مهندسی برق و مهندسی کامپیوتر ایران - ب مهندسی کامپیوتر
سال:1399 | دوره:18 | شماره:4 |تعداد مقالات:7

فقدان یک روش کارا برای مبادله فریم ها به علت تأخیر زیاد در روش Pull و تعداد بالای فریم های تکراری در روش Push، به عنوان دو روش اصلی مبادله محتوا بین نظیرها، انگیزه ای قوی جهت معرفی روش های ترکیبی مبتنی بر این دو روش پایه جهت مبادله جریان زنده ویدئویی در شبکه های نظیر به نظیر توری بوده است. تحقیقات نشان داده که این روش ها از مشکلات ذاتی دو روش پایه رنج می برند، زیرا تنها تجمیعی ساده از اجرای متوالی یا موازی آنها هستند. این پژوهش به معرفی AMIN، یک روش نوین ترکیبی برای مبادله هوشمندانه فریم های ویدئو بین نظیرها می پردازد. در روش AMIN، بر خلاف روش Pull، هر نظیر نقشه وضعیت حافظه (BMS) خود را به صورت دوره ای به نظیرهایی تا حداکثر دو گام از خود می فرستند و نظیر دریافت کننده BMS به جای درخواست فریم از فرستنده BMS، بررسی می نماید خود چه فریم هایی را می تواند به سمت این نظیر ارسال نماید. همچنین بر خلاف روش Push، نظیر ارسال کننده فریم به دلیل وجود BMS دریافتی از همسایه خود، ارسالی کورکورانه به آن نخواهد داشت. نتایج شبیه سازی نشان دهنده افزایش قابل ملاحظه کیفیت ویدئوی دریافتی در نظیرها، کاهش تأخیر نقطه به نقطه، تأخیر دریافت و تعداد فریم های تکراری نسبت به دو روش پایه و مشابه اخیر است.

ردیابی اهداف متحرک یکی از کاربردهای شبکه های حسگر است. در طراحی یک الگوریتم ردیابیِ هدف متحرک دو مسأله کاهش انرژی مصرفی و بهبود کیفیت ردیابی حایز اهمیت است. یکی از راهکارهای کاهش مصرف انرژی، تشکیل خوشه ردیاب است و دو چالش مهم در تشکیل خوشه ردیاب زمان و چگونگی تشکیل آن است. به منظور کاهش تعداد پیام های مبادله شده برای تشکیل خوشه ردیاب، یک مکانیزم حراج تطبیق داده می شود. پیشنهاد هر حسگر در حراج با هدف برقراری موازنه ای مناسب میان طول عمر شبکه و دقت ردیابی به صورت پویا و مستقل ارائه می شود. از این گذشته، از آنجایی که خوشه ردیاب می بایست قبل از رسیدن هدف به ناحیه مورد نظر تشکیل شود (خصوصاً زمانی که سرعت هدف بالا است) جلوگیری از تأخیر در تشکیل خوشه ردیاب چالشی دیگر است. عدم توجه به چالش مذکور منجر به افزایش نرخ گمشدگی هدف و به تبع آن اتلاف انرژی می شود. برای غلبه بر این مشکل، پیش بینی موقعیت هدف در دو گام بعد توسط شبکه عصبی و تشکیل هم زمان خوشه های ردیاب در یک و دو گام بعد را پیشنهاد می دهیم. نتایج حاصل از شبیه سازی نشان دهنده عملکرد مناسب تر الگوریتم پیشنهادی در مقایسه با الگوریتم AASA است.

