نشریه علوم رایانشی
سال ششم شماره 2 (پیاپی 21، تابستان 1400)

با حرکت به سمت عصر اینترنت اشیاء، تعداد دستگاه‌های متصل به اینترنت به صورت نمایی در حال افزایش است. تعداد زیاد دستگاه‌های متصل باعث ایجاد گلوگاه‌هایی در حوزه‌های مختلف مانند اتصال دستگاه‌ها، انتقال و پردازش داده‌ها می‌شود. پردازش لبه یک روش مناسب برای پردازش حجم زیاد داده‌های تولید شده توسط اشیاء متصل به اینترنت به شمار می‌رود. به لطف پیشرفت‌های ایجاد شده در فناوری‌های مجازی‌سازی، دروازه‌های شبکه و دستگاه‌های لبه شبکه می‌توانند ظرفیت پردازشی اضافی خود را در اختیار سرویس‌های اینترنت اشیاء قرار دهند. تعداد بسیار زیاد دستگاه‌های لبه و سرویس‌های شبکه اینترنت اشیاء، باعث پیچیده شدن مسئله تخصیص منابع پردازشی به سرویس‌های شبکه‌اینترنت اشیاء می‌شود. در این مقاله، وظیفه تخصیص منابع پردازشی مورد نیاز سرویس‌های اینترنت اشیاء را برای تعداد زیاد سرویس‌ها در نظر می‌گیریم. هر سرویس می‌تواند از چند منبع پردازشی استفاده کند و هر منبع پردازشی هم می‌تواند به چند سرویس اختصاص پیدا کند. مسئله به صورت یک مسئله بهینه‌سازی مدل می‌شود که هدف آن بیشینه کردن مجموع سود سرویس‌ها است. مسئله بهینه‌سازی نهایی یک مسئله برنامه‌ریزی غیرخطی عدد صحیح مخلوط است که در حالت کلی به سختی حل می‌شود. الگوریتم‌ زیربهینه ارایه شده برای حل این مسئله جوابی قابل قبول برای آن به‌دست می‌دهد که به صورت توزیع شده قابل اجرا است.

با رشد روز افزون شبکه‌های اجتماعی، میل به تحلیل محتوای منتشرشده برای مقاصد گوناگون افزایش یافته است. یک دسته از عمده فعالیت‌هایی که در این حوزه انجام می‌شود شناسایی و دسته‌بندی محتواهای تولیدشده است. این موضوع به معنی گروه‌بندی مطالب منتشرشده در دسته‌هایی با موضوعات مشابه و ارایه‌ برچسب‌های پیشنهادی برای هر دسته می‌باشد. در این مقاله، الگوریتم جدیدی برای دسته‌بندی محتوای متنی شبکه‌ اجتماعی توییتر ارایه شده است. در این الگوریتم ابتدا هر متن، پیش‌پردازش شده و سپس یک گراف ارتباطات جدید مبتنی بر محتوای متن‌های منتشرشده ساخته می‌شود. این گراف وزن‌دار و بی‌جهت است و روی آن با استفاده از دو روش بدون ناظر، تشکل‌های مختلف شناسایی می‌شوند. برای ارزیابی، داده‌های متنی ارسال‌شده از شهر واشینگتن در یک بازه زمانی، با API جمع‌آوری و الگوریتم‌های ارایه‌شده روی آن اعمال شده است. برای بررسی دقت، نتایج حاصل با دو الگوریتم کلاسیک K-means و LDA بر اساس معیار اطلاعات متقابل نرمال‌شده، مقایسه شده است که نشان‌دهنده دقت مناسب الگوریتم‌ پیشنهادی است.

در سیستم‌های مدیریت اعتماد، اعتماد به‌عنوان یک هدایت‌گر برای اعتمادکننده تعریف می‌شود. اعتمادکننده در راستای هدف خود، معتمدی را انتخاب می‌کند که دارای حداکثر درجه اعتماد و حداقل خطر باشد. در این مقاله، یک مدل تصمیم‌گیری اعتماد محاسباتی مبتنی بر نظریه عدم قطعیت، بهبود یافته است. برای بهبود، مدل ریاضی جدیدی برای مسئله درجه اعتماد و حداقل خطر، با توجه به سطح اهداف اعتمادکننده و اولویت اجزای اعتماد در زمینه مشخص تعریف می‌شود. این مدل با استفاده از الگوریتم‌های تکاملی حل می‌شود و راه‌حل بهینه را که مشخص‌کننده حداکثر درجه اعتماد و حداقل خطر است، تولید می‌کند. سپس، درجه اعتماد و درجه خطر گزینه‌های معتمد، بر اساس میزان انحراف منفی که از راه‌حل بهینه دارند، محاسبه می‌شوند. در نهایت، با توجه به درجه اعتمادپذیری و خطرپذیری اعتمادکننده، رتبه نهایی گزینه‌های معتمد محاسبه می‌شود و گزینه معتمد با بالاترین رتبه به‌عنوان معتمد مناسب، انتخاب می‌شود. برای ارزیابی و اعتبارسنجی صحت رفتار مدل، از مجموعه ای از سناریوهای شبیه سازی استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که مدل پیشنهادی، معتمد را متناسب با زمینه، اولویت اجزای اعتماد، سطح اهداف، درجه اعتمادپذیری و درجه خطر‌پذیری اعتمادکننده تعیین می‌نماید و راه‌حل بهینه‌ای که توسط الگوریتم‌های تکاملی به‌دست می‌آید، معادل با بهترین راه‌حل است.

