نشریه علوم رایانشی
سال چهارم شماره 2 (پیاپی 13، تابستان 1398)

با رشد سریع و مداوم اینترنت، ضرورت وجود سیستم های توصیه گر جهت پالایش اطلاعات افزایش یافته است. در طی سال های اخیر، به دلیل محبوبیت شبکه های اجتماعی، سیستم های توصیه گر مبتنی بر اعتماد توجه زیادی را به خود جلب کرده اند. یکی از ویژگی های مهم اعتماد که معمولا در رویکردهای موجود نادیده گرفته شده است، ویژگی وابستگی به زمینه است. منظور این است که کاربرانی که در یک زمینه خاص قابل اعتماد هستند، لزوما در زمینه های دیگر قابل اعتماد نیستند. بنابراین، سطح اعتماد میان دو کاربر را باید وابسته به زمینه هدف مورد بررسی قرار داد. برای پیش بینی ترجیحات یک کاربر در یک سیستم توصیه گر مبتنی بر اعتماد، می توان روابط اعتماد در هر زمینه را به صورت محلی یا سراسری مدل سازی نمود. زمانی که ماتریس امتیازات بسیار تنک باشد، مدل محلی اثربخشی لازم را نخواهد داشت و منجر به کاهش کیفیت پیشنهادها می گردد. در چنین شرایطی، می توان با بهره گیری از یک مدل سراسری، سطح اعتماد به یک کاربر را بر اساس شهرت وی در کل جامعه تعیین نمود. در این مقاله، یک رویکرد جدید پیشنهاد می شود که از هر دو منبع اعتماد محلی و سراسری به صورت وابسته به زمینه بهره می گیرد و بر اساس سطح تنکی داده ها، آن ها را وزن دهی و ترکیب می نماید. نتایج آزمایش ها بر روی مجموعه داده MovieLens 1M نشان می دهد که میانگین خطای مطلق رویکرد پیشنهادی در مقایسه با رویکردهای CATRA، HUIT و TSF، به طور متوسط به ترتیب 5/2%، 6/5% و 8/6% کمتر است. همچنین در مواجهه با مشکل تنکی داده ها، خطای رویکرد پیشنهادی به طور متوسط بین 4% تا 8% پایین تر از رویکردهای مذکور می باشد.

رایانش ابری، امکان دسترسی به محدوده وسیعی از منابع مجازی شده (سخت افزار، نرم افزار، سرویس ها و...) را فراهم می آورد که این منابع می توانند به صورت پویا و با حجم متغیر، به کاربران خود سرویس دهند، یعنی هر کاربر به اندازه ای که از آن منابع نیاز دارد، از آن استفاده می کند که این کار به استفاده بهینه از منابع منجر می شود. تامین خودکار منابع برای برنامه های کاربردی چندلایه در محیط های ابری، چالش های جدیدی را در زمینه تعادل پویا و یا تخصیص منابع مطرح می کند که در تامین برنامه های تک لایه شاهد آن نبوده ایم. سازوکار های انعطاف پذیرو عموما خودکار نیاز به تعیین مقدار منابع مجازی مورد نیاز برای به حداقل رساندن مصرف منابع و برآورده کردن توافقنامه سطح کیفی خدمات دارند. در این مقاله، به ارائه رویکردی بهبود یافته برای تامین خودکار منابع برای برنامه های کاربردی چندلایه پرداخته ایم، رویکرد ارائه شده دارای سه مرحله پایش، تحلیل و اجراست که در مرحله تحلیل از سیستم استنتاج عصبی-فازی تطبیق پذیر استفاده می شود. این سیستم از قدرت آموزش شبکه عصبی و مزیت زبانی سیستم های فازی به منظور تحلیل فرآیندهای پیچیده به صورت بسیار قدرتمند عمل می کند. سپس رویکرد پیشنهادی را تحت بارهای کاری واقعی و مصنوعی با دو روش ADRP_Fuzzy و ADRP_AL مورد ارزیابی و مقایسه قرار دادیم. نتایج به دست آمده نشان می دهد که رویکرد پیشنهادی موجب کاهش زمان پاسخگویی به میزان 2.3 درصد و افزایش بهره وری به میزان 1.9 درصد می گردد.

