نشریه علوم رایانشی
سال سوم شماره 1 (پیاپی 8، بهار 1397)

بازیابی تصاویر براساس محتوا یکی از حوزه های تحقیقاتی بینایی ماشین است. این حوزه شامل دو مرحله اصلی استخراج ویژگی های سطح پایین مثل رنگ، بافت و شکل و سپس محاسبه معیارهای شباهت برای مقایسه تصاویر است. چالش این سیستم ها وجود فاصله معنایی ، بین ویژگی های بصری سطح پایین که از تصویر استخراج می شوند و ویژگی های معنایی سطح بالای موجود بین تصاویر است. در کارهای اخیر، تحقیقات بر روی کاهش این فاصله معنایی متمرکز شده است .استفاده از روش مناسب برای مقایسه شباهت تصاویر تاثیر بسزایی در عملکرد سیستم بازیابی تصویر دارد. سیستم پیشنهادی ما از معیار شباهت مالوس روی تصاویر قطعه بندی شده به عنوان معیاری جدید در سیستم های بازیابی تصویر استفاده کرده است. این روش با اهمیت دادن به اجزاء مشابه، تاثیر نواحی کم اهمیت را کاهش می دهد. افزایش معیار ارزیابی F1-Score در سیستم پیشنهادی بر روی مجموعه دادگان Simplicity و Corel5k در مقایسه با کارهای پیشین، نشان دهنده کارآیی بهتر سیستم پیشنهادی می باشد.

امروزه تطبیق پذیری های پیچیده، واکنش به وضعیت های پیچیده و ویژگی های خود-* سامانه های رایانه ای جدید بر عهده سازوکارهای کنترلی گذاشته می شود. این موضوع باعث شده است که ماموریت سازوکارهای کنترلی حیاتی بوده و در نتیجه، درصورتی که منطق تطبیق یا مولفه های آن دچار شکست شوند، رفتار سامانه غیرقابل پیش بینی گردد. این مقاله سعی دارد تا راهی برای رفع این مشکل با الهام از زیست شناسی بیابد. این هدف با معرفی یک الگو برای پشتیبانی از ویژگی خود-ترمیمی در یک سازوکار کنترلی شناخته شده صورت می پذیرد. ویژگی افزوده شده به سازوکار کنترلی انتخابی، این امکان را می دهد که این سازوکار عملکرد خود را در صورت روی دادن تغییرات ناخواسته در محیط یا خرابی های داخلی بازیابی کند. بدین شکل، از بروز مشکل جدی ناشی از فقدان سازوکار کنترلی جلوگیری به عمل می آید. الگوی پیشنهادی توصیف و درستی یابی صوری شده و کاربرد پذیری آن از طریق یک مطالعه موردی نشان داده شده است.

امروزه پژوهشگران برای داده کاوی ، با دو نوع داده، مواجه هستند: 1- داده های متوازن 2- داده های نامتوازن . چالش اصلی، در داده کاوی داده های نامتوازن است. از طرفی، یکی از روش های داده کاوی، رده بندی است. برای رده بندی داده های نامتوازن با چالش هایی مانند: استخراج مدل جانبدارانه متمایل به داده های آموزشی، رده بندی اشتباه رده اقلیت ، صرفه نظر کردن از داده های مهم رده اقلیت و بیش پوشش مواجه هستیم؛ از این رو از روش های مرسوم و معمول نمی توان برای رده بندی این نوع داده ها استفاده کرد. در این تحقیق، سعی شده است رده بندی داده های نامتوازن با الگوریتم جنگل تصادفی را با استفاده از روش شبکه های عصبی–مرحلهی انفیس ، بهبود بخشیده و معیارهای مختلف برای ارزیابی این روش، سنجیده شود.

ریزتجمیع خانواده ای از روش های کنترل افشای آماری (SDC) از ریزداده ها (رکوردهای اشخاص و یا شرکت ها) برای پوشش ریزداده ها است. داده های منتشر شده باید ضمن حفظ سودمندی، حریم خصوصی صاحبان داده ها را حفظ کند. بنابراین یک توازن بین سودمندی داده ها و حریم خصوصی وجود دارد. در این مقاله دو الگوریتم ریزتجمیع پیشنهاد شده است که NFPN++ و ENFPN نامیده می شود که ابتدا داده ها را با توجه به رکورد آخر و رکورد ماقبل آخر و پنج رکورد آخر مرتب می سازد، سپس یک بخش بندی با کمترین اتلاف سودمندی نسبت به داده های مرتب شده جستجو می کند. نتایج تجربی نشان می دهد که روش پیشنهادی به کمترین اتلاف اطلاعات نسبت به روش های ریزتجمیع گذشته دست یافته است و توازن بهتر بین سودمندی داده ها و حریم خصوصی را میسر ساخته است.

بهینه سازی فرایندی است که برای بهتر کردن چیزی دنبال می شود. فکر، ایده و یا طرحی که به وسیله یک دانشمند یا یک مهندس مطرح می شود، طی روال بهینه سازی بهتر می شود. در هنگام بهینه سازی، شرایط اولیه با روش های مختلف مورد بررسی قرار می گیرد و اطلاعات به دست آمده، برای بهبود بخشیدن به یک فکر یا روش مورد استفاده قرار می گیرند. یکی از الگوریتم های جدید بهینه سازی الگوریتم SSPCO می باشد که از رفتار جوجه های پرنده تیهو الگوبرداری شده است. نظریه آشوب شاخه ای از ریاضیات است که به مطالعه رفتار دینامیکی سیستم هایی که به انتخاب های اولیه بسیار حساس هستند می پردازد. در این مقاله با سازوکار جمعیت دهی نظریه آشوب، الگوریتم SSPCO را پیاده سازی کرده ایم. از دو تابع مختلف نظریه آشوب استفاده کرده و الگوریتم را با نظریه آشوب ترکیب کرده ایم و نتایج را با الگوریتم های مشابه مقایسه کرده ایم. نتایج نشان از این دارد که نظریه آشوب تاثیر مثبتی بر روند الگوریتم داشته است.

حملات رد خدمت توزیع شده یکی از تهدیدات اصلی هر شبکه ای می باشد. با توجه به افزایش دانش مهاجمان، شناسایی و مسدودسازی چنین حملاتی بسیار دشوار شده است. شبکه های مبتنی بر نرم افزار یک معماری نوظهور برای شبکه های ارتباطی است. این معماری با جداسازی عملکرد کنترل از بخش داده ای شبکه تا حدود زیادی مدیریت شبکه را ساده تر کرده است. شبکه های مبتنی بر نرم افزار برخی ویژگی های خاص از جمله کنترل متمرکز، برنامه پذیری، به روزرسانی پویای قوانین و تجزیه و تحلیل جریان های ترافیکی را دارا می باشند. این قابلیت ها این معماری را در شناسایی آسان و واکنش سریع به حملات رد خدمت توزیع شده توانمند می سازد. ما در این مقاله مطالعه جامعی را در زمینه معماری شبکه های مبتنی بر نرم افزار و مشخصات حملات رد خدمت توزیع شده در این معماری انجام داده ایم. ما روش های راه اندازی حملات رد خدمت توزیع شده در شبکه های مبتنی بر نرم افزار را مطالعه کرده، سپس سازوکارهای دفاعی ارائه شده مبتنی بر معماری شبکه های نرم افزار را بررسی کردیم. نتایج مطالعات انجام شده نشان داد که این معماری فرصت های جدیدی را برای شکست حملات رد خدمت توزیع شده به ارمغان می آورد.