فهرست مطالب

رایانش نرم و فناوری اطلاعات - سال دوازدهم شماره 2 (تابستان 1402)

مجله رایانش نرم و فناوری اطلاعات
سال دوازدهم شماره 2 (تابستان 1402)

  • تاریخ انتشار: 1402/06/01
  • تعداد عناوین: 6
|
  • بهمن روایی*، کیوان رحیمی زاده، صادق مشرف زاده صفحات 1-15
    شبکه های تحمل پذیر تاخیر خودرویی (VDTNs) دسته ای از شبکه های خودرویی می باشند که در آن ها مسیر انتها به انتها میان مبداء و مقصد وجود ندارد. در این مقاله، یک روش جدید جلورانی گسترش پذیر میان لندمارکی به نام مسیریابی تحمل پذیر تاخیر خودرویی دو لایه ای (TLVDTR) برای این شبکه ها معرفی می شود که به جای مسیریابی میان خودروها به مسیریابی میان لندمارک ها اقدام می کند. این روش، شبکه را به صورت یک مدل دو لایه در نظر می گیرد و در لایه بالا با استفاده از مرکزیت لبه ای، شبکه به ناحیه هایی تقسیم می شود که بر ناحیه های محیط شهری منطبق هستند و سپس در لایه پایین، در هر ناحیه تعدادی لندمارک تعریف می گردد. پس از آن، لندمارک های در محدوده هر ناحیه با استفاده از الگوریتم دیکسترا، جدول مسیریابی میان لندمارکی تشکیل می دهند و مسیر برای لندمارک های دور که در دیگر ناحیه ها هستند، با اعلان مسیر و یک الگوریتم بردار فاصله پیدا می شوند. این امر باعث کاهش هزینه یافتن مسیر می گردد. از طرف دیگر هر گره سابقه ای از حرکت های خود را نگهداری می کند، و از آن برای یافتن احتمال گذار میان لندمارک ها استفاده می کند. در نهایت با ترکیبی از جدول مسیریابی هر لندمارک و احتمال گذار خودروها در میان لندمارک ها، گره های رله مناسب برای حمل پیام به سمت لندمارک های مقصد انتخاب می گردند. نتایج ارزیابی های انجام گرفته و مقایسه روش پیشنهادی با روش های رقیب نشان از بهبود روش پیشنهادی از جنبه های نرخ دریافت (16%)، متوسط تاخیر (17%) و هزینه جلورانی (4%) است.
    کلیدواژگان: شبکه خودرویی، شبکه خودرویی تحمل پذیر تاخیر، مسیریابی مبتنی بر لندمارک، مسیریابی سلسله مراتبی
  • سمیرا انصاری مقدم، مهری رجائی*، سمیرا نوفرستی صفحات 16-31
    با رشد و گسترش استفاده از دستگاه های تلفن همراه و برنامه های کاربردی حساس به تاخیر، نیاز به انجام محاسبات در نزدیکی کاربر و در گره های مه بجای پردازش در ابر بیشتر می شود. با این وجود، گره های مه قدرت پردازشی و ذخیره سازی محدودی دارند و در نتیجه در شرایط ازدحام درخواست ها، نرخ پذیرش و زمان پاسخ مناسبی ندارند. یکی از دلایل بروز ازدحام و از دست رفتن درخواست ها، تحرک کاربران و خروج از محدوده تحت پوشش گره مه فعلی می باشد. در این مقاله روشی نوین برای تخصیص منابع در رایانش مه با هدف افزایش نرخ پذیرش درخواست های حساس به تاخیر کاربران و کاهش زمان پاسخ کلیه درخواست ها در شرایط تحرک کاربران پیشنهاد می گردد. روش پیشنهادی بر اساس تحرک کاربران و وضعیت صف در گره های مه، به پیش بینی ازدحام در این گره ها پرداخته و بر این اساس در مورد پردازش درخواست ها در گره مه و یا انتقال درخواست ها به گره ابر تصمیم گیری می کند. در این مقاله الگوریتم پیشنهادی با سه الگوریتم FCFS، Cloud-only و Delay priority مقایسه شده است. نتایج آزمایشات انجام گرفته نشان می دهد که زمان پاسخ روش پیشنهادی نسبت به سه الگوریتم مذکور به ترتیب 73، 77 و 10 درصد کاهش یافته است. در الگوریتم پیشنهادی نرخ پذیرش درخواست ها نسبت به سه الگوریتم فوق به ترتیب 44، 25 و 5 درصد افزایش یافته است.
