2024-03-29T09:47:38Z
https://jscit.nit.ac.ir/?_action=export&rf=summon&issue=16695
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
حذف داده های تکراری برون سپاری شده ابری و حفظ محرمانگی آنها با استفاده از روش رمزگذاری مبتنی بر هویت
شقایق
بختیاری چهل چشمه
سپیده
رمضانی بروجنی
شهرام
حیدریان
در فضای داده های بزرگ، تقاضا برای ذخیره و پردازش داده با سرعت بالایی در حال افزایش است. مدیریت چنین حجم عظیمی از داده ها برای سیستم های ذخیره سازی یکی از چالش های بحرانی محسوب می شود. تکنولوژی حذف داده های تکراری، یک راه حل مناسب برای صرفه جویی در فضای ذخیره سازی و ترافیک در محیط داده های بزرگ است. چالش دیگر در ذخیره سازی داده ها در فضای ابری، فراهم کردن محرمانگی و حفظ حریم خصوصی است، زیرا کاربران ابری داده های شخصی یا محرمانه خود را در مراکز داده سرویس دهنده های ابری