شبکه نرم افزار محور (SDN) نسل بعدی معماری شبکه است که با جداکردن سطح داده و سطح کنترلی، کنترل متمرکزی را با هدف بهبود قابلیت مدیریت و سازگاری شبکه امکان پذیر می سازد. با این حال به دلیل سیاست کنترل متمرکز، این نوع شبکه مستعد از دسترس خارج شدن سطح کنترلی در مقابل حمله منع سرویس است. در حالت واکنشی، افزایش قابل توجه رخدادهای ناشی از ورود جریان های جدید به شبکه فشار زیادی به سطح کنترلی اعمال می کند. همچنین، وجود رخدادهای مکرر مانند جمع آوری اطلاعات آماری از سراسر شبکه که باعث تداخل شدید با عملکرد پایه سطح کنترلی می شود، می تواند به شدت بر کارایی سطح کنترلی اثر بگذارد. برای مقاومت در برابر حمله و جلوگیری از فلج شدن شبکه، در این مقاله معماری جدیدی به نام SAHAR معرفی شده که از یک جعبه کنترلی متشکل از یک کنترل کننده هماهنگ کننده، یک کنترل کننده اصلی نصاب قوانین جریان و یک یا چند کنترل کننده فرعی نصاب قوانین جریان (بر حسب نیاز) استفاده می کند. اختصاص وظایف نظارتی و مدیریتی به کنترل کننده هماهنگ کننده باعث کاهش بار کنترل کننده های نصاب قوانین جریان می شود. علاوه بر آن، تقسیم ترافیک ورودی بین کنترل کننده های نصاب قوانین جریان توسط کنترل کننده هماهنگ کننده بار را در سطح کنترلی توزیع می کند. بدین ترتیب، با تخصیص بار ترافیکی ناشی از حمله منع سرویس به یک یا چند کنترل کننده فرعی نصاب قوانین جریان، معماری SAHAR می تواند از مختل شدن عملکرد کنترل کننده اصلی نصاب قوانین جریان جلوگیری کرده و در برابر حملات منع سرویس مقاومت کند. آزمایش های انجام شده نشان می دهند که SAHAR در مقایسه با راهکارهای موجود، کارایی بهتری در مواجهه با حمله منع سرویس از خود نشان می دهد.

امروزه رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری، موجب افزایش مصرف انرژی در مراکز داده شده است. محاسبات ابری سبز برای جلوگیری از افزایش مصرف انرژی مراکز داده بیان شده است. یکی از راهکارهای کاهش مصرف انرژی در سیستم های پردازش ابری، استفاده از روش های تجمیع سرویس ها است. روش های تجمیع موجود با مهاجرت های غیر ضروری، عدم تعادل بار کاری میزبان ها و نادیده گرفتن ارتباط بین سرویس ها ممکن است باعث کاهش کیفیت سرویس و افزایش مصرف انرژی شود. لذا در این تحقیق با مهاجرت دادن سرویس های ضروری بر اساس اولویت (شامل تعداد فرزندان، سطح و هزینه ارتباطی هر سرویس)، از میزبان هایی که بارکاری خیلی زیاد و یا خیلی کم دارند (که موجب مصرف انرژی زیادی می شوند) به میزبان هایی که حاوی سرویس های همکار هستند، بهره وری منابع موجود مرکز داده بهبود یافته و مصرف انرژی کاهش می یابد. مهاجرت زنده سرویس ها بر اساس اولویت و به حداقل رساندن تعداد مهاجرت ها با هدف کاهش مصرف انرژی، کاهش زمان پاسخ و افزایش کارایی سیستم می باشد. با بررسی و مقایسه روش پیشنهادی با روش های دیگر، بهبود 10/37 درصدی در کاهش مصرف انرژی در مراکز داده ابری، 11/18 درصدی در کاهش تعداد مهاجرت سرویس ها و 1/46 درصدی در افزایش تعداد میزبان هایی که خاموش شده اند، مشاهده می شود.

امروزه یکی از مهم ترین مسایل حوزه پردازش تصویر، مات زدایی تصاویر مات شده است. مات زدایی تصویر با توجه به مجهول یا معلوم بودن کرنل مات کننده، به ترتیب، به دو دسته مات زدایی کور و مات زدایی غیر کور تقسیم می شود. در مات زدایی کور، هم زمان با تخمین تصویر، کرنل مات کننده هم باید تخمین زده شود که همین امر، باعث افزایش هزینه محاسباتی فرایند مات زدایی می شود. مات زدایی غیر کور تصاویر یک مسأله بدوضع از میان مسایل معکوس خطی است و در نتیجه برای تخمین تصویر از مسایل بهینه سازی استفاده می شود. معمولاً روش های مات زدایی غیر کور، فرض می کنند که کرنل مات کننده بدون خطا است، اما در عمل دانش ما از کرنل مات کننده دارای عدم قطعیت است. از این رو، در این مقاله ما یک روش مات زدایی «نیمه کور» را ارائه داده ایم که روشی جدید برای مات زدایی می باشد. این ایده بین روش مات زدایی کور و غیر کور قرار می گیرد و در اصل نگاهی واقع گرایانه به مسأله مات زدایی دارد. در روش پیشنهادی، نه همه اطلاعات فرایند تخریب کننده تصویر را مفروض گرفته ایم و نه چنین است که هیچ اطلاعاتی در مورد این فرایند ندانیم. مدل بهینه سازی مقاوم پیشنهادی به دنبال فیلتری برای مات زدایی تصویر است که بتواند در بدترین حالت، یعنی وجود حداکثری عدم قطعیت در مورد کرنل مات کننده، جوابی با کمترین خطای ممکن به دست آورد. بر مبنای نتایج شبیه سازی ها برای دو تصویر، مدل نیمه کور پیشنهادی ما می تواند بیش از 4 دسی بل بهبود PSNR در مقایسه با روش های مات زدایی کور داشته باشد.

