نشریه علوم رایانشی
سال هفتم شماره 1 (پیاپی 24، بهار 1401)

محاسبات ابری بسیاری از ارایه‌دهندگان برنامه‌ها را به سمت استقرار برنامه‌های تحت وب بر روی محیط‌های ابری جذب می‌کند. در مقایسه با روش‌های سنتی، رایانش ابری به کاهش هزینه‌ها کمک می‌کند. کاربران محیط‌های ابری می‌توانند در یک بازه زمانی مشخص، تعدادی ماشین مجازی را راه‌اندازی کنند و فقط به اندازه‌ای که از منابع استفاده می‌کنند هزینه پرداخت کنند، که این امر موجب کاهش هزینه‌های تهیه سخت افزارهای حقیقی و پیچیده می‌شود. از آن‌جایی که میزان درخواست‌ها از برنامه‌های وب در زمان‌های مختلف متفاوت است، تعیین مقدار مناسب منابع ابری مورد نیاز اغلب دشوار است و یکی از چالش‌های مهم در رایانش ابری خواهد بود. گرچه راه‌حل‌های مختلفی برای مدیریت تامین منابع ارایه شده‌است، برای مدیریت موثرتر سیستم‌های ذخیره‌سازی مبتنی بر ابر نیاز به روش‌های جدیدتری است. بر این اساس، این کار پژوهشی یک روش پویای مبتنی بر منطق فازی را برای بهبود عملکرد تامین منابع در سیستم‌های ذخیره‌سازی مبتنی بر ابر ارایه می‌کند. نتایج مقایسه رهیافت پیشنهادی با روش‌های دیگر نشان دهنده عملکرد مثبت این روش در کاهش زمان پاسخگویی به درخواست کاربران و مقدار CPU مصرفی در مرکز داده است.

در این مقاله، با استفاده از الگوریتم ژنتیک، به‌عنوان یک ابزار اصلی در بهینه‌سازی، روشی ارائه شده است که می‌تواند توابع ریاضی و منطقی پیچیده را بهینه کند. در اکثر روش‌های موجود، از الگوریتم‌های ژنتیک برای بهینه‌سازی مدارهای منطقی استفاده شده است ولی در روش ارائه‌شده در این مقاله، امکان تقریب نتایج توابع ریاضی گسسته و پیوسته نیز فراهم شده است. با استفاده از ساختار داده درخت، تقریبا امکان نمایش همه توابع به‌صورت سلسله مراتبی وجود خواهد داشت. از آنجایی که توابع ریاضی و منطقی می‌توانند پیچیده باشند و درخت آن‌ها بسیار بزرگ شود، بهینه‌سازی آن‌ها می‌تواند مزایای زیادی به همراه داشته باشد. از جمله مزایای بهینه‌سازی توابع می‌توان به کاهش زمان محاسباتی، کاهش هزینه‌های پیاده‌سازی و غیره اشاره کرد. با این حال، بهینه‌سازی یا ساده‌سازی توابع با کاهش تعداد عملگرها و متغیرها باعث می‌شود که نتایج به‌دست آمده از آن‌ها، دقت اولیه را نداشته باشند. اگر نتایج به‌دست آمده از توابع بهینه‌شده با توابع اصلی، تفاوت زیادی نداشته باشد، می‌توان به‌جای توابع اصلی، از توابع بهینه‌شده استفاده کرد. در روش ارائه‌شده در این مقاله، که با ارائه مثال‌هایی مورد ارزیابی قرار گرفته است، توابع بهینه با استفاده از الگوریتم ژنتیک به‌دست می‌آیند که نتایج حاصل از آن‌ها، تفاوت چندانی با نتایج توابع اصلی ندارند.

