نشریه علوم رایانشی
سال پنجم شماره 4 (پیاپی 19، زمستان 1399)

الگوها راه‌حل‌هایی هستند که افراد خبره برای حل مسایل تکرار شونده ارایه می‌دهند. در واقع الگو با ساختار سطح بالایی که از یک راه‌حل ارایه می‌دهد می‌تواند در حل مشکلات عینی مختلف مورد استفاده قرار گیرد. یکی از حوزه‌هایی که خصوصا در چند سال اخیر بسیار مورد توجه قرار گرفته و محققان به استخراج الگو در آن پرداخته‌اند، اینترنت اشیاء است. روز به روز اشیاء بیشتری در حال اتصال به شبکه جهانی هستند و در این میان سازمان‌ها و شرکت‌های مختلف هریک در حال ارایه راه‌حل‌های خود در این حوزه هستند؛ اما عدم یکپارچگی و وابستگی این راه‌حل‌ها به فناوری باعث شده تا قابل به‌کارگیری در کاربردهای مختلف نباشند. در این نوشتار سعی شده با مطالعه الگوهای‌ طراحی مختلفی که تا به امروز در حوزه اینترنت اشیاء ارایه شده‌اند، مجموعه یکپارچه‌ای از این الگوها به همراه حوزه به‌کارگیری آن‌ها، در کنار هم ارایه شود. این الگوها طیف گسترده‌ای از کاربردها مانند راه‌اندازی و ثبت، مصرف انرژی، ارتباطات، و امنیت دستگاه‌ها را پوشش می‌دهند. سپس این الگوها براساس مشابهت با هم، مکمل بودن برای هم، و نیازمندی‌های غیر کارکردی‌ای که برآورده می‌کنند، دسته‌بندی شده‌اند.

با توجه به نقش کمپلکس‌های پروتئینی در انجام بسیاری از کارکردهای سلولی موجودات زنده، کشف آن‌ها می‌تواند به درک عمیق‌تر سازوکار‌های تنظیمی سلول، توصیف فرآیند تکامل در سیگنال‌ها‌ی سلولی، پیش‌بینی عملکرد زیستی پروتئین‌های کشف‌شده و از همه مهم‌تر تحقق اهداف درمانی(تشخیص بیماری و طراحی دارو) منجر شود. رویکردهای محاسباتی ارایه‌شده تاکنون به‌ منظور تشخیص کمپلکس‌های پروتئینی، به ‌طور عمده بر خوشه‌بندی شبکه ‌برهم‌کنش پروتئین-پروتئین تمرکز دارند و این در حالی است که شبکه‌های ‌برهم‌کنش، علاوه ‌بر این که نوفه‌دار می‌باشند، به‌تنهایی، فاقد سازوکار لازم برای در نظر گرفتن ماهیت پویای سلول در فرآیند تشخیص کمپلکس‌های پروتئینی می‌باشند. در این مقاله، مدلی سه لایه مبتنی‌ ‌بر رویکرد خوشه‌بندی ‌دوگانه برای تشخیص کمپلکس‌های پروتئینی از منابع داده‌ای‌ مختلف ارایه‌ شده است. لایه‌های اول، دوم و سوم مدل پیشنهادی، به ترتیب وظیفه پویاسازی، کاهش نویز و تشخیص نهایی کمپلکس‌های پروتئینی را بر عهده ‌دارند. مجموعه ارزیابی‌های مختلف،‌ نشان می‌دهد که روش پیشنهادی توانسته است با استفاده از منابع داده‌ای مختلف در لایه‌های سه‌گانه، ضمن مدیریت بهتر چالش‌های اصلی مسیله‌ مانند نوفه‌دار بودن منابع داده‌ای و ضرورت مدل‌سازی پویای فرآیند تشخیص به کمک داده های بیان ژن، دقت فرآیند تشخیص کمپلکس‌های پروتئینی را بر اساس سنجنده‌‌های مرتبط و در شرایط گوناگون، به میزان قابل ‌توجهی بهبود دهد.

