نشریه علوم رایانشی
سال هشتم شماره 2 (پیاپی 29، تابستان 1402)

با توجه به پیشرفت فناوری و نیاز روزافزون کاربران، تولیدکنندگان باید برنامه های کاربردی خود را به سرعت توسعه دهند. محاسبات ابری، با توجه به مزایایی که دارد توجه تولیدکنندگان را برای پیاده سازی برنامه های کاربردی به خود جلب کرده است. ابر، مدل های سرویس دهی مختلفی مانند زیرساخت به عنوان سرویس، بستر به عنوان سرویس، نرم افزار به عنوان سرویس و تابع به عنوان سرویس را دارد. در این پژوهش تمرکز اصلی بر روی مدل سرویس دهی تابع به عنوان سرویس است. این مدل کاربران را قادر می سازد تا توابع ابری را بر روی بستری از منابع اجرا کنند بدون این که نگرانی درباره مدیریت زیرساخت آن داشته باشند. این کار هزینه کمتری برای آن ها خواهد داشت. یکی از مهم ترین چالش های این حوزه، مسیله زمان بندی توابع است. ارایه دهندگان سرویس، از الگوریتم های زمان بندی برای نگاشت درخواست های ورودی خود، به منابع محاسباتی استفاده می کنند. این نگاشت باید از جنبه های مختلفی که بر عملکرد سیستم تاثیر دارند، بهینه باشد. زمان بند، وظیفه مدیریت منابع را بر عهده دارد. اگرچه راه حل های مختلفی برای مدیریت تامین منابع ارایه شده است، اما برای مدیریت موثرتر منابع نیاز به روش های جدیدتری هست. بر این اساس، این کار پژوهشی یک الگوریتم ترکیبی جدید را برای بهبود عملکرد تامین منابع ارایه می کند. در راه حل پیشنهادی، یک الگوریتم ترکیبی را بر اساس الگوریتم های ژنتیک توسعه داده شده و شبیه سازی تبرید معرفی می کنیم. در این روش با استفاده از ترکیب دو الگوریتم ژنتیک توسعه داده شده و الگوریتم تبرید، از مزایای هر دو الگوریتم استفاده کردیم. این دو الگوریتم مکمل یکدیگر شده و نتایج مقایسه رهیافت پیشنهادی با روش های دیگر نشان دهنده عملکرد مثبت این روش در کاهش زمان تکمیل درخواست ها است. به منظور پیاده سازی و بررسی عملکرد این روش، یک موتور شبیه سازی توسعه داده شده است. طراحی و پیاده سازی رهیافت پیشنهادی با استفاده از زبان متلب انجام شده است. محیط انجام آزمایش شامل یک مرکز داده و تعدادی میزبان هست. برای روش ارایه شده معیارهای ارزیابی مختلفی نیز ارایه شده و رهیافت پیشنهادی به دو صورت پیاده سازی شده است. یکی به این صورت که الگوریتم تبرید برای تک به تک نمونه جمعیت تولید شده توسط الگوریتم ژنتیک توسعه داده شده، اجرا شود. روش دیگر که نتایج بهتری به همراه دارد به این صورت است که الگوریتم تبرید تنها بر روی بهترین نمونه از جمعیت اجرا شود. نتایج تجربی نشان می دهند رهیافت پیشنهادی در مقایسه با پیاده سازی های غیر اکتشافی 70درصد، در مقایسه با الگوریتم ژنتیک30 درصد و همچنین در مقایسه با الگوریتم تبرید 30 درصد زمان تکمیل اجرای درخواست کمتری دارد و درنتیجه عملکرد بهتری دارد.