    کلیدواژگان: تخصیص منابع، رایانش مه، تحرک کاربران، ازدحام درخواستها
  • ام کلثوم شهریاری، حسین پدرام، وحید خواجه وند*، مهدی دهقان تخت فولادی صفحات 32-47
    رایانش مهی به عنوان یک روش امیدبخش جهت ارایه سرویس های پردازشی چابک و همه گیر به دستگاه های اینترنت اشیا و پشتیبانی از برنامه های کاربردی پیچیده، پا به عرصه ظهور گذاشته است. رایانش مهی منابع محاسباتی را به لبه شبکه، به نزدیکی دستگاه های اینترنت اشیا می کشاند و از این طریق سرویس های محاسباتی با تاخیر پایین را به کاربران ارایه می دهد. با برون سپاری وظایف محاسباتی به گره های مه که ظرفیت پردازشی بیشتری دارند، می توان بر چالش ظرفیت محدود باتری دستگاه ها و نیاز محاسباتی بالای وظایف فایق آمد و نیازمندی های کیفیت سرویس مورد درخواست کاربران را برآورده نمود. برون سپاری وظایف به گره های مه، از یک سو باعث صرفه جویی در مصرف انرژی باتری دستگاه های اینترنت اشیا می شود و از سوی دیگر به دلیل تاخیر ناشی از انتقال وظایف به لبه شبکه باعث افزایش زمان تکمیل وظایف می شود. در این مقاله برای برقراری تعادل در مصالحه بین انرژی و زمان تکمیل وظایف، یک شمای برون سپاری وظایف با هدف کیمنه سازی سربار برون سپاری بر حسب جمع وزنی مصرف انرژی و زمان تکمیل وظایف پیشنهاد شده است که سعی در یافتن استراتژی بهینه برون سپاری، مکان بهینه برون سپاری و تخصیص بهینه منابع محاسباتی دارد. برای تعیین موثر ضرایب زمان و انرژی به نحوی که کیفیت سرویس مورد نیاز کاربر تضمین شود، از منطق فازی استفاده شده است. مساله برون سپاری وظایف به گره های مه به عنوان یک مساله غیرخطی آمیخته صحیح فرموله شده است که متعلق به کلاس مسایل NP-hard است. یک الگوریتم نزدیک به بهینه بر اساس الگوریتم ژنتیک برای حل مساله بهینه سازی مطرح شده پیشنهاد شده است. شبیه سازی های مختلف همگرایی الگوریتم پیشنهادی و برتری عملکرد آن را در مقایسه با شماهای برون سپاری معیار نشان می دهد.