دسته بندی اسناد متنی یا تشخیص عنوان به فرآیند شناسایی خودکار موضوع یک سند متنی (مانند هنری، ورزشی، سیاسی، `علمی و...) گفته می شود که در کاربردهای مختلف پردازش زبان طبیعی مانند بازیابی اطلاعات و تحلیل متون مورد استفاده است. یک سامانه دسته بندی کننده خودکار متون، مشابه اغلب سامانه های بازشناسی الگو، از دو گام مهم استخراج ویژگی و دسته بندی تشکیل شده است. در این مقاله، مروری بر روش های رایج برای استخراج ویژگی و دسته بندی در این سامانه ها صورت گرفته و پژوهش هایی که در این حوزه برای زبان فارسی انجام شده است، مرور شده اند. همچنین، تحلیلی از نقاط قوت و ضعف روش های موجود و مقایسه کارهای صورت گرفته با همدیگر ارائه شده است.

با افزایش گسترده خودرو در جهان، کاهش مصرف سوخت و کاهش دی اکسید کربن در محیط های شهری یکی از اهداف اصلی در جهت حفظ محیط زیست می باشد. با وجود پیشرفت در شبکه های خودرویی نتیجه ای برای زمان مطلوب انتظار خودرو در تقاطع ها و کاهش میزان تولید دی اکسید کربن به دست نیامده است. از این رو ضمن ترکیب روش کنترل چراغ راهنمایی، چرخش سبز و یافتن بهترین الگوی مسیریابی، به ارائه روش رانندگی سبز جهت تنظیم سرعت خودرو در هنگام ازدحام، با هدف افزایش گذردهی تقاطع پرداخته می شود. معیارهای مهم ارزیابی برای روش پیشنهادی، مدت زمان انتقال بسته های اطلاعاتی در شبکه و تعداد بسته های حذف شده به دلیل ترافیک می باشند. نتایج آزمایش ها نشان می دهد که روش پیشنهادی ضمن کاهش زمان سفر و افزایش توان عبوری تقاطع ها، مصرف سوخت و تولید گازهای گلخانه ای را کاهش می دهد و عملکرد ترافیک را بهبود می بخشد.

با توجه به افزایش روزافزون استفاده از گوشی های هوشمند، هرروز شرکت ها و افراد بیشتری به سمت تولید برنامه های موبایلی حرکت می کنند تا محصولات آن ها از کاربران بیشتری برخوردار باشد. اما توسعه یک برنامک علاوه بر مزایای غیر قابل انکار ، چالش هایی را نیز به همراه دارد که یکی از آن ها انجام صحیح و کامل آزمون های نرم افزاری خواهد بود. اگرچه این آزمون ها هزینه های ماهیانه یا سالیانه را به تولیدکننده تحمیل می کنند، اما باعث تسهیل فرآیند تولید و نگه داری محصول و کاهش هزینه های مرتبط با آن خواهد شد. علاوه بر این، عدم اجرای صحیح آزمون نرم افزار به طور مستقیم بر روی کیفیت محصول مورد نظر تاثیر می گذارد که نتیجه آن ممکن است دریافت بازخورد منفی از سوی کاربران و آسیب دیدن اعتبار تولیدکننده یا شرکت موردنظر باشد. بنابراین در این مطالعه به طور اختصاصی، آزمون های موبایل را برای سیستم عامل اندروید از جنبه آزمون های غیرکارکردی بررسی خواهیم کرد، که باوجود تاثیرگذاری زیاد در کیفیت محصول، مقالات کمی در گذشته به آن پرداخته اند. در انتهای مقاله نیز به معرفی برخی از پراستفاده ترین ابزارهای موجود برای هر آزمون می پردازیم و مزایا و معایب آن ها را بیان می کنیم.

شبکه موردی بین خودرویی، شبکه ویژه وسایل نقلیه است که این امکان را ایجاد می کند که وسایل نقلیه در جاده ها به صورت مستقل با یکدیگر در ارتباط باشند. یکی از مهم ترین ویژگی های مسیریابی در شبکه های موردی بین خودرویی، قابلیت اطمینان در مسیریابی است؛ که به طور کلی احتمال آن است که پیام های ارسال شده توسط فرستنده، به طور کامل به گیرنده منتقل شوند. باتوجه به اهمیت موضوع، پروتکل های متعددی برای افزایش قابلیت اطمینان در این شبکه ها ارائه شده است. در این مقاله علاوه بر ارزیابی پروتکل مسیریابی AODVکه در اینجا به عنوان مبنا در نظر گرفته شده، به بررسی و ارزیابی عملکرد سه پروتکل مسیریابی قابل اطمینان AODV-R، RIVER و RGEE پرداخته و صحت عملکرد آن ها با استفاده از نرم افزار شبیه ساز متلب ارائه می شود. نتایج به دست آمده نشان دهنده این است که در بین پروتکل های ارائه شده بیشترین مقدار بسته های تحویلی با میانگین 87 / 90 و کم ترین تاخیر ارسال بسته ها با میانگین 017/0- مربوط به پروتکل انتها به انتها می باشد.