کنفرانس بین المللی پژوهش های کاربردی در کامپیوتر، برق و فناوری اطلاعات
سال:1400 | دوره:6 |تعداد مقالات:6

در سال های اخیر خدمات مبتنی بر شبکه نوظهور رشد زیادی داشتند، یکی از این موارد اینترنت اشیا است. اینترنت اشیاء با چالش هایی مواجه است که از مهم ترین آن ها می توان به امنیت داده های موجود، جلوگیری از نفوذ و حملات اشاره کرد. به همین دلیل سیستم تشخیص نفوذ به عنوان یکی از مهم ترین راهکارها جهت ارتقاء امنیت اینترنت اشیاء معرفی شد. در سیستم های تشخیص نفوذ، نفوذهای غیرمجاز به شبکه با الگوریتم هایی تشخیص داده می شود و نتایج آن به اطلاع کاربر اطلاع می رسد. در این کار، اشیاء با استفاده از الگوریتم جنگل تصادفی روشی برای تشخیص نفوذ در دستگاه های همراه اینترنت ارائه می شود. روش پیشنهادی در سه مرحله نرم افزار وکا شبیه سازی می شود. در مرحله اول، داده ها از وب سایت تحلیل و آنالیز ترافیک دستگاه های همراه و مقالات جمع آوری می گردد. در مرحله دوم، از تکنیک CFS که یک روش کاهش ویژگی است و براساس همبستگی ها پایه گذاری شده است استفاده می گردد. سپس الگوریتم BestFirst و الگوریتم جنگل تصادفی بر روی ویژگی های مهم انتخاب شده بر روی داده ها اجرا خواهد شد. در نهایت، برای اعتبارسنجی و ارزیابی روش پیشنهادی از فاکتور های FT، TP، Recall و Precisionاستفاده می شود. نتایج شبیه سازی نشان می دهد که روش پیشنهادی در تمامی این فاکتورها کارایی بالاتری دارد.

این تحقیق با هدف ارزیابی عملکرد نظارت سیستمی آنلاین بر جریان تربیت و یادگیری در مدارس متوسطه آموزش و پرورش شهرستان بویراحمد در اثر شیوع ویروس کووید 19 و تحلیل نقاط قوت و ضعف آنها با الگوی SWOT همراه با ارائه پیشنهادات کاربردی و به روش توصیفی-زمینه یابی در سال1400-1399 انجام شده است. جامعه ی آماری آن مدارس متوسطه دوم و اول شهرستان بویراحمد بوده است. برای جمع آوری اطلاعات از فرم آنلاین نظارت بالینی جریان تربیت و یادگیری ثبت شده در سیستم جامع مدیریت یادگیری و آموزش فرهنگیان (LTMS) استفاده شده است. تجزیه و تحلیل اطلاعات با آزمون آنالیزواریانس و تحلیل SWOT در محیط ترم افزارSPSS26 و رسم نمودارها با اکسل انجام شد. نتایج تحلیل واریانس نشان داد که نظارت سیستمی آنلاین بر جریان تربیت و یادگیری مجازی در دوره تعطیلی مدارس در شرایط قرمز بر مؤلفه های آموزشی تعلیم و تربیت مدارس متوسطه شهرستان بویراحمد موثر بوده است (p<0. 05). ایفای نقش فعال مدیر و معاونان آموزشی و پرورشی؛ پیاده سازی کامل مثلث نظارت بالینی (رسانه های پرشمار، طراحی آموزشی و اشتراک گذاری در بستر وب) مجازی یا حضوری و رعایت چارچوب آموزش فضای مجازی برای کیفیت بخشی نظارت سیستمی آنلاین بر جریان تربیت و یادگیری مجازی توصیه می شود.

اطلاعات بخش مهم و حیاتی در جوامع بشری و زندگی افراد می باشد. با توجه به پیشرفت تکنولوژی و همه گیر شدن استفاده از شبکه ی اینترنت، اکثر شرکت ها، ادارات و سازمان ها اطلاعات و خدمات خود را در بستر وب ارائه می دهند. همچنین به دلیل ارزشمند بودن این اطلاعات، همواره افراد و یا سازمان هایی وجود دارند که قصد سوء استفاده از این اطلاعات را دارند. در محیط وب، این داده ها اکثراً با استفاده از سیستم مدیریت پایگاه داده MySQL و یا MS-SQL Server و در پاره ای موارد پایگاه داده های دیگری نظیر Oracle و غیره، نگهداری و مدیریت می شوند. یکی از روش های متداول برای دسترسی غیر مجاز به این داده ها، استفاده از حملات SQL Injection است که در آن مهاجم با ارسال دستورات SQL و حتی کدهای JavaScript به سمت سرور داده، قصد مختل کردن فعالیت آنرا داشته و بواسطه ی این اختلال می تواند به اطلاعات پایگاه داده و حتی در گاهی مواقع به سرور نیز دسترسی داشته باشد. یکی از وظایف مدیر پایگاه داده، تشخیص و جلوگیری از بروز چنین حملاتی می باشد.

