مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1404 | دوره:23 | شماره:2 |تعداد مقالات:6

گسترش خدمات ابری، ضرورت بهره گیری از روش های مجازی سازی به منظور استفاده بهینه از منابع سخت افزاری را افزایش داده است. در گذشته، ماشین های مجازی گزینه اصلی برای مجازی سازی بودند، اما با ظهور کانتینرها، امکان حذف سیستم عامل اضافه و کاهش سربار منابع فراهم شد. فناوری هایی مانند داکر، پادمن و LXC در این حوزه کاربرد گسترده ای پیدا کرده اند. در همین راستا، وب سرورهای Nginx و Apache نیز برای سازگاری با این فناوری ها بهینه سازی شده اند. در این مقاله، عملکرد این دو وب سرور بر بستر کانتینرهای مختلف و تحت شرایط گوناگون منابع و همروندی بررسی شده است. آزمایش ها نشان می دهند که انتخاب نوع کانتینر به نوع وب سرور و میزان منابع بستگی دارد. در محیط های با منابع محدود، استفاده از LXC برای Apache نتایج بهتری داشته است. در مقابل، در شرایط با منابع بیشتر، داکر برای اجرای Nginx عملکرد مطلوب تری ارائه کرده است. یافته های این پژوهش می تواند به تصمیم گیری بهتر در انتخاب ترکیب مناسب کانتینر و وب سرور بر اساس نیازهای زیرساختی کمک کند.

آزمون نرم افزار یکی از مهم ترین روش های تحلیل میزان اطمینان کیفیت نرم افزار است. این فرایند بسیار زمان بر و پرهزینه است و تقریباً نیمی از هزینه تولید نرم افزار را به خود اختصاص داده است. از این رو به دنبال استفاده از روش های خودکار به منظور کاستن هزینه و زمان آزمون هستیم. مسأله عمده در فرایند تولید داده آزمون، تعیین داده های ورودی برنامه، به گونه ای است که معیار آزمون مشخص شده را برآورده سازد. در این تحقیق از روش ساختاری به منظور فرایند خودکارسازی تولید داده آزمون با تمرکز بر معیار پوشش همه مسیرهای متناهی استفاده شده است. در روش ساختاری، مسأله به یک مسأله جستجو تبدیل شده و از الگوریتم های فرامکاشفه ای برای حل آن استفاده می شود. روش پیشنهادی یک الگوریتم ترکیبی است که در آن الگوریتم یادگیری q به عنوان یک روش جستجوی محلی در درون ساختار الگوریتم جستجوی کواتی مورد استفاده قرار می&rlm, گیرد. به طور متوسط، الگوریتم پیشنهادی ما در مقایسه با سایر الگوریتم ها حدود 25 تا 30 درصد بهبود را در پوشش نشان می دهد که آن را به طور قابل توجهی نسبت به دیگر الگوریتم ها مؤثرتر می کند. نتایج آزمایش ها نشان می دهد که الگوریتم پیشنهادی به دلیل رویکرد بهینه در جست وجوی مسیرهای آزمون، در مقایسه با سایر الگوریتم ها، پوشش مسیر بالاتری حاصل کرده است.

در اینترنت اشیا به دلیل حجم بالای داده ها، چالش های قابل توجهی در پردازش و ذخیره سازی اطلاعات هست که نیاز به توجه دارد؛ از جمله تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی. محاسبات مه به عنوان یک راهکار مؤثر برای این چالش ها شناخته می شود. این مقاله به بررسی روش های مختلف تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم افزارمحور می پردازد و چهار روش بهینه سازی شامل SDN، SA+GA، OLB-LBMM و Round-Robin را مورد تحلیل و مقایسه قرار می دهد. هدف اصلی این تحقیق، بهبود عملکرد و امنیت در فرایند تخلیه داده ها با توجه به چالش های موجود است. روش شبکه نرم افزارمحور به عنوان یک چارچوب منعطف برای مدیریت منابع و داده ها در شبکه های اینترنت اشیا، عملکرد بهتری نسبت به سایر روش ها ارائه می دهد و با کاهش تأخیر و بهینه سازی تخصیص منابع، موجب افزایش رضایت کاربران و درآمد ارائه دهندگان خدمات ابری می شود. همچنین الگوریتم های SA+GA و OLB-LBMM بهبودهایی در کارایی و امنیت ارائه می دهند، اما با چالش هایی در تأخیر و پیچیدگی محاسباتی مواجه هستند. نتایج نشان می دهند که یادگیری مشارکتی در ترکیب با شبکه نرم افزارمحور می تواند بهبود قابل توجهی در تخلیه امن داده ها و مدیریت منابع شبکه ایجاد کند.  ,  ,  ,

