نشریه علوم رایانشی
سال هفتم شماره 2 (پیاپی 25، تابستان 1401)

با توجه به گسترش استفاده از دستگاه‌های همراه باتری‌محور از جمله گوشی‌های موبایل، لوحه‌ها، ساعت‌های نسل جدید و غیره، شرکت‌های بزرگ نرم‌افزاری که در زمینه تولید و توسعه برنامه‌های موبایلی فعالیت می‌کنند توجه ویژه‌ای به استفاده بهینه از باتری و منابع دستگاه پیدا کرده‌اند و این مقوله تبدیل به یکی از عوامل رقابتی در عرصه برنامه‌های موبایلی شده است. مقالات و پژوهش‌های زیادی در زمینه بازسازی کد نرم‌افزاری با هدف استفاده بهینه‌ از باتری بخصوص در زمینه برنامه‌های اندرویدی انجام شده است که بعضا منجر به تولید ابزار‌های بازسازی نیز شده است. منظور از بازسازی کد، تغییر ساختار برنامه یا تغییرات در سطح کد برنامه به منظور تصحیح نابسامانی‌های کد، بدون تغییر رفتار و خروجی برنامه است. از جمله این ابزارها می‌توان به Leafactor، AutoRefactor و ابزارهای موجود در محیط‌های توسعه یکپارچه که به شکل افزونه هستند اشاره کرد. در این پژوهش، 8 مورد از بازسازی‌های رایج موجود و پرکاربرد در زمینه توسعه برنامه‌های اندرویدی از لحاظ بهینه‌سازی استفاده از باتری و منابع مورد بررسی قرار گرفته‌اند. برخی از این بازسازی‌ها عبارتند از: Draw allocation، Wake lock، ViewHolder، Member ignoring method و Overdraw. در این پژوهش نشان داده شد که با انجام بازسازی بر روی نابسامانی‌های کد ذکر شده، مصرف انرژی می‌تواند بهبود پیدا کند. به‌عنوان مثال، بازسازی ViewHolder می‌تواند به بهبود 13.9 درصدی مصرف انرژی و بازسازی Overdraw می‌تواند به بهبود 13.2 درصدی منتهی شود. همچنین، با مقایسه با روش‌های کروز و دیگران و کوتو و دیگران نشان داده شد که الگوریتم‌های بازسازی پیشنهادی در این پژوهش بخصوص در مورد دو بازسازی ذکر شده توانسته‌اند عملکرد بهتری در حوزه کاهش مصرف انرژی نشان دهند.

روش‌های حمله به مدل‌های یادگیری عمیق می‌توانند برچسب رده‌ها را تغییر دهند یا این‌که مخاطره‌ای به‌وجود‌ آورند و خطرهای جدی امنیتی را ایجاد‌ کنند. در حملات خصمانه مهاجمان با ایجاد تغییراتی اندک و البته حساب‌شده در داده‌های تصویری، بدون این‌که توجه کاربر جلب شود، الگوریتم را به اشتباه می‌اندازند. ازطرفی به واسطه حمله، نوفه‌ها کیفیت تصویر را کاهش می‌دهند و باعث از بین رفتن اطلاعات می‌شوند. نوفه‌ نمک‌و‌فلفل یکی از محبوب‌ترین نوفه‌هایی است که کیفیت تصویر را تحت تاثیر قرار می‌دهد. روش‌های زیادی برای حذف نوفه‌ نمک‌و‌فلفل از تصویر با حداقل از دست دادن اطلاعات پیشنهاد شده‌است ولی در این مقاله روشی پیشنهاد شده‌است که نوفه‌ نمک‌و‌فلفل با روشی مبتنی بر شبکه‌عصبی‌پیچشی در مجموعه داده‌های هدا، CIFAR-10 و MNIST برای مقابله با حملات خصمانه به تصویر اضافه شده‌است. از مزایای این روش پیشنهادی می‌توان به استفاده از کمترین میزان نوفه‌ نمک‌و‌فلفل،جلوگیری از تعداد بیشتری از حملات خصمانه و همچنین برای مقابله با حملات عمدی در حین حفظ کیفیت تصویر اشاره کرد. از نتایج روش پیشنهادی می‌توان به دستیابی به درصد موفقیت استحکام در برابر حملات خصمانه، 11/82 در مجموعه داده هدا، 19/75 در مجموعه داده CIFAR-10 و 34/79 در مجموعه داده MNIST اشاره کرد که دارای بهبود 0.2 در مقایسه با سایر مقالات مروری است. همچنین این مقاله در مقایسه با روش های پیشین فاقد پیچیدگی محاسباتی بالا و دارای زمان محاسباتی کمتر است.