گراف توری یک زیرگراف راس القایی محدود از یک گراف توری نامتناهی است که مجموعه ریوس آن تمام نقاط صفحه با مختصات صحیح است و دو راس از طریق یالی به هم متصل هستند‏، اگر و تنها اگر فاصله اقلیدسی بین آن‌ها یک باشد. مسیله مسیر همیلتونی مشخص می‌کند که آیا یک گراف شامل یک مسیر ساده است که در آن هر راس از گراف دقیقا یک‌بار ملاقات شود. این مسیله برای گراف‌های عمومی و همچنین برای گراف‌های توری عمومی یک مسیله ‎‎‏-کامل است. در این مقاله‏، مسیله مسیر همیلتونی بین دو راس معین ‎‏ و ‎‏ برای گراف‌های توری مستطیلی با یک حفره ‎‎‏-شکل به‌طوری که اندازه کل گراف فرد است را بررسی می‌کنیم. در ابتدا شرایط لازم برای وجود مسیر ‎‏همیلتونی بین دو راس ‎‏ و ‎‏ را بیان می‌کنیم و در ادامه الگوریتم زمان خطی برای ساخت مسیر همیلتونی را ارایه می‌دهیم. الگوریتم بیان شده در این مقاله به روش تقسیم و غلبه مسیله را حل می‌کند‏، به این صورت که ابتدا‎‎ گراف را به تعدادی زیرگراف افراز می‌کند‏، سپس در هر کدام از زیرگراف‌ها مسیر همیلتونی یا دور همیلتونی را به‌دست می‌آورد و در پایان با ترکیب آن‌ها، مسیر همیلتونی در کل گراف ساخته می‌شود.

در این مقاله، یک ساختار سریالی و کارآمد برای رمز قالبی PRESENT ارایه شده است. معماری پیشنهادی بر اساس ساختار سریالی n-بیتی رمزنگاری PRESENT انجام می‌شود، جایی که در آن} 4، 8، 16، 32}n ∈ و برابر عرض مسیر داده است. این مقادیر طوری انتخاب شده‌اند که داده اصلی 64 بیتی بر آن‌ها قابل تقسیم باشد. مقدار n عامل مهمی در تعیین پیچیدگی‌های سخت‌افزاری و زمانی مناسب در کاربردهای عملی است. معماری سریال با استفاده از دو ثبات جابه‌جایی چندوظیفه‌ای در قسمت‌های دور و زمان‌بندی کلید طراحی می‌شود. بنابراین، سطح مصرفی ساختار کاهش می‌یابد اما تعداد چرخه‌های ساعت افزایش می‌یابد. برای بهبود ویژگی‌های زمانی، ما بلوک S-box را به‌عنوان بلوک پیچیده در رمز PRESENT بر اساس ساختار بهینه‌سازی شده پیاده‌سازی می‌کنیم. بنابراین، ساختار پیشنهادی نسبت به سایر کارهای دیگر تاخیر مسیر بحرانی کمتری دارد. اندازه‌گیری عملکرد ساختار پیشنهادی با ارزیابی سطح مصرفی، زمان اجرا، تاخیر مسیر بحرانی، بازده هی و سطح/بازدهی انجام می‌شود. نتایج پیاده‌سازی برای دو اندازه کلید 80 بیتی و 128 بیتی در فناوری CMOS 180 نانومتر به‌دست می‌آید. نتایج سطح مصرفی و سطح/بازدهی ساختار پیشنهادی بهبودهایی را نسبت به ساختارهای قبلی نشان می‌دهد و می‌تواند برای کاربردهای رمزنگاری که دارای سطح مصرفی محدود می‌باشند مناسب است.

سال 2019 میلادی شاهد شیوع بیماری کووید-19 بود که تا به امروز باعث مرگ بسیاری از انسان‌ها شده است. به دلیل ایجاد سویه‌های مختلف از این بیماری، رعایت پروتکل‌های بهداشتی به‌عنوان بهترین راهکار برای مهار این بیماری قلمداد می‌شود. با این حال، نظارت بر رعایت پروتکل‌های بهداشتی به‌صورت انسانی امری زمان‌بر، طاقت‌فرسا و مستعد خطا است. در نتیجه نیاز به یک سامانه نظارتی هوشمند جهت بررسی پوشش ماسک افراد و شناسایی افراد علامت‌دار بی‌توجه به مقررات قرنطینه در محیط‌های عمومی به شدت احساس می‌شود. این مقاله، یک سامانه خودکار سخت‌افزاری/نرم‌افزاری جهت شناسایی پوشش ماسک افراد و اندازه‌گیری دمای بدن را پیشنهاد می‌دهد که شناسایی چهره، تشخیص پوشش ماسک و اندازه‌گیری دمای بدن را به ترتیب با استفاده از الگوریتم ویولاجونز، شبکه عصبی هم‌آمیختی و حسگر دمای غیرتماسی انجام می‌دهد. در صورتی که شخص از ماسک استفاده نکرده باشد و یا دمای بدن او بالاتر از 5/37 درجه باشد، سامانه هشداری را صادر می‌کند تا از ورود شخص به محل ممانعت شود. این سامانه در ارزیابی میدانی توانست دقت 96% در شناسایی چهره و دقت 100% در تشخیص پوشش ماسک را به‌دست آورد. این سامانه می‌تواند جهت نظارت بر رعایت پروتکل‌های بهداشتی در مراکز عمومی مورد استفاده قرار بگیرد.