حجم فراوان و رو به رشد اطلاعات بر روی وب و اینترنت، فرایند تصمیم‌گیری و انتخاب اطلاعات، داده یا محصولات مورد نیاز را برای بسیاری از کاربران وب دشوار کرده است. سامانه‌های توصیه‌گر با پیشنهادهایی متناسب با سلیقه کاربران، آن‌ها را در انتخاب محصولات مورد علاقه یاری می‌دهند. سامانه‌های توصیه‌گر مشارکت‌محور، دقیق‌‌ترین توصیه‌ها را با بررسی و کاوش کاربران قبلی از بانک اطلاعاتی، به کاربران جدید ارایه می‌کنند به‌‌طوری که با علایق آن‌ها مطابقت داشته ‌باشد. چالش‌های بسیار چشم‌‌گیری که در سامانه‌های مشارکت‌محور وجود دارد عبارت هستند از: مقیاس‌پذیری، تنک‌بودن (خلوتی) و شروع‌سرد. در این مقاله به ارایه یک سامانه توصیه‌گر مشارکت‌محور با استفاده از شبکه توابع پایه شعاعی می‌پردازیم. سامانه پیشنهادی دارای دو مرحله برون‌خط و برخط می‌باشد. در مرحله برون‌خط، به تخمین مقادیر صفر یا امتیازات داده نشده کاربران در ماتریس امتیازات کاربران به محصولات، با استفاده از شبکه توابع پایه شعاعی می‌پردازیم. در این مرحله برای تعیین مراکز توابع پایه شعاعی از الگوریتم خوشه‌بندی کی-میانگین و برای یافتن وزن‌های آن‌ها از روش کاهش گرادیان استفاده می‌کنیم. در مرحله برخط، ابتدا کاربر فعالی وارد سامانه می‌گردد. سپس به کمک ماتریس کامل به‌دست آمده از مرحله برون‌خط، کاربران را، از طریق محاسبه مقدار تابع تشابه پیرسون بین کاربر فعال و سایر کاربران به دو خوشه مثبت و منفی تقسیم می‌کنیم و با رویکرد همسایه نزدیک، پیشنهادهایی را به کاربر فعال وارد شده به سامانه بر اساس علایق او ارایه می‌دهیم. در این مقاله، مشکل مقیاس‌پذیری را با استفاده از خوشه‌بندی کاربران، مشکل شروع سرد را با پیشنهاد محصولات با بالاترین امتیاز و مشکل تنک بودن را با هموار نمودن ماتریس امتیازات به کمک شبکه توابع پایه شعاعی رفع می‌نماییم. نتایج آزمایش‌ها بر روی داده‌های MovieLens 100K بیانگر بالابودن دقت و کیفیت پیشنهادهای ارایه شده است.

یکی از چالش‌های اصلی درمان تومور مغزی تشخیص دقیق اندازه و مکان تومور در مغز با استفاده از تصویر تشدید مغناطیسی می‌باشد. تشخیص تومور مغزی به‌صورت دستی توسط اپراتور کاری زمان‌بر می‌باشد و به تجربه و تخصص اپراتور بستگی دارد. از این رو در سالیان اخیر محققان روش‌های نیمه خودکار و خودکار بسیاری را پیشنهاد داده‌اند که در این میان روش‌های مبتنی بر یادگیری عمیق توانسته‌اند عملکرد مطلوبی از خود نشان دهند و توجه همگان را به سوی خود جلب کنند. در این تحقیق یک روش مبتنی بر یادگیری عمیق برای تشخیص تومور مغزی ارایه گردیده است. شبکه پیشنهادی مبتنی بر شبکه U-Net می‌باشد و با تغییراتی که در لایه‌های این شبکه انجام شده، عملکرد این شبکه برای تشخیص قسمت‌های مختلف تومور مغزی بهبود یافته است. در هر لایه شبکه U-Net یک هم‌آمیخت با اندازه فیلتر 1*1 اضافه شده تا بتوان قسمت‌های کوچک تومور نیز تشخیص داده شود. این شبکه پیشنهادی با استفاده از داده‌های BRATS 2018 مورد ارزیابی قرار گرفت و با سه روش مورد مقایسه قرار گرفت. برای ارزیابی نتایج روش پیشنهادی از سه معیار بازیابی ، دقت و IoU استفاده کردیم که مقادیر این سه معیار به ترتیب 939/0، 967/0 و 906/0 به دست آمد که نشان داد شبکه پیشنهادی عملکرد مطلوبی را در مقایسه با سایر روش‌های مبتنی بر یادگیری عمیق دارد.