بیماری های قلبی یکی از مهم ترین عوامل مرگ ومیر در جهان محسوب می شوند و تشخیص زودهنگام آنها از اهمیت بالایی برخوردار است. روش های موجود در انتخاب ویژگی برای تشخیص بیماری قلبی معمولاً محدود به استفاده از یک الگوریتم واحد بوده و ممکن است منجر به انتخاب ویژگی های زائد یا حذف ویژگی های مهم شوند که این امر دقت طبقه بندی را کاهش می دهد. در این مقاله، روش ترکیبی جدیدی برای انتخاب ویژگی ارائه شده که با بهره گیری از تلفیق نرم نتایج چند الگوریتم انتخاب ویژگی، ویژگی های کارآمدتر و مرتبط تر شناسایی می شوند. همچنین برای افزایش دقت و سرعت تشخیص، از طبقه بندی ماشین یادگیری حداکثری با کرنل موجک استفاده شده که پارامترهای آن توسط نسخه اصلاح شده الگوریتم فراابتکاری قورباغه بهینه می شوند. این الگوریتم اصلاح شده شامل مکانیزم وزن دهی پویا و ترکیب با الگوریتم ژنتیک می باشد که به بهبود دقت و سرعت طبقه بندی کمک می کند. برای اثبات توانمندی و تعمیم پذیری روش، آن بر روی سه مجموعه داده معتبر UCI آزمایش شده که نتایج ارزیابی نشان می دهند دقت مدل پیشنهادی به 3/93% رسیده است. نتایج بیانگر توانمندی و تعمیم پذیری بالای روش پیشنهادی در تشخیص بیماری قلبی می باشد.

سرطان پستان، یکی از نگرانی های مهم در حوزه بهداشت جهانی محسوب می شود، که به دو نوع خوش خیم و بدخیم تقسیم می شود. نوع بدخیم آن به دلیل متاستاز سریعتر، خطر بیشتری دارد. از اینرو، نیاز حیاتی به تشخیص سریع و دقیق دارد. علیرغم تخصص رادیولوژیست ها، خطاهای ناشی از تفسیر غلط منجر به تشخیص های نادرست می شود. برای حل این مشکل، این مقاله سیستم هوشمندی را برای تحلیل تصاویر ماموگرافی پیشنهاد می کند که شامل مراحل پیش پردازش، استخراج ویژگی ها و طبقه بندی آنها می باشد. در این سیستم، ابتدا با استفاده از تکنیک های پیش پردازشی مانند بهبود هیستوگرام تطبیقی محدود شده توسط کنتراست کیفیت تصویر را بهبود بخشیده و در ادامه از روش قطعه بندی به روش آستانه گذاری آتسو برای استخراج ناحیه مربوط به توده سرطانی استفاده می شود. همچنین با استفاده از دو مدل از پیش آموزش داده شده شبکه های عصبی پیچشی (CNN)، یعنی ResNet50 , و InceptionV3، ویژگی های کلیدی برای تمایز بین تومورهای خوش خیم و بدخیم استخراج می شود. در نهایت، با بهره مندی از طبقه بند ماشین بردار پشتیبان (SVM)، ویژگی های استخراج شده به منظور پیشبینی نوع تومورها، تجزیه و تحلیل می شود. نتیجه این کار، بهبود دقت تشخیص و همچنین تشخیص زودهنگام سرطان پستان است، که منجر به کاهش خطای انسانی و چالش های فعلی در تفسیر تصاویر ماموگرافی می شود.

تصاویر متنی با وضوح پایین معمولاً باعث ایجاد خطاهای جدی در خوانش و بازیابی متن می شوند که این امر می تواند بر کارایی سیستم های خوانش متن، تأثیر منفی بگذارد. فراتفکیک سازی تصاویر متنی، به ویژه در شرایطی که تصاویر اولیه دارای تفکیک پذیری پایینی هستند، از عوامل کلیدی در بهبود دقت سیستم های خوانش متن است. روش های سنتی فراتفکیک سازی، هرچند در بهبود کیفیت تصاویر موفق بوده اند، اما همچنان در حفظ جزئیات دقیق حروف و ساختار متن با چالش مواجهند. در این پژوهش، روشی برای فراتفکیک سازی تصاویر متنی ارائه شده که با بهره گیری از بازخورد هوشمندانه توسط تضعیف عامدانه تابع زیان خوانش، سخت گیری بیشتری بر شبکه فراتفکیک ساز اعمال کرده تا به طور ویژه تصاویری تولید کند که در آن ساختار حروف به خوبی حفظ شده باشد. این تابع زیان، شبکه فراتفکیک سازی را وادار به بازسازی جزئیات ازدست رفته در تصاویر کرده و دقت سیستم های خوانش متن را به طور قابل توجهی بهبود می بخشد. نتایج تجربی نشان می دهند که این روش نه تنها به افزایش وضوح بصری تصاویر منجر می شود، بلکه کارایی و دقت سیستم های خوانش متن را حدود 10 درصد نسبت به تصاویر اولیه بهبود می بخشد. این رویکرد جدید گامی مؤثر در جهت بهینه سازی فرایندهای خوانش متن از تصاویر با تفکیک پذیری پایین به شمار می رود.