تشخیص تعامل انسان و شیء (HOI) مجموعه ای از سه تایی های (انسان، شیء، تعامل) از یک تصویر را استخراج می کند. این حوزه، یکی از زمینه های تحقیقاتی رو به رشد در بینایی کامپیوتر است. علاوه بر اطلاعات دو بعدی مانند ظاهر انسان و اشیاء و موقعیت مکانی آن ها، وضعیت سه بعدی به خصوص در پیکربندی بدن انسان می تواند نقش مهمی در یادگیری تعاملات میان انسان و شیء داشته باشد. در این مقاله، مشخصه های بصری انسان ، زمینه و شیء که به ترتیب از وضعیت های انسانی و پیکربندی های فاصله ای انسان و شیء به دست می آید، استخراج می شود. علاوه بر این، یک شبکه سیامی برای یادگیری ویژگی های ساختاری جفت های انسان- شیء استفاده می شود. شبکه سیامی بهبود یافته برای استخراج ویژگی های مشابه هدف، از ابرهای نقطه پیشنهاد می شود. شبکه سیامی بهبود یافته برای یافتن شباهت دو ورودی و استخراج ویژگی های مربوط به انسان و شیء پیشنهاد شده است این شبکه، توانایی تمایز را برای مرحله دوم که مرحله تشخیص تعاملات است، بهبود می بخشد. ما از یک بازنمایی داده بر اساس نگاشت سه بعد به دو بعد به صورت چند دیدی استفاده می کنیم، سپس از شبکه سیامی برای استخراج ویژگی های مربوط به این نگاشت به همراه جعبه شیء در یک توصیف گر محلی 32 بعدی استفاده می کنیم. نتایج آزمایش ها روی مجموعه داده HICO-DET نشان می دهد که روش ما توانسته است نتیجه تعاملات را بهبود بخشد و معیار mAP را نسبت به روش DJ-RN به میزان 78/2 افزایش دهد

یکی از مراحل مهم در فرآیند تولید نرم افزار، ترمیم نرم افزار است. به دلیل مشکلاتی که روش های خودکار درترمیم نرم افزار دارند، در صنعت همچنان انسان ها خطاهای نرم افزارها را اصلاح می کنند. زمان و هزینه بالای فرآیند ترمیم نرم افزار توسط انسان، منجر شده در این مقاله، یک راهکار جدید جهت استفاده از قابلیت های انسان پیشنهاد شود، که در وهله اول زمان و هزینه ترمیم نرم افزار توسط انسان را کاهش دهد و در وهله دوم این مرحله را به فعالیتی جذاب تر در فرآیند تولید نرم افزار تبدیل نماید. روش پیشنهادی مبتنی بر جمع سپاری و تعامل انسان و ماشین جهت ترمیم نرم افزار است. یکی از راه کارهای موثر جهت سپردن یک مسیله به جمعیت کثیر و بهره بردن از توانایی های انسان با هزینه اندک، استفاده از بازی هدفمند است که از قابلیت های بازیکنان جهت حل مسایل جدی بهره می برد. در بررسی فعالیت های صورت گرفته در زمینه ترمیم نرم افزار، فقدان راهکاری جهت استفاده موثر از جمع سپاری و بازی هدفمند به شدت احساس شد. بنابراین ما راهکاری کاملا جدید ارایه داده ایم، که در آن یک بازی هدفمند جدید با هدف ترمیم نرم افزار طراحی شده است و با سپردن بازی به جمعیت فراوان و حل آن توسط بازیکنان، در اصل ترمیم نرم افزار صورت می گیرد. در بازی مطرح شده به عنوان بارباپاپا، چندین شخصیت وجود دارند که جهت استفاده از دستگاه های یک شهربازی، بایستی از مسیرها و شرط های آن مسیرها عبور کنند. در این بازی ممکن است که شرط ها و مسیرها به درستی تنظیم نشده باشد، بنابراین وظیفه بازیکنان است که آنها را به درستی اصلاح کنند تا تمام شخصیت ها به درستی از وسایل شهربازی استفاده کنند. عناصر بازی بر اساس کد مشکوک به خطا ساخته شده و حل معماهای بازی معادل با ترمیم نرم افزار است. برای ارزیابی روش پیشنهادی، مراحل بازی در اختیار 20 بازیکن قرار داده شده است. از سوی دیگر، کد اولیه برنامه های محک، برای ترمیم نرم افزار به پنج برنامه نویس ارایه شد. در مقایسه نتایج ترمیم نرم افزار بین بازیکنان و برنامه نویسان، مشخص شد، بازیکنان سریع تر از برنامه نویسان وصله های صحیح را ایجاد نمودند. به منظور درک میزان جذابیت و توانایی بازی در مخفی کردن مسیله فنی، پرسش نامه هایی در اختیار بازیکن ها قرار گرفت که بررسی پاسخ ها، نشان از موفقیت بازی در این زمینه ها را دارد. همچنین نتایج حاصل از بازی با ابزار خودکار ترمیم نرم افزار مقایسه شده و می توان بیان کرد که بازی برتری مطلق نسبت به GenProg درترمیم کدها دارد.