شناسایی و مهار کردن به موقع آتش می‌تواند خسارات جبران‌ناپذیر به اموال، هزینه اطفاء حریق، آلودگی و خسارات جانی را کاهش دهد و از این رو شناسایی دقیق آتش و کاهش موثر آژیرهای خطر نادرست، اهداف مهم محققان هستند. در این مقاله یک روش جدید مبتنی بر استخراج پیکسل برای شناسایی دقیق و موثر آتش و تخمین مساحت بخش میانی آن پیشنهاد می‌گردد. در این کار ابتدا یک پایگاه داده جدید تصاویر از شعله آتش که اندازه آن از کوچک به بزرگ رو به افزایش است، برای آزمایش و ارزیابی روش پیشنهادی ایجاد می‌شود. سپس یک روش برای شناسایی آتش مبتنی بر ویژگی‌های حرکت و رنگ شعله ارایه می‌شود. ابتدا، نواحی نامزد برای وجود آتش به‌وسیله تشخیص ناحیه متحرک شناسایی می‌شوند. سپس به‌وسیله اعمال الگوریتم تشخیص لبه کنی روی نواحی نامزد، ناحیه دقیق آتش شناسایی می‌شود. از آنجایی که شعله به قسمت میانی آتش با بالاترین شدت رنگ اطلاق می‌شود که بیشترین خسارت را وارد می‌کند، این ناحیه و مساحت واقعی و دقیق آن به وسیله یک روش جدید و موثر تخمین زده می‌شود. این روش روی پایگاه داده ایجاد شده توسط نرم‌افزار متلب ارزیابی می‌شود. نتایج آزمایشات نشان می‌دهد که روش پیشنهاد شده دقت و کارآیی بالایی دارد.

حل مسئله ماز یکی از مسایل کلاسیک در نظریه گراف است. مسئله ماز انواع مختلفی دارد که می‌توان به مواردی چون ماز اعداد، ماز پیچ‌وخم، ماز دایره‌ای، ماز تله و حلقه، ماز همیلتون و ماز بلوک اشاره کرد. سیستم‌های دسته‌بند یادگیر به‌طور موفقیت‌آمیز در مسایل مربوط به دسته‌بندی و داده‌کاوی، مسایل یادگیری تقویت، مسایل رگرسیون، یادگیری نقشه شناختی و حتی مسایل کنترل ربات مورداستفاده قرار گرفته است. در این مقاله، برای حل مسئله ماز از سیستم دسته‌بند یادگیر تک عامل استفاده‌شده است که با شناخت محیط و یادگیری، مسیری را برای رسیدن به هدف پیدا می‌کند. به‌منظور یادگیری بهتر از اعمال تشویق و تنبیه مناسب استفاده‌ می‌شود و همچنین جهت پوشش کامل فضای مسئله و فرار از بهینه محلی، از الگوریتم ژنتیک بهبودیافته، استفاده ‌شده که شامل یک عامل جهش بهبودیافته است. نتایج پیاده‌سازی رویکرد پیشنهادی، بیانگر کاهش زمان حل مسئله و افزایش دقت الگوریتم است.

با ظهور شبکه‌های مبتنی بر نرم‌افزار، تحول قابل توجهی در فناوری اطلاعات و ارتباطات پدیدار شده است. در شبکه‌های مبتنی بر نرم‌افزار، با مجزاسازی لایه کنترل و لایه داده، اساسی‌ترین گام در جهت ایجاد هوش شبکه‌ای منطقی از طریق کنترل‌کننده‌های شبکه‌های نرم‌افزارمحور و قابلیت کنترل به‌صورت متمرکز فراهم شد. همانند شبکه‌های سنتی، در شبکه‌های مبتنی بر نرم‌افزار نیز یکی از چالش‌های موجود، تامین و تضمین کیفیت خدمات سرویس برای جریان‌های بیدرنگ و حساس به زمان است. در این مقاله، با تمرکز بر ترافیک صوت، نیازمندی‌های آن از نقطه نظر کیفیت سرویس مورد بررسی قرار می‌گیرد. سپس سازوکاری پیشنهاد می‌شود که در آن از طریق صف‌بندی و میانگیری بسته‌های صوت توسط کنترل‌کننده، اولویت بالایی به این بسته‌ها نسبت به سایر بسته‌های ترافیکی اختصاص داده می‌شود. سازوکار پیشنهادی به کمک شبیه‌ساز شبکه ns-3 و در فرانامه‌های مختلفی مورد ارزیابی قرار گرفته و نتایج شبیه‌سازی برتری سازوکار پیشنهادی را نشان می‌دهد. به‌طوری که در فرانامه‌های مختلف، میزان تاخیر از 14 الی 25 درصد، و پارامتر لرزش از 3 الی 12 درصد نسبت به حالت عدم اعمال سازوکار کاهش می‌یابد.