    کلیدواژگان: برون سپاری وظایف، اینترنت اشیا، رایانش مه، تخصیص منابع، الگوریتم ژنتیک
  • عبدالرضا سوادی*، محدثه صلواتی زاده، علی ریاحی صفحات 48-59

    عدم پشتیبانی صریح همگام سازی بین بلاکی در مدل برنامه نویسی کودا، باعث تضعیف کارآیی در برخی از برنامه های کاربردی شده است. بنابراین در چنین برنامه هایی، همگام سازی بین بلاکی باید به صورت نرم افزاری پیاده سازی شود. روش های باقفل و بدون قفل برای این مسیله پیاده سازی شده اند. در همگام سازی باقفل، زمان اجرا با افزایش تعداد بلاک رشد چشمگیری دارد و در روش همگام سازی بدون قفل، محدودیت تعداد بلاک ها وجود دارد. در این مقاله، دو روش همگام سازی بین بلاکی پیشنهاد می شوند. اولین روش مبتنی بر همگام سازی باقفل است که با گروه بندی مناسب بلاک ها، تاثیر افزایش تعداد بلاک بر زمان اجرا را کاهش می-دهد. دومین روش پیشنهادی همگام سازی بدون قفل است که با ایجاد یک سلسله مراتبی درختی از بلاک ها، محدودیت تعداد بلاک-ها در این همگام سازی را مرتفع می کند. این روش ها برای همگام سازی بین بلاکی در الگوریتم های اسمیت واترمن و مرتب سازی بایتونیک به کار گرفته شده اند. نتایج آزمایش ها نشان می دهند که روش باقفل پیشنهادی، زمان اجرای همگام سازی را بهبود می بخشد و تسریع 1.84 در الگوریتم اسمیت واترمن و 2.24 را در الگوریتم مرتب سازی بایتونیک ثبت کرده است. همچنین نتایج نشان می دهند که در روش پیشنهادی بدون قفل نیز با انتخاب درست تعداد سطوح سلسله مراتب درختی، هر تعداد بلاک می توانند همگام شوند و بنابراین محدودیت تعداد بلاک ها مرتفع شده است.

    کلیدواژگان: واحد پردازنده ی گرافیکی، کودا، هگام سازی بین بلاکی، همگام سازی باقفل و بدون قفل
  • فهیم الله فیلا هومن، نیک محمد بلوچ زهی* صفحات 60-73
    در شبکه اینترنت اشیاء ارسال یک بسته از مبداء به مقصد و مسیریابی بهینه یک چالش اساسی است زیرا بسته ها باید در مسیر بهینه و با حداقل تاخیر و نرخ کمینه خطا ارسال شوند. یکی از چالش های این بخش عدم در نظر گرفتن مسیله ازدحام مسیرهای ارسال بسته ها در بیشتر پژوهش ها است. در این مقاله برای مسیریابی بهینه در اینترنت اشیاء یک رویکرد جدید بر اساس پیش بینی مسیر کم ازدحام و یک رویکرد انتخاب مسیر بهینه با هوش گروهی ارایه می شود. در روش پیشنهادی برای پیش بینی مسیرهای دارای ازدحام کم از یادگیری مبتنی بر رای گیری اکثریت شبکه عصبی، درخت تصمیم گیری و جنگل تصادفی استفاده می شود. در روش پیشنهادی از الگوریتم عروس دریایی برای بهینه سازی مسیر ارسال بسته ها استفاده می شود. نقش الگوریتم عروس دریایی یافتن مسیرهای بهینه در شبکه با حداقل تاخیر، حداقل طول صف، حداقل خطای ارسال و بیشترین نرخ ارسال در مسیر مورد نظر است. پیاده سازی روش پیشنهادی در نرم افزار متلب انجام شده است و برای پیش بینی ازدحام از داده های شبیه سازی شده در اینترنت اشیاء استفاده شده است. یافته های تحقیق نشان می دهد تابع هدف مسیریابی روش پیشنهادی نسبت به الگوریتم بهینه سازی گرگ خاکستری، بهینه سازی وال و کرم شب تاب از کارایی مناسب تری برخوردار است و این بدان است که روش پیشنهادی نسبت به این الگوریتم ها دارای مسیریابی کم خطاتر، با تاخیر کمتر و طول صف کمتر است. انرژی باقی مانده در گره های شبکه در روش پیشنهادی نسبت به الگوریتم بهینه سازی گرگ خاکستری، بهینه-سازی وال و کرم شب تاب دیرتر مصرف می شود و عمر شبکه در روش پیشنهادی از این روش ها بیشتر است. روش پیشنهادی در پیش بینی ازدحام دارای دقت، حساسیت و صحتی به ترتیب برابر 97.63% ، 96.85% و 97.19% است. بکارگیری رای گیری اکثریت باعث می-شود تا دقت روش پیشنهادی نسبت به درخت تصمیم گیری، جنگل تصادفی و شبکه عصبی مصنوعی چند لایه به ترتیب 6.39%، 1.42% و 3.40% افزایش یابد. آزمایشات نشان داد که روش پیشنهادی در پیش بینی ازدحام در مسیرهای انتخاب شده از درخت تصمیم گیری، درختان تکراری، درختان تصادفی، روش خوشه بندی دارای دقت، حساسیت و صحت بیشتری است.