محدودیت سرعت پردازنده ها، مانعی برای پردازش بارهای دارای داده های انبوه می باشد. تنها راه افزایش سرعت پردازش و کاهش زمان پردازش نهایی ، استفاده از سیستم های موازی و یا گسترده می باشد. در این صورت زمان بندی مطرح می شود. نوع جدیدی از زمان بندی از سال 1988 براساس "تیوری بار تقسیم پذیر " ارایه گردیده و پژوهش هایی در این زمینه، در محیط های مختلف رایانشی به غیر از رایانش مه، انجام شده است. این مقاله یک زمان بندی بهینه با استفاده از تیوری بار تقسیم پذیر را در محیط ترکیبی مه- ابر با ارایه معادلات و حل آنها و الگوریتم مربوطه پیشنهاد می دهد. آزمایش های تجربی نشان داده است که این روش نسبت به روش های رایج مانند تقسیم مساوی، زمان پردازش نهایی را حدود هشت برابر کاهش می دهد

یکی از راه های تشخیص بیماری های ناشی از ناهنجاری های قلبی، بررسی سیگنال های الکتروکاردیوگرام است. این سیگنال ها به صورت سیگنال های پیوسته زمانی هستند که قبل از پردارش باید به ضربان های قلب شکسته شوند. از آنجایی سیگنال های قلبی در حجم زیاد ذخیره می شوند پردازش آنها توسط روش های معمول یادگیری ماشین دشوار است. همچنین مسیله تشخیص نوع ناهنجاری در سیگنال های الکتروکاردیوگرام تنها یک مسیله دسته بندی چند رده ای نیست؛ بلکه با توجه به ماهیت مجموعه داده های واقعی موجود، یک مسیله دسته بندی داده های نامتعادل است. در این زمینه یک راه حل بالقوه، استفاده از راهکارهای مبتنی بر هزینه است که ممکن است در سطح الگوریتم یا سطح داده پیاده سازی شوند. در این مقاله، یک مدل مبتنی بر یادگیری عمیق با استفاده از شبکه هم آمیختی برای تشخیص نوع ناهنجاری قلبی ارایه شده است که علاوه بر اعمال هزینه در سطح داده با استفاده از تابع ضرر مبتنی بر هزینه در مرحله یادگیری، هزینه دسته بندی اشتباه را برای رده های دارای تعداد نمونه کمتر افزایش می دهد. مدل پیشنهادی همچنین از یک روش بخش بندی ضربان قلب در مرحله پیش پردازش استفاده می کند که حاوی اطلاعات بیشتری برای دسته بندی هستند. نتایج تجربی مدل پیشنهادی بر روی مجموعه داده MIT-BIH در مقایسه با روش کاچویی و 3 روش رقیب دیگر، بجز در معیار یادآوری، سایر شاخص های صحت، دقت و معیار F برتری روش پیشنهادی را نشان می دهند و بر اساس معیار یادآوری دومین بهترین نتیجه حاصل شده است. به طور خاص در شاخص صحت کل در مقایسه با بهترین روش رقیب 20٪ بهبود و برای معیار F در دسته های غیرنرمال 26٪ بهبود حاصل شده است

پیدایش فناوری های جدید و تغییرات سریع محیط سازمان ها باعث ناپایدارشدن و پیچیده شدن شرایط می شود. سازمان ها برای حفظ سازگاری و تداوم پاسخگویی به سودبران، باید بتوانند متناسب با تغییرات فضای رقابتی، نوع تقاضا، فناوری و قوانین جدید حرکت کرده و تغییر کنند. تغییرات بنیادی در راستای فناوری اطلاعات که باعث تغییرات راهبردی نیز می شود را با نام «تحول دیجیتال» می شناسیم. موفقیت در اجرای برنامه تحول دیجیتال باعث تطابق بهتر با تغییرات سریع و ناپایدار و بهبود ارزش سازمان ها خواهد شد. به کمک مدل های بلوغ دیجیتال، یک سازمان می تواند وضعیت فعلی خود را از نظر دیجیتالی شدن و هم راستایی قابلیت های فناوری اطلاعات خود با قابلیت های سازمانی و راهبردی را ارزیابی کند. همچنین این ارزیابی کمک می کند نقاط ضعف و قوت اجرای برنامه توسعه دیجیتال در سازمان را شناسایی کرده تا در آینده برنامه موثرتری برای بهبود وضعیت فناوری اطلاعات تدوین شود. در این مقاله مروری بر مدل های بلوغ دیجیتال و کاربردهای آن در سازمان داشته و سپس پنج مدل آکادمیک- صنعتی مورد توجه در سال های اخیر معرفی می شوند.