روش‌های هسته در یادگیری ماشین، از یک تابع هسته استفاده می‌کنند که به‌عنوان ورودی دو داده را دریافت می‌کند و حاصل‌ضرب داخلی آن‌ها پس از نگاشت به یک فضای هیلبرت را، به‌صورت ضمنی و بدون این‌که چنین نگاشتی به فضای هیلبرت واقعا محاسبه شود، برمی‌گرداند. برای بسیاری از توابع هسته، همانند هسته‌های گوسی و لاپلاسی، فضای ویژگی شناخته شده بی‌نهایت بعدی است و به همین دلیل گفته می‌شود که عملیات در فضای هیلبرت این توابع هسته تنها به‌صورت ضمنی ممکن است. ضمنی بودن این فضا باعث می‌شود که ما مجبور باشیم الگوریتم‌ها را در فضایی که تصوری از آن نداریم با استفاده از نمایش دوگان و حقه هسته بیان کنیم. ما در این مقاله برای هر تابع هسته دلخواه یک فضای ویژگی متناهی البعد و نگاشتی صریح و دقیق به این فضای ویژگی معرفی می‌کنیم که در حد عملیات مورد نیاز در الگوریتم‌های یادگیری ماشین هسته‌ای، هم در زمان آموزش و هم آزمون، حاصل‌ضرب داخلی داده‌ها در این فضای ویژگی صریح با مقدار تابع هسته برابر است. وجود این نگاشت صریح به فضای ویژگی به ما این امکان را می‌دهد که نسخه هسته‌ای یک الگوریتم را در فرم اولیه و بدون نیاز به حقه هسته و نمایش دوگان به‌دست آوریم. به‌عنوان اولین کاربرد، ما نشان می‌دهیم که چطور می‌توان، بدون توسل به نمایش دوگان، نسخه هسته‌ای الگوریتم‌های یادگیری ماشین را به‌دست آورد و این روش را به‌صورت مشخص در مورد PCA به کار می‌بریم. به‌عنوان کاربردی دیگر از روش پیشنهادی، ما بدون انجام هیچ تغییری در الگوریتم t-SNE، از کد آماده آن برای بصری‌سازی فضای ویژگی توابع هسته استفاده می‌کنیم.

تصاویر زیرآب علی‌رغم این که می‌توانند کاربردهای صنعتی و علمی ارزشمندی داشته باشند، اغلب کیفیت نامطلوبی دارند، به‌طوری که اکثر عملیات پردازش تصویر و بینایی ماشین روی آن‌ها همواره با چالش مواجه است. در این پژوهش، سامانه‌ای با عنوان Water-HybNet برای بهبود کیفیت تصاویر زیر آب معرفی می‌شود. برای این سامانه یک شبکه عصبی عمیق ترکیبی، جهت یادگیری استخراج یک نقشه اطمینان کارآمد در فرایند بهبود کیفیت تصاویر، طراحی شده است. به منظور تولید یک نقشه اطمینان مطلوب، علاوه بر تصویر خام ورودی، از کانال‌های تعادل سفید، متعادل‌سازی هیستوگرام و تصحیح گاما نیز استفاده می‌شود. همچنین برای اصلاح و بهبود ورودی های شبکه، از واحدهای پردازشی کوچکی برای کاهش هاله‌ها و مصنوعات موجود در تصاویر استفاده می‌شود. طراحی معماری Water-HybNet، منطبق با کاربرد مورد هدف، و نیز بهره‌گیری از ترکیب مناسبی از کانال‌های تاثیرگذار تصویر در استخراج نقشه اطمینان، نوآوری‌های اصلی این پژوهش هستند. Water-HybNet بر روی مجموعه داده استاندارد UIEB، شامل 950 تصویر واقعی از زیر آب، آزمایش شده و با استفاده از معیارهای مرجع کامل MSE، PSNR و SSIM با دیگر روش‌های به‌روز مقایسه می‌شود. در کنار نتایج بصری که نشان دهنده بهبود قابل ملاحظه در ساختار و بافت تصاویر خروجی در مقایسه با روش‌های موجود است، در ارزیابی کمی نتایج نیز این سامانه در معیار MSE، PSNR و SSIM به ترتیب امتیازهای 756/0، 65/19 و 8284/0 را کسب می‌کند که بالاترین امتیاز کسب شده در مقایسه با سایر روش‌ها است. به‌طوری که بهبود 4 درصدی در تمامی معیار‌های مورد مقایسه نسبت به موفق‌ترین روش مبتنی بر یادگیری عمیق را دارد و بهبود 11 درصدی در معیار PSNR، بهبود 6 درصدی در معیار SSIM و بهبود 49 درصدی در معیار MSE نسبت به موفق‌ترین روش کلاسیک موجود را کسب می‌کند.