    کلیدواژگان: الگوریتم بهینه سازی عروس دریایی، اینترنت اشیاء، بهینه سازی، پیش بینی ازدحام، شبکه های حسگر بیسیم، مسیریابی
  • نسیم توحیدی، چیترا دادخواه* صفحات 74-88
    امروزه یکی از پرکاربردترین روش های بازنمایی زبان طبیعی، بازنمایی معنا جهت پردازش متون در سامانه های مختلف است. روش های بازنمایی معنا در سال های اخیر کاربردهای متعددی در حوزه پردازش زبان طبیعی از جمله سامانه های خلاصه سازی خودکار متن و سامانه های پرسش و پاسخ و غیره داشته اند. بسیاری از عبارات متنی ممکن است از لحاظ ساختار گرامری متفاوت، اما از نظر معنایی یکسانی باشند، لذا چگونگی اطلاق یک معنای یکسان و واحد به آن ها یکی از چالش های پردازش متن است. هدف اصلی این مقاله طراحی مدلی برای بازنمایی معنایی یکپارچه و مستقل از ساختار نحوی برای زبان طبیعی است. مدل پیشنهاد شده با حفظ سادگی خود در حاشیه نویسی و درک، عدم وابستگی به ویژگی های زبان طبیعی خاص و همچنین عدم وابستگی به ساختار نحوی و لغوی را دارد. در این راستا، مثال های از جملات زبان فارسی و انگلیسی که از نظر ساختار گرامری وتفاوت هایی با یکدیگر دارند، در مقاله با روش بازنمایی پیشنهادی ارایه شده اند. به علاوه، با استفاده از مدل پیشنهادی، بازنمایی یکسانی برای متون با معنای یکسان و در عین حال ساختار گرامری متفاوت ارایه می گردد. مدل پیشنهادی در قالب گراف و لیست جهت تفسیر در پیکره طراحی شده است. یکی از ویژگی های اصلی مدل پیشنهادی، قابلیت بازنمایی روابط معنایی در سطح جمله و در سطح سند جهت بازنمایی پدیده های پیچیده و مهم زبانی مانند جنبه، زمان و سورها است. سادگی مدل پیشنهادی سبب می گردد که پردازش های زبانی در کاربردهای مختلف کند ویا پیچیده نشود، و تهیه پیکره های مبتنی بر این مدل در آینده برای زبان های طبیعی مختلف پیچیدگی زیادی نداشته باشد، تا هم برای زبان های طبیعی با منابع محدود و هم برای زبان های طبیعی با امکانات کامل قابل بهره برداری باشد. همچنین، ویژگی های مدل پیشنهادی با یکی از مهم ترین کارهای مرتبط پیشین مقایسه شده است.
    کلیدواژگان: بازنمایی معنا، پردازش زبان طبیعی، متن، گراف، پیکره، معنا
|
  • Bahman Ravaei *, Keyvan Rahimizadeh, Sadegh Moshrefzadeh Pages 1-15
    Vehicular delay tolerant networks (VDTNs), as a special type of vehicular networks, there is no end-to-end path exists between vehicle nodes. In this paper, a novel and scalable landmark-based forwarding method named Two-Layer Vehicular Delay Tolerant Routing (TLVDTR) is introduced that routes messages between regions and landmarks instead of performing routing between nodes. This method maps the network to a two-layer model. At the upper layer, the network operation area is divided to some regions by using the edge betweenness centrality and in the lower layer; a network of landmarks is organized to track vehicles' movement between popular places. Then, each Landmark finds the shortest path to other landmarks in its region and constructs an inter-landmark routing table. After that, by exploiting a distance vector algorithm and advertising routes mechanism, the routing table will be extended to store routes to landmarks of other regions. Beside the network structure organization, probabilities of transition between landmarks are computed by using nodes historical movement trajectory. Finally, by using both routing table and transition probabilities, our proposed method can select the suitable relays for carrying messages toward target landmarks. The evaluation results show the superiority of our proposed method in terms of delivering ratio (16%), average delay (17%) and forwarding cost (4%).