امروزه در بسیاری از مسایل دنیای واقعی همچون شبکه های اجتماعی، با جریان داده مواجه هستیم که در هر لحظه داده جدیدی به مجموعه داده های موجود اضافه می شود. از آنجا که کارایی بیشتر الگوریتم های داده کاوی با افزایش ابعاد داده ها کاهش می یابد، تحلیل این جریان داده ها در سال های اخیر به یکی از مسایل مهم در داده کاوی تبدیل شده است. روش های انتخاب ویژگی در جریان داده های برخط، روش های کارآمدی هستند که با حذف ویژگی های افزونه و نامربوط باعث کاهش ابعاد کلان داده ها و در نتیجه بهبود کارایی الگوریتم ها می شوند. از چالش های اساسی در رابطه با الگوریتم های انتخاب ویژگی برخط، در دسترس نبودن همه داده ها قبل از شروع الگوریتم، مقیاس پذیری، دقت ویژگی های انتخاب شده و اندازه زیرمجموعه انتخابی را می توان نام برد. تا کنون الگوریتم های انتخاب ویژگی موجود تنها توانسته اند بخش محدودی از این چالش ها را به صورت هم زمان مرتفع کنند. به همین منظور در این مقاله یک راهکار انتخاب ویژگی برخط به نام MMIOSFS با استفاده از اطلاعات متقابل ارائه داده ایم که حد واسط بهتری را میان چالش های ذکرشده به دست می آورد. در روش پیشنهادی در ابتدا مجموعه ویژگی ها با استفاده از تکنیک متغیرهای تصادفی توأم به یک ویژگی نگاشت و سپس اطلاعات متقابل ویژگی جدید با برچسب به عنوان میزان ارتباط مجموعه ویژگی های اولیه در نظر گرفته می شود. کارایی روش پیشنهادی با چند الگوریتم انتخاب ویژگی برخط با استفاده از دسته بندهای مختلف مورد ارزیابی قرار گرفته و نتایج به دست آمده نشان می دهد الگوریتم پیشنهادی معمولاً حد واسط بهتری میان چالش ها به دست می آورد.

محیط های چندابری شامل منابع متنوع قابل ملاحظه ای هستند که هزینه های زمان بندی کاربردهای جریان کاری در چنین محیط هایی می تواند به طور چشم گیری کاهش یابد و همچنین محدودیت ارائه منابع توسط فراهم کنندگان تجاری ابر رفع شود. بر این اساس، این تحقیق به مسأله زمان بندی کاربردهای جریان کاری علمی در محیط چندابری تحت قید مهلت زمانی با هدف کمینه سازی هزینه می پردازد. در این مقاله با به کارگیری الگوریتم جستجوی فاخته که یکی از مشهورترین روش های جستجوی فراابتکاری می باشد، الگوریتمی برای مسأله زمان بندی کاربردهای جریان کاری در محیط چندابری ارائه شده است. الگوریتم فراابتکاری جستجوی فاخته قادر است در مدت زمانی کوتاه فضای جواب را جستجو نموده و جواب هایی را در همسایگی جواب بهینه سراسری بیابد که به آن نزدیک می باشد. نتایج به دست آمده نشان می دهند که راهکار پیشنهادی این تحقیق در مقایسه با دیگر راهکارهای فراابتکاری در موارد کاهش هزینه کارایی بهتری داشته و همچنین جواب های به دست آمده از الگوریتم فراابتکاری پیشنهادی، در حد مطلوبی نزدیک به جواب های بهینه سراسری به دست آمده از مدل ریاضی است.