یکی از مهم‌ترین و بحرانی‌ترین عوامل در توسعه پروژه‌های نرم‌افزاری تخمین مناسب هزینه‌ها است. این فعالیت که پیش از آغاز پروژه و در مراحل اولیه باید انجام گیرد به دلیل درگیر بودن عوامل متعدد انسانی، فنی و سازمانی همواره با چالش‌ها و مشکلات متعددی روبرو است. دیدگاه‌ها و روش‌های متعددی در خصوص نحوه انجام تخمین ارایه شده است که یکی از مهم‌ترین آن‌ها دیدگاه مبتنی بر تشابه می‌باشد. در این دیدگاه از روش‌های متفاوتی از جمله بهره‌گیری از ویژگی‌های مناسب و وزن‌دهی ویژگی‌ها در جهت افزایش دقت تخمین استفاده می گردد. این تحقیق برای بهبود تخمین هزینه توسعه نرم‌افزار، میزان تاثیر الگوریتم تکاملی یادگیر بر بهینه‌سازی وزن ویژگی‌ها را مورد بررسی قرار داده است و اقدام به ارایه راهکاری نوین در این خصوص نموده است. در این تحقیق میزان اثربخشی الگوریتم بر روی دو مجموعه داده Desharnais و Maxwell بررسی شده است و از معیارهایMMRE ، (0.25)PRED و MdMRE برای ارزیابی و مقایسه روش پیشنهادی با دیگر الگوریتم‌های تکاملی استفاده شده است. نتایج نشان می‌دهد این الگوریتم توانسته است بهبود قابل توجهی را به‌دست آورد.

طبقه‌بندی زیرگروه‌های سرطان وظیفه بسیار مهمی در تشخیص و پیش بینی سرطان هاست. در سال‌های اخیر، روش‌های یادگیری عمیق به همین دلیل محبوبیت قابل‌توجهی به دست آورده‌اند. بااین‌حال، تعیین ساختار شبکه عصبی دشوار است زیرا عملکرد شبکه عمیق تا حد زیادی به ساختار آن بستگی دارد. علاوه بر این، تعداد بالای ژن‌ها در مجموعه داده بیان ژن و عدم تعادل داده‌ها بین رده‌های مختلف تاثیر مستقیمی بر پیچیدگی و عملکرد مدل‌های طبقه‌بندی زیرگروه سرطان دارد. برای پرداختن به مشکل داده‌های نامتعادل، یک مدل شبکه عصبی پیچشی با استفاده از یک راهبرد حساس به هزینه برای افزایش دقت مدل در شناسایی رده‌های اقلیت پیشنهادشده است. از سوی دیگر، از سه تکنیک نسبت فیشر، مجموعه‌های ناهنجار و ترکیبی برای کاهش ژن‌ها در مرحله پیش‌پردازش استفاده شده است. در روش حساس به هزینه، ماتریس هزینه بر اساس توزیع رده‌ها ایجاد شده و سپس از این ماتریس در مرحله تابع هزینه شبکه پیچشی برای محاسبه میزان خطا استفاده شده است. دو مجموعه از مجموعه داده‌های سرطان برای ارزیابی روش پیشنهادی استفاده شده است. نتایج با استفاده از چهار معیار دقت، فراخوانی، صحت و F1-Score مقایسه شده است. نتایج نشان می‌دهد که انتخاب ژن‌های مناسب و استفاده از یادگیری حساس به هزینه توانسته است عملکرد روش پیشنهادی را نسبت به مدل پیچشی بدون انتخاب ویژگی و یادگیری حساس به هزینه در حدود11%، 10% ، 18%، 21%، به ترتیب برای دقت، فراخوانی، صحت و F1-Score افزایش دهد.