امروزه، بانک‌ها و موسسات مالی مجموعه‌های حجیم از داده‌های مختلف و متنوعی مرتبط با مشتریان خود جمع‌آوری و نگهداری می‎کنند. رتبه‌بندی اعتباری با هدف شناسایی برچسب مشتریان اعتباری اعم از این‌که خوش‌حساب یا بدحساب هستند، سبب کاهش معوقات بانکی و ارایه بهینه و درست تسهیلات به مشتریان می‌شود و به‌عنوان یکی از مهم‌ترین روش‌های تحقیقی و عملیاتی مورد استفاده در بانک‌داری و مهندسی مالی شناخته می‌شود. در این راستا، روش‌های گوناگونی که تحت عنوان روش‎های نظارتی شناخته می‎شوند ابداع و استفاده شده است. در این روش‎ها، مدلی به کمک داده‎های برچسب‎دار موجود، ایجاد و برای پیش‎بینی برچسب داده‎های جدید استفاده می‎شود. بنابراین پیش‎فرض چنین روش‎هایی، وجود پایگاه داده‎ای است که تمام اشیاء داده‎ای آن برچسب داشته باشند. اما از آنجا که تعداد زیادی از داده‌های موجود در بانک‌ها فاقد برچسب هستند، یا برچسب دقیق و کارشناسی شده ندارند، استفاده از روش‎های نیمه‌نظارتی توصیه می‎شود. در روش‎های نیمه‎نظارتی برخلاف روش‎های نظارتی، لزومی به برچسب‎دار بودن تمام داده‎ها نیست و می‎توانند به‎وسیله مجموعه‎های داده‌ای که بخش زیادی از آن بدون برچسب هستند، مدل‎های قابل اعتمادی ایجاد کنند. روش انتشار برچسب یکی از روش‎های نیمه‌نظارتی موفق و پرکاربرد در این زمینه می‌باشد. در این روش، ویژگی رده داده‌های برچسب‌دار با یک روش تکراری به داده‌های فاقد برچسب منتشر می‌شود. در این پژوهش، ابتدا با کمک روش درخت تصمیم، ویژگی‌های تاثیرگذار بر وضعیت اعتباری مشتریان شناسایی و با کمک روش انتشار برچسب، مدل طبقه‌بندی مشتریان بانک ساخته می‎شود. به‌منظور نمایش کارایی مدل، از مجموعه داده‌های بانک پاسارگاد استفاده شده است. مدل نهایی بر روی داده‌های بانک پاسارگاد توانست به 78/99 درصد نرخ تشخیص مشتریان بدحساب و دقت کلی 77/98 درصد برسد. همچنین به‌منظور مقایسه، داده‌های یک بانک خارجی (آلمانی) نیز مورد بررسی قرار گرفت. بر اساس منابع مورد مطالعه در این تحقیق، بهترین دقت در بین مدل‌های نظارتی توسط روش درخت تصمیم مبتنی بر خوشه‌بندی و الگوریتم ژنتیک با دقت 37/85 درصد گزارش شده است. همچنین در بین مدل‌های نیمه‌نظارتی، روش نیمه‌نظارتی گروهی مبتنی بر پرسپترون چندلایه با دقت 4/75 درصد گزارش شده است، در حالی که روش نیمه‌نظارتی پیشنهادی در این مقاله، دقت 76.85 درصدی را کسب کرد. یافته‌های پژوهش حاکی از عملکرد مطلوب روش نیمه‌نظارتی پیشنهادی است.