نشریه علوم رایانشی
سال سوم شماره 3 (پیاپی 10، پاییز 1397)

برای مقابله با برخی از چالش های فناوری اطلاعات و ارتباطات، مانند کنترل، نظارت و مدیریت هوشمند اشیاء و ارتباطات بین آن ها در کاربردهایی همچون مدیریت تولید و مصرف انرژی، ارتباطات بین خودرویی، کشاورزی و سلامت الکترونیکی، فناوری اینترنت اشیاء معرفی شده است. در این مقاله فناوری اینترنت اشیاء از نظر معماری و ارتباط بین اجزای آن، استانداردهای این فناوری، انواع میان افزارها مانند مبتنی بر رخداد و فضای تاپل، مبتنی بر عامل، خدمات محور، مبتنی بر ماشین مجازی و بر پایه پایگاه داده ها مورد بحث و بررسی قرار می گیرند. همچنین برخی از مسائل و چالش های آتی اینترنت اشیاء از قبیل بحث های قانونی، امنیت و حریم خصوصی و مدیریت داده های چند رسانه ای از قبیل صدا، تصویر، ویدئو در زمینه جمع آوری، پردازش و ذخیره و بازیابی مطرح می گردد.

هدف از ایجاد و گسترش فناوری اینترنت اشیاء (IoT)، توانمندسازی اشیاء برای اتصال به شیء دیگر بدون در نظر گرفتن زمان و مکان است. برای پیاده سازی چنین هدفی چالش های فراوان بسیاری وجود دارد که یکی از مهم ترین این چالش ها، چالش های امنیتی است. جهت اعمال سیاست های امنیتی ابتدا لازم است که ساختار سیستم IoT به صورت دقیق شناخته شود. در این مقاله، معماری اینترنت اشیاء با تکیه بر الزامات امنیتی بر اساس چارچوب چهار لایه ای پیشنهادی مبنی بر لایه ادراکی، لایه شبکه، لایه حمایتی و لایه برنامه کاربردی شرح داده می شود. در این بررسی، تهدیدات و آسیب پذیری های متداول در معماری IoT مطابق با معماری امن چهار لایه و در قالب چارچوب جامع پیشنهادی مورد بحث قرار گرفته است. همچنین مروری بر پروتکل های امنیتی مورد استفاده در لایه های مختلف معماری امنیتی IoT انجام شده و مقایسه ای بر الگوریتم های رمزنگاری سبک وزن نوینی که به منظور حفاظت اطلاعات در تمام چهار لایه معماری IoT مورد استفاده قرار گرفته، ارائه شده است.

امروزه مسئله پیداکردن الگوریتم های خوشه بندی نظارت شده برای داده های پویا و جریان داده اهمیت زیادی دارد. محققان سعی می کنند برای حل کردن این مسئله الگوریتم های جدید ارائه نمایند و یا الگوریتم های موجود را بهبود دهند. در میان این الگوریتم ها، روش SAIC برای خوشه بندی داده های پویا با خوشه های با اندازه و شکل دلخواه ارائه شده است. در این روش، تعداد خوشه ها به طور خودکار توسط الگوریتم مشخص می شود اما این الگوریتم قادر به تشخیص صحیح خوشه های مسائل تک دسته ای نیست. این امر موجب می شود که بعضا در خوشه بندی جریان داده اختلال ایجاد شود. در این مقاله ضمن توضیح علت ایجاد این مشکل، الگوریتمISAIC برای بهبود الگوریتم SAIC پیشنهاد می شود. همچنین عملکرد الگوریتم ISAIC با الگوریتم SAIC روی چند مجموعه داده مورد مقایسه قرار گرفته و نتایج ارایه شده است. میزان بهبود دقت دسته بندی بر روی مجموعه داده های مورد آزمایش حداقل صفر و حداکثر حدود 65% است.

