ها، می بایست به نوعی از نمونه هایی که در دامنه های دیگر وجود دارد برای ساخت مدل ها استفاده نمود. در این مقاله روشی برای دسته بندی احساسی عقاید به دو دسته مثبت و منفی، مبتنی بر یادگیری انتقالی چندمنبعی ارائه می شود. روش پیشنهادی این مقاله با استفاده از یادگیری متناظر ساختاری، اقدام به تطبیق دامنه های مختلف نموده و بر اساس روال تکرارشونده یک الگوریتم بوستینگ به نمونه های دسته بندی شده دامنه های مختلف، وزنی را تخصیص داده و با ادغام هر یک از دسته بندها، در مورد دسته هر عقیده تصمیم گیری می نماید. وزن دهی به نمونه ها برای تقویت فرایند دسته بندی مبنتی بر فرایند بوستینگ و ترکیب آن با یادگیری متناظر ساختاری مهم ترین نوآوری پژوهش جاری است. از مجموعه داده های آمازون برای 4 رده مختلف که هر کدام شامل 1000 نمونه مثبت و 1000 نمونه منفی هستند برای آموزش مدل پیشنهادی استفاده شده است. مقدار معیار درستی 89٫ 64%، 93٫ 97%، 92٫ 39% و 90٫ 17% به ترتیب برای رده های الکترونیک، دی وی دی، کتاب و آشپزخانه به دست آمده و حاکی از مؤثر بودن روش پیشنهادی در قیاس با روش های مشابه است.