    Keywords: Vehicular networks, Vehicular delay tolerant network, Landmark-based routing, Hierarchical Routing
  • Samira Ansari Moghaddam, Mehri Rajaei *, Samira Noferesti Pages 16-31
    With the growing use of mobile devices and delay-sensitive applications, the need to move computing power to the proximity of users increases compared to cloud computing. However, fog nodes have limited computing and storage capacity and, therefore, do not perform well under congestion of requests. One of the causes of congestion and loss of user requests is the mobility of users across fog node areas. The purpose of this paper is to provide an efficient method for resource allocation in fog computing considering user mobility with the aim of increasing the acceptance rate of users' delay-sensitive requests and reducing the response time of requests. The proposed method predicts congestion in the fog node based on the mobility of users and the condition of its queue and, accordingly, decides whether to process the requests in the fog or to send them to the cloud. The experimental results indicated that the proposed method involves a lower response time and a higher acceptance rate than other existing methods. The results of the experiments show that the response time of the proposed method is reduced by 73, 77 and 10 percent compared to the three FCFS, Cloud-only and Delay priority algorithms, respectively. In the proposed algorithm, the request acceptance rate has increased by 44, 25 and 5 percent compared to the above three algorithms, respectively.
    Keywords: Resource Allocation, Fog Computing, User mobility, Request Congestion
  • Om-Kolsoom Shahryari, Hosein Pedram, Vahid Khajehvand *, Mehdi Dehghan Takhtfooladi Pages 32-47
    Fog computing has emerged as a promising technique to provide agile and pervasive computing services to the Internet of Things devices (IDs) and to support complicated IoT applications. Fog computing brings computation resources to the edge of the network, near to the IDs, and provides low-latency services to users. By offloading computational tasks to fog nodes having greater computing capacities, can address the contradiction between the limited battery capacity of IDs and high computational intensity demand of tasks. Hence, the quality of service (QoS) demands of users can be fulfilled. Although task offloading to fog nodes leads to saving in energy consumption in the battery of IDs, it causes to increase in task completion time due to occurred delay in transmitting the task to the edge of the network. In this paper, to balancing the trade-off between energy consumption and task completion time, a task offloading scheme is proposed. The main objective of the proposed scheme is to minimize offloading overhead in terms of the weighted sum of energy consumption and task completion time by optimizing offloading decision, the destination of offloading, and computation resource allocation. We employ fuzzy logic to determine the weighting coefficient effectively. Task offloading to fog nodes is formulated as a mixed-integer nonlinear programming (MINLP) problem, which is NP-hard. A sub-optimal algorithm based on genetic algorithm (GA) is proposed to solve the formulated problem. Extensive simulations prove the convergence of the proposed algorithm and its superior performance in comparison with some baseline schemes.
    Keywords: Task Offloading, Internet of Things, Fog Computing, Resource Allocation, Genetic Algorithm
  • Abdorreza Savadi *, Mohaddeseh Salavatizadeh, Ali Riahi Pages 48-59

    The lack of explicit support for inter-block synchronization in the CUDA programming model has weakened performance in some applications. Therefore, in such applications, inter-block synchronization must be implemented in software. Lock-based and lock-free methods have been implemented for this problem. In lock-based synchronization, the execution time increases significantly with the increase in the number of blocks, and in the lock-free methods, there is a limit to the number of blocks. In this paper, two inter-block synchronization methods are proposed. The first method is lock-based, which reduces the impact of increasing the number of blocks on the execution time by grouping the blocks. The second proposed method is lock-free synchronization, which removes the limitation of the number of blocks in synchronization by creating a tree hierarchy of blocks. These methods were used for inter-block synchronization in Smith-Waterman and Bitonic algorithms. Experimental results show that the proposed lock-based method improves the execution time of the synchronization and recorded a speedup of 1.84 in the Smith-Waterman algorithm and 2.24 in the Bitonic sorting algorithm. Also, the results show that in the proposed lock-free method, any number of blocks can be synchronized by correctly choosing the number of levels of the tree hierarchy, and therefore the limitation of the number of blocks has been removed.