همزمان با رشد روز افزون جمعیت و گسترش استفاده از انرژی الکتریکی، تکنولوژی های مختلفی از واحدهای تولید پراکنده شامل تولیدات مبتنی بر سوخت های فسیلی و تولیدات پراکنده تجدیدپذیر جهت پاسخگویی به نیاز مصرف کنندگان به همراه تولیدات متمرکز و نیروگاه ها بکار گرفته می شوند. در این راستا، نیاز به کنترل بهترِ توان در سمت مصرف، منجر به شکل گیری ریز شبکه ها گردیده است. یکی از مسائل مهم در ریز شبکه ها بهبود کیفیت توان شبکه جهت افزایش رضایت مندی مشترکین و بارهای حساس می باشد؛ از طرف دیگر امروزه جهت کاهش استفاده از سوخت-های فسیلی و تولید آلاینده های زیست محیطی، استفاده از منابع تولید پراکنده مبتنی بر انرژی های تجدید پذیر روز به روز در حال گسترش است. از این رو در این مقاله، ابتدا توضیح مختصری در مورد کیفیت توان داده شده است و سپس به معرفی بازیاب دینامیکی ولتاژ (DVR) و روابط حاکم بر آنها و ارائه سیستم کنترلی برای آنها پرداخته شده است. محدود بودن ظرفیت ذخیره سازی انرژی در DVR و به تبع آن محدود شدن دامنه جبران در افت ولتاژ های طولانی، یک عیب عمده DVR به شمار می رود. لذا برای گسترده کردن محدوده جبران می توان با اتصال لینک های DC دو یا چند DVR به یکدیگر از ساختاری به نام بازیاب دینامیکی ولتاژ بین خطی (IDVR) استفاده کرد. اساس کار IDVR تزریق و مبادله توان اکتیو بین فیدر سالم و فیدر معیوب توسط لینک DC مشترک می باشد. در طرح پیشنهادی به استفاده از IDVR جهت بهبود کیفیت توان در ریز شبکه ها پرداخته می شود که در آن ساختار کنترلی IDVR مبتنی بر استراتژی جبران مینیمم انرژی، شامل ضرایب کنترل کننده ها به طور بهینه ای تعیین می گردد. از آنجا که مسأله مورد نظر یک مسأله غیر خطی است، لذا جهت انجام بهینه سازی، الگوریتم اجتماع ذرات (PSO) بکار گرفته می شود. شبیه سازی بر روی یک ریز شبکه نمونه شامل واحدهای فتوولتاییک به کمک نرم افزار MATLAB انجام گردیده و سپس به بررسی و تحلیل نتایج شبیه سازی در فصل آخر پرداخته شده است.

تشخیص اشیاء یک کار بینایی ماشین مهم است که برای شناسایی نمونه هایی از اشیاء بصری کلاس های خاص (مثلاً انسان ها، حیوانات، اتومبیل ها یا ساختمان ها) در تصاویر دیجیتالی مانند عکس ها یا فریم های ویدیو استفاده می شود. هدف از تشخیص اشیاء، توسعه مدل های محاسباتی است که اساسی ترین اطلاعات مورد نیاز برنامه های بینایی ماشین را ارائه می کند و همچنین افزودن درک تصاویر همانند انسان به رایانه می باشد. حال چالش موجود این می باشد که کدام یک از الگوریتم های تشخیص اشیاء عملکرد قابل قبولی از نظر دقت و زمان پاسخ را دارد. پژوهشگران دیگر نیز این موضوع را برای الگوریتم های تشخیص اشیاء که از فناوری شبکه عصبی بهره مند می باشند مورد بحث و بررسی قرار داده اند و به نتایج قابل قبولی رسیده اند. حال ما درنظر داریم الگوریتم هایی که از فناوری شبکه عصبی استفاده می کنند را با الگوریتم هایی که از این فناوری استفاده نمی کنند را مورد بحث و بررسی قرار دهیم. در این مقاله ما به این نتیجه می رسیم که الگوریتم هایی که از فناوری شبکه عصبی و یادگیری عمیق را استفاده می کنند نیازمند قدرت محاسباتی بالا هستند به تبع زمان پاسخ آن ها پایین و از دقت بالایی در تشخیص اشیاء برخوردار هستند.

فشارخون عامل قابل اصلاح برای بیماری های قلبی عروقی مانند بیماری اسکمیک قلب است که از دلایلی اصلی مرگ در سراسر جهان است که با نام کشنده خاموش معرفی می شود. از این رو، روش هایی که می توانند به طور دقیق خطر ابتلا به فشار خون بالا را در سنین پایین آشکار کنند، ضروری هستند. مدل های معمول پیش بینی خطر بیماری در درجه اول مبتنی بر عامل های شیوه زندگی است. اخیراً، در نظر گرفتن خطر عامل های ژنتیکی ازجمله SNPهای مرتبط با بیماری همراه با مدل سازی خطر، دقت پیش بینی فردی بیماری ها را بهبود بخشیده است. SNP یک تغییر ژنتیکی کوچک در DNA است و رایج ترین نوع تنوع ژنتیکی هست که در میان افراد رخ می دهد. مدل های مختلفی که از نشانگر های ژنومی جهت پیش بینی بیماری فشار خون استفاده می کنند شامل چهار رویکرد آماری، فرا تحلیل، یادگیری ماشین و مدل بالینی هستند. مهم ترین مساله در این مدل ها تعداد بالای SNP های ورودی و ارتباط این SNP ها با یکدیگر است. در مطالعه حاضر از روش مبتنی بر یادگیری عمیق با رویکرد CNN برای استفاده از SNPهای متعدد فشار خون در یک مطالعه کوهورت طولی استفاده و برای مقایسه نیز PRS با استفاده از دو نرم افزار plink و gcta64 محاسبه شده است. در ابتدا دادهای ژنومی تبدیل به تصویر شده و وارد مدل CNN می شود که لایه های آن شامل لایه پیچش، لایه ادغام و لایه کاملاً متصل و در نهایت لایه خروجی می باشد. داده های تحقیق شامل سه بخش داده ژنومی، سن و داده های طولی فنوتیپ فشارخون مبتنی بر مطالعه ژنتیک قلبی-متابولیک تهران است. برای مقایسه کارایی مدل از AUC استفاده شده است که مدل CNN با مقدار AUC 0. 877، عملکرد بهتری نسبت به PRS و همچنین آخرین مدل های ارائه شده در ادبیات موضوع را نشان می دهد.