امروزه ایمیل که یک وسیله ارتباطی سریع و کم هزینه می باشد به یکی از مهم ترین ابزارهای مدرن برای ارتباط در محیط های برخط تبدیل شده است. اما مشکلی اصلی این است که ارسال هرزنامه باعث آزار کاربران، اتلاف زمان، هزینه، منابع شبکه و پهنای باند می شود. بنابراین ایمیل هرزنامه به یک مشکل جدی برای کاربران و سازمان هایی که مدت زمان زیادی از وقت خود را با ایمیل و کامپیوتر کار می کنند تبدیل شده است. در ایمیل هرزنامه بیشتر اوقات، کلاهبرداران با فرستادن هرزنامه قصد نفوذ به کامپیوتر یا کلاهبرداری را دارند که این گونه هرزنامه ها اغلب حاوی نرم افزارها و پیوندهای مخرب هستند که در درون خود انواع بدافزارها و ویروس ها را دارند. در این مقاله یک مدل بهبود یافته مبتنی بر الگوریتم بهینه سازی علف های هرز مهاجم و K نزدیک ترین همسایه برای تشخیص ایمیل هرزنامه پیشنهاد شده است. در مدل پیشنهادی با استفاده از الگوریتم بهینه سازی علف های هرز مهاجم، ویژگی های مهم برای تشخیص ایمیل هرزنامه را انتخاب می کنیم و سپس توسط K نزدیک ترین همسایه، نمونه ها را طبقه بندی می کنیم. انتخاب ویژگی باعث می شود که درصد دقت تشخیص بیشتر باشد. ارزیابی مدل پیشنهادی برروی مجموعه داده Spambase انجام شده است. نتایج نشان داده که مقدار صحت در مدل پیشنهادی برابر 91.11% است که در مقایسه با مدل های دیگر دقت تشخیص بهتری دارد.

روش های تطبیق دامنه، با کاهش اختلاف بین دامنه ای، مدل هایی تطبیق پذیر بین نمونه های آموزشی و آزمون ایجاد می کنند. هدف این روش ها، یافتن یک طبقه بند بر اساس داده های آموزشی است به طوری که دارای بیشترین انطباق با نمونه های آزمون باشد. در این مقاله، یک روش دومرحله ای با هدف حداقل سازی خطای طبقه بندی و حداکثرسازی سازگاری بین دامنه ای پیشنهاد شده است. روش پیشنهادی، ابتدا با ایجاد یک نمایش مشترک به کاهش اختلاف توزیع بین نمونه های آموزشی و آزمون پرداخته و سپس، یک مدل یادگیری با حداقل خطای پیش بینی در نمایش جدید ایجاد می کند. روش پیشنهادی، بر روی پایگاه داده های بصری شناخته شده از طریق طراحی آزمایش های مختلف مورد ارزیابی قرارگرفته است. نتایج نشان می دهند روش پیشنهادی عملکرد بهتری در پیش بینی برچسب نمونه های جدید، نسبت به روش های جدید حوزه تطبیق دامنه دارد.

با توجه به بزرگ شدن اندازه مدارها، روش های تولید خودکار الگوی آزمون برای تراشه‏های بسیار مجتمع امروزی، کارآیی خود را از دو منظر درصد شناسایی اشکال (پوشش اشکال) و سرعت اجرا از دست داده‏اند. دسته‏ای از این روش ها، الگوریتم‏های تولید الگوی آزمون مبتنی بر رویکرد ارضاپذیری بولی هستند که در آن‏ها، تابع منطقی مدار ابتدا به تعدادی ماکسترم تبدیل شده و سپس عبارت بولی به دست آمده اصطلاحا حل شده و بردارهای آزمون به دست می‏آیند. این الگوریتم‏ها پوشش اشکال بالایی از خود نشان می دهند اما زمان اجرای زیاد آن‏ها باعث شده تا اقبال کمتری به این دسته از الگوریتم‏ها وجود داشته باشد. در این مقاله، با بهره گیری از محاسبات موازی، سرعت اجرای یک الگوریتم تولید الگوری آزمون برای مدارهای دیجیتال مبتنی بر ارضاپذیری بولی بهبود داده شده است. به این منظور، بخشی از فرآیند تولید الگوی آزمون به صورت موازی و بر روی پردازنده گرافیکی (با استفاده از کتابخانه کودا) انجام می شود. نتایج به دست آمده نشان می دهد روش پیشنهادی به میزان بیش از 4 برابر سریع تر از زمانی است که بر روی یک پردازنده چندهسته ای اجرا می شود و به طور میانگین بیش از 9 برابر سریع تر از الگوریتم پیشنهادی در [8] است که سعی نموده زمان اجرای الگوریتم های مبتنی بر ارضاپذیری بولی را بهبود دهند.