    Keywords: GPU, CUDA, Inter-block Synchronization, Lock-based, Lock-free Synchronization
  • Fahimullah Filahoman, Nik-Mohammad Balouchzahi * Pages 60-73
    In the Internet of Things network, sending a packet from the origin to the destination and optimal routing is a fundamental challenge because the packets must be sent in the optimal path with minimum delay and error rate. One of the challenges of optimal routing is the need for more consideration of the problem of congestion in the paths of sending packets in most researches. This manuscript presents a new approach based on low congestion route prediction and an optimal route selection approach with swarm intelligence for optimal routing in the Internet of Things. The proposed method uses learning based on neural network majority voting, decision tree, and random forests to predict the paths with low congestion. The proposed method uses the Jellyfish Search Algorithm(JSA) to optimize the route of sending packets. The role of the mermaid optimization algorithm is to find optimal routes in the network with minimum delay, queue length, minimum transmission error, and maximum transmission rate in the desired route. The implementation of the proposed method has been done in MATLAB software, and simulated data in the Internet of Things has been used to predict congestion. The research findings show that the routing objective function of the proposed method is more minimized than the gray wolf optimization algorithm(GWO), whale optimization algorithm(WOA), and firefly algorithm(FA), which means that the proposed method improves routing more compared to these algorithms. The remaining energy in the network nodes in the proposed method is consumed later than the GWO, WOA, and FA algorithms, and the network life in the proposed method is more extended than these methods. The proposed method for congestion prediction has accuracy, sensitivity, and precision of 97.63%, 96.85%, and 97.19%, respectively. The use of majority voting causes the accuracy of the proposed method to increase by 6.39%, 1.42%, and 3.40%, respectively, compared to the decision tree, random forest, and multilayer artificial neural network. Experiments showed that the proposed method is more sensitive and accurate in predicting traffic congestion in selected routes from decision trees, repeated trees, random trees, and clustering methods.
    Keywords: Jellyfish Search (JS) optimizer algorithm, Internet of Things(IoT), optimization, Congestion prediction, Wireless Sensor Networks, routing
  • Nasim Tohidi, Chitra Dadkhah * Pages 74-88
    Today, one of the most widely used natural language representation methods is meaning representation for text processing in different systems. Meaning representation methods have had many applications in the field of natural language processing in recent years, including automatic text summarization systems and question and answer systems, etc. Many text expressions may be different in terms of grammatical structure, but they are the same in terms of meaning, so how to apply a single and uniform meaning to them is one of the challenges of text processing. The main goal of this paper is to design an Integrated Semantic Representation (ISR) model for natural language. The proposed model, while maintaining its simplicity in annotation and understanding, does not depend on specific natural language features or on syntactic and lexical structure. In this regard, several examples in both English and Persian language, which have different in terms of written and grammatical structure, are presented in this paper. Moreover, by using the proposed model, the same representation is provided for texts with the same meaning and different grammatical structure. The proposed model is designed in graph and list format is recommended to annotate its corpuses. One of the main features of this model is that it can represent semantic relations at both sentence-level and document-level and is able to represent complex and important linguistic phenomena such as aspect, tense, and quantification. The simplicity of the proposed model helps to avoid making language processing slow or complicated in various applications, and the preparation of structures based on this model for different natural languages will not be too complicated, so that it can be used both for natural languages with low resources and for those with various resources. Further, features of the proposed model are compared with one of the most important related works.
    Keywords: Meaning Representation, Natural Language Processing, text, Graph, Corpus, semantics