نشریه علوم رایانشی
سال ششم شماره 4 (پیاپی 23، زمستان 1400)

تشخیص بیماری و بررسی کارایی قلب بر مبنای تصاویر اکوکاردیوگرافی از گذشته تاکنون مورد توجه پزشکان متخصص در این زمینه بوده است. در دهه‌های اخیر جهت کاهش خطای انسانی در تفسیر تصاویر پزشکی ارایه یک روش مبتنی بر یادگیری ماشین همواره مورد توجه محققان هوش مصنوعی بوده است. در این تحقیق یک روش یادگیری عمیق مبتنی بر شبکه‌های عصبی هم‌آمیختی جهت استخراج نقشه بطن چپ قلب در حالت پایان دیاستولی ارایه گردیده است. یکی از مهم‌ترین چالش‌ها در الگوریتم‌های یادگیری عمیق فراهم نمودن داده‌های آموزشی مناسب جهت یادگیری ماشین است، در این تحقیق از داده‌های ارایه شده توسط محققان بیمارستان دانشگاهی اتیین واقع در کشور فرانسه تحت عنوان CAMUS استفاده شده است که حجم داده ارایه شده متناسب با روش‌های یادگیری عمیق می‌باشد. در این تحقیق دو حالت استفاده از داده‌های اولیه و تقویت داده‌ها با روش افزونگی داده مورد بررسی قرار گرفته است که تقویت داده موجب افزایش دقت و کارایی شبکه عصبی هم‌آمیختی پیشنهادی شده است. دقت کلی برآورد نقشه بطن چپ قلب در حالت پایان دیاستولی با استفاده از روش پیشنهادی در بهترین حالت 97.99% و امتیاز F1 برای آن برابر با 89.21% می‌باشد.

قابلیت اطمینان در مسیریاب‌های شبکه‌ روی تراشه به‌طور جدی با سالمندی مواجه هستند و یک نقطه خرابی محسوب می‌شوند. لذا ارایه راهکارهایی برای تحمل‌پذیری اشکال در آن‌ها از اهمیت بالایی برخوردار است. بازپیکربندی شبکه و مسیریابی تحمل‌پذیری اشکال، از جمله راهکارهای نوین برای حل این مشکل هستند. برای ارایه این مسیریابی‌ها، باید به مدل اشکالی که الگوریتم مسیریابی را ساده‌تر می‌کند توجه کرد. چالش اصلی برای طراحی الگوریتم‌های مسیریابی آگاه از سالمندی، ارایه مدل‌های سالمندی کارآمد برای یافتن الگوریتم‌های مسیریابی شامل اتصال در شبکه است. از سوی دیگر، داشتن دانش مرتبط با میزان سالمندی هر یک از اجزای شبکه، گام موثری در ارایه مدل سالمندی کارآمد است. در این مقاله، در راستای طراحی مدل‌های سالمندی و الگوریتم‌های مسیریابی آگاه از سالمندی کارآمد، مدل‌های سالمندی کارآمد برای یافتن الگوریتم‌های مسیریابی شامل اتصال در مسیریاب‌های شبکه روی تراشه بررسی شده است. سپس جهت بررسی میزان سالمندی هر یک از اجزای شبکه، شبیه‌سازی‌های مبتنی بر شبیه‌ساز بوکسیم انجام شد. نتایج شبیه‌سازی‌ها حاکی از آن بود که برای یک شبکه توری 6×6 در هر دو حالت ارسال و دریافت فلیت، ناحیه داغ در مربع درونی 4×4 شبکه واقع می‌شود. این ناحیه، در برگیرنده مسیریاب‌ها و پیوندها با بیشترین نرخ ارسال و دریافت و به عبارتی مستعدترین نسبت به خطای سالمندی است. بررسی و مقایسه شبیه‌سازی‌ها در حالات مختلف به ازای الگوهای ترافیکی مختلفی مانند الگوی Uniform، Transpose و Shuffle و هم‌چنین به ازای الگوی ترافیک واقعی SPARSE نشان می‌دهد در مسیریابیXY، مدل بررسی شده توزیع یکنواخت‌تری نسبت به سایر روش‌ها دارد و نقاط داغ ان کاهش یافته است.

با توجه به محدودیت‌های منابع محاسباتی موجود در دستگاه‌های تلفن همراه، این دستگاه‌ها در اجرای برخی وظایف روزمره با چالش مواجه هستند. یک راه‎ حل برای این مشکل، برون‌سپاری است که در آن، دستگاه پردازش خود را برای اجرا روی ابر محاسباتی ارسال می‌کند. مقاله حاضر با تمرکز بر روی کاربرد تشخیص فعالیت انسانی، روش‎هایی برای کاهش حجم داده‎های ارسالی وظایف به ابر، با تکیه بر نقاط مطلوب در معامله بین دقت استنتاج یادگیری و هزینه ارتباطات برون‌سپاری ارایه می‌کند. سه روش پیشنهادی کاهش تعداد نمونه‌های داده‌، کاهش دقت اعشار نمونه‌های داده‌ و فشرده ‎سازی نمونه ‎های داده‎ ارایه شده است که در روش اول نمونه‎ های داده قبل از ارسال به صورت یکی در میان یا بیشتر حذف شده و در سمت ابر با تخمین درون‎یابی مجددا بازیابی می‎شوند. در روش کاهش دقت اعشار، نمونه‎ های داده قبل از ارسال با یک نگاشت به عدد صحیح با تعداد بیت محدود تبدیل و در سمت ابر با نگاشت معکوس به صورت تخمینی بازیابی می‎شوند. در روش فشرده‎سازی، نمونه‎ های داده قبل از ارسال، با یک الگوریتم فشرده‌سازی سبک دلتا به یکی از دو روش با اتلاف یا بدون ‎اتلاف فشرده می‎شوند. نتایج عملی نشان می‎دهد اگر چه روش‎های کاهش تعداد نمونه و کاهش دقت اعشار سبب کاهش حجم داده ارسالی بدون تاثیر قابل توجه بر روی دقت تشخیص می‌شوند، روش کاهش دقت اعشار به دلیل میزان کاهش بیشتر حجم داده نسبت به روش کاهش تعداد نمونه ‎ها برتری دارد. ضمنا روش فشرده‎سازی دلتا به اندازه دو روش دیگر موثر نمی‎باشد.