افزایش حجم منابع متنی سبب شده است تا اهمیت فرآیند جستجو بیش از پیش در حوزه بازیابی اطلاعات آشکار گردد. این فرآیند امر چالش‌برانگیزی است زیرا در بسیاری موارد کلمات پرس‌و‌جوی به کار رفته توسط کاربران با کلمات موجود در متون تفاوت دارد و یا از عباراتی برای پرس‌و‌جو استفاده می‌شود که فرآیند جستجو را گمراه می‌نماید. بسیاری از روش‌های پیشین، عبارت پرس‌و‌جو را به‌عنوان کیسه‌ای از کلمات در نظر گرفته و محل قرار گرفتن و یا معنی کلمات را لحاظ نمی‌کنند. اخیرا روش‌های مبتنی بر جاسازی کلمات کارایی خود را در بسیاری از کاربردهای بازیابی اطلاعات به‌طور موثر نشان داده‌اند. در این تکنیک، بردار جاسازی‌شده عبارت پرس‌وجو از ترکیب بردار جاساز کلمات حاصل می‌شود. از این بردار جهت ادامه فرایند جستجو استفاده می‌شود. در این پژوهش روشی مبتنی بر مدل‌سازی موضوعی برای جاسازی عبارت پرس‌وجو ارایه شده‌است که با لحاظ کردن موضوعات موجود در عبارات پرس‌و‌جو، عبارت پرس‌وجو را فارغ از تعداد و محل کلمات به ‌یک نقطه در فضای جدیدی نگاشت کرده و از آن‌ها جهت پردازش‌های بعدی استفاده می‌نماید. روش پیشنهادی بر ‌روی مجموعه آزمون Stack Overflow ارزیابی و تحلیل شده‌است. نتایج به‌دست‌آمده نشان دهنده افزایش دقت روش ارایه‌شده در مقایسه با روش‌های موجود است.

این مقاله به مرور و مقایسه دو شبکه عصبی بازگشتی LSTM و GRU در مدل‌سازی داده‌های سری زمانی نرخ ارز می‌پردازد. این دو الگوریتم، ساختار خاصی از شبکه‌های عصبی بازگشتی عمیق هستند که به علت داشتن سلول حافظه و دروازه‌های کنترلی، توانایی کنترل جریان اطلاعات و تعیین زمان بهینه برای به خاطر سپردن و فراموش کردن دارند. در این گزارش پیش‌بینی نرخ دلار آمریکا به ریال ایران با استفاده از شبکه عصبی بازگشتی ارزیابی شد. دادگان مورد آزمایش، نرخ برابری دلار آمریکا به ریال با 8687 رکورد از ابتدای سال 1371 تا اخر سال 1396 است. داده‌های خام نرخ ارز، بین صفر ویک نرمال‌سازی می‌شوند و با معیارهای اندازه‌گیری دقت پیش‌بینی نتایج شبکه عصبی بازگشتی LSTM با شبکه عصبی بازگشتی GRU در کنار یکدیگر مقایسه شدند. هدف اصلی مقایسه عملکرد دو شبکه عصبی بازگشتی LSTM و GRU در پیش‌بینی نرخ ارز می‌باشد. در آزمایشات مربوط به شبکه GRU، در مقایسه با LSTM، جذر میانگین مربعات خطا برای پیش‌بینی تغییرات نرخ ارز 20 درصد کاهش یافت.

تامین منابع برنامه‌های کاربردی چندلایه در محیط‌های ابری با یکسری چالش‌ها روبروست. که شامل کسر تامین، اضافه تامین و نوسان است. در این مقاله برای مرتفع کردن چالش‌های مطرح‌شده همچنین بهینه‌سازی زمان‌بندی درخواست‌های کاربران و پاسخ‌دهی به آن‌ها، تقلیل مشکل تخطی از سرویس، به ارایه رویکردی بهبود یافته مبتنی بر یادگیری ماشین با بهره‌گیری از حلقه "MAPE" می‌پردازیم. در مرحله تحلیل این حلقه از مدل رگرسیون خطی(LRM) و در مرحله برنامه‌ریزی، از روش مبتنی بر نظریه بیز به منظور بهینه نمودن اقدامات استفاده شده است. سپس رویکرد پیشنهادی خود را تحت بار کاری واقعی FIFA با روش‌های Stat-RA و DPM-RA مقایسه نموده‌ایم که راهکار ارایه شده نسبت به راه‌کارهای پیشین، منجر به افزایش تعداد ماشین‌های مجازی به میزان 10 درصد با بهبود نرخ مقیاس‌بندی، کاهش 8 درصدی میانگین بهره‌وری، کاهش 3 درصدی زمان پاسخ‌دهی، در نتیجه کاهش 5 درصدی هزینه تمام شده و افزایش 1 درصدی سود حاصل شده است.

پردازش لبه با دسترسی چندگانه و پردازش لبه سیار (MEC) به کاربران تلفن‌همراه اجازه می‌دهد تا کارهای پردازشی خود را به لبه شبکه منتقل کنند. MEC قابلیت‌ پردازش لبه و برنامه را در لبه شبکه فراهم می‌کند. در این مقاله، یک مدل بارگذاری پویا براساس بهینه‌سازی لیاپانوف پیشنهاد شده است که پایداری سیستم را بر اساس وضعیت فعلی سیستم حفظ می‌کند. ما از دو روش زمان‌بندی در دو ماشین مجازی استفاده می‌کنیم که در روش اول کارها با زمان اجرای بیشتر اولویت بالاتر (HTHP) و در روش دوم کارها با زمان اجرای کمتر اولویت بالاتر (LTHP) خواهند داشت. نتایج کار با دو روش به ترتیب ورود و با گردش نوبت مقایسه می‌شوند. مقادیر نشان می‌دهد که صرفه‌جویی در مصرف انرژی در HTHP و LTHP به ترتیب 38 و 2/55 درصد است. زمان پاسخ به کارهای ارسالی به ترتیب 199.76 و 182.96 میلی‌ثانیه در هر دو روش HTHP و LTHP است که برای کارها با تعداد زیاد و حجم داده و پردازش بزرگ، بهتر عمل می‌کنند. در این سیستم از 521 کار موجود برای اجرا، تنها 75 کار در دستگاه تلفن‌همراه به‌صورت محلی اجرا می‌شوند که این کارها اندازه داده و پردازش و انرژی مصرفی کمتری دارند. بقیه کارها با اندازه داده و پردازش بیشتر برای اجرا به لایه MEC ارسال می‌شوند.

در فضای اینترنت، امکان به‌کارگیری انواع سرویس‌ها و خدمات متعدد برای کاربران مهیا شده است. همزمان با رشد و گسترش استفاده از اینترنت، تعداد هرز‌نویسان وب افزایش یافته است. صفحات وب هرز به اشکال مختلفی چون تبلیغات تجاری و ویروس‌هایی نهان شده در صفحات وب جایگذاری می‌شود. صفحات وب هرز علاوه بر تهدید امنیت کاربران در وب، موجب هدر رفتن منابع سیستم و ایجاد ترافیک مخرب نیز می‌گردند؛ لذا ارایه راهکارهایی جهت مقابله با وب هرز ضروری به نظر می‌رسد. یکی از روش‌های شناسایی و مقابله با صفحات وب هرز، طبقه‌بندی صفحات با استفاده از الگوریتم‌های یادگیری ماشین است. در این مقاله، مدلی جدید برمبنای الگوریتم حاصلخیزی زمین‌های کشاورزی و بیز ساده با عنوان‌ FFANB برای تشخیص صفحات وب هرز پیشنهاد شده است. در مدل FFANB از الگوریتم حاصلخیزی زمین‌های کشاورزی برای انتخاب ویژگی و بیز ساده برای طبقه‌بندی نمونه‌ها استفاده شده است. هدف مدل FFANB کاهش ویژگی‌ها به منظور افزایش صحت بااستفاده از الگوریتم حاصلخیزی زمین‌های کشاورزی می‌باشد که از مجموعه داده WEBSPAM-UK2007 که از معتبرترین مجموعه داده در زمینه شناسایی صفحات وب هرز می‌باشد استفاده شده است. این مجموعه داده شامل سه دسته ویژگی با عناوین ویژگی‌های مبتنی بر محتوا (96 ویژگی)، ویژگی‌های مبتنی بر پیوند (41 ویژگی) و ویژگی‌های مبتنی بر پیوند تبدیل یافته (138 ویژگی) می‌باشد که تعداد کل ویژگی‌ها برابر با 275 ویژگی است. نتایج ارزیابی‌های صورت گرفته برروی مدل FFANB نشان دهنده درصد دقت 9241/0 و صحت 9584/0 می‌باشند که حاکی از برتری مدل FFANB در مقایسه با بسیاری از روش‌های پیشین می‌باشد.