این روزها جامعه بشریت شاهد افزایش مرگ و میر ناشی از جهش‌های مختلف بیماری کرونا است. بیماری کرونا علایم متفاوتی در بدن هر فرد دارد؛ اما اغلب گونه‌های آن در مراحل اولیه بیماری علایمی دارند که قابل مشاهده توسط فرد نیز هستند. هدف از این پژوهش، پیش‌بینی بیماری کرونا از روی علایم اولیه بیماری هست. در این راستا جهت شناسایی و پیش‌بینی بیماری کرونا از الگوریتم‌های یادگیری ماشین همانند بیزین ساده، رگرسیون لجستیک، درخت تصمیم، تحلیل تشخیص خطی، K-نزدیک‌ترین همسایه و ماشین بردار پشتیبان استفاده شده است. برای ارزیابی کارایی الگوریتم‌های فوق از دو مجموعه داده واقعی در پایگاه داده Kaggle استفاده شده است. برای پیاده‌سازی الگوریتم‌ها از زبان برنامه‌نویسی پایتون بهره گرفته شده است. نتایج حاصل از اجرا نشان می‌دهد الگوریتم درخت تصمیم با بالاترین میزان دقت دارای بیشترین کارایی در پیش‌بینی بیماری کرونا است.

از میان انواع سرطان‌ها، سرطان ریه دارای بالاترین میزان مرگ و میر است. این مشکل ناشی از تشخیص ناحیه گره‌های موجود در بافت نرم ریه در مراحل اولیه می باشد. یکی از روش‌های متداول تشخیص ضایعات و گره‌های ریوی استفاده از شبکه عصبی بوده که تا به امروز مورد استفاده محققان زیادی قرار گرفته است. عملکرد شبکه عصبی وابستگی زیادی به معماری شبکه و الگوریتم یادگیری دارد. در این مقاله از یک مدل شبکه عصبی تجمیعی به همراه الگوریتم یادگیری تطبیقی در طبقه‌بندی و تشخیص بیماری سرطان ریه استفاده شده است. هدف اصلی از استفاده از شبکه عصبی تجمیعی، افزایش دقت طبقه‌بندی و بهبود تعمیم‌دهی شبکه عصبی به علت حساسیت در تشخیص بیماری سرطان ریه است. نرخ یادگیری نیز پارامتری مهم در همگرایی شبکه عصبی بوده و بسته به مقدار آن، دقت طبقه‌بندی نیز می‌تواند متفاوت باشد. نتایج این تحقیق نشان می‌دهد که مدل تجمیعی شبکه عصبی با آموزش 5 شبکه به همراه نرخ یادگیری تطبیقی، با بهبود 9/2% نسبت به شبکه عصبی استاندارد و رسیدن به دقت نهایی 3/94% در مقایسه با روش‌های پیشین موفق عمل کرده است.

در دهه اخیر رایانش ابری مورد توجه بسیاری از ارایه‌‌‌‌دهندگان و استفاده‌کنندگان فناوری اطلاعات قرار گرفته است. یکی از مدل‌های پرکاربرد ارایه خدمات در حوزه رایانش ابری، مدل نرم‌افزار به‌عنوان خدمت بوده که معمولا به‌صورت ترکیبی از مولفه‌های داده و برنامه ارایه می‌شوند. یکی از چالش‌های مهم در این حوزه، یافتن مکان بهینه برای مولفه‌های نرم‌افزاری بر روی زیرساخت‌های ابری است که در آن نرم‌افزار به‌عنوان خدمت بتواند بهترین عملکرد ممکن را داشته باشد. مسئله جایابی نرم‌افزار به‌عنوان خدمت به چالش تعیین این‌که کدام سرویس‌دهنده‌ها در مرکز داده ابر، بدون نقض محدودیت‌های نرم‌افزار به‌عنوان خدمت، می‌توانند میزبان کدام مولفه‌ها باشند اشاره دارد. در این مقاله، راهکار بهینه‌سازی چند هدفه با هدف کاهش هزینه و زمان اجرا جهت جایابی مولفه‌های در محیط‌های ابری را ارایه می‌دهیم. راهکار پیشنهادی خود را با استفاده از کتابخانه Cloudsim شبیه‌سازی کرده و در نهایت با دو الگوریتم ازدحام ذرات چندهدفه و فاخته مورد ارزیابی و مقایسه قرار دادیم. نتایج شبیه‌سازی نشان می‌دهد که راهکار پیشنهادی عملکرد بهتری نسبت به دو الگوریتم پایه داشته و موجب کاهش 4/9درصدی زمان اجرای جایابی مولفه‌های نرم‌افزار به‌عنوان خدمت،کاهش 1/7درصدی هزینه و افزایش 15درصدی بهره‌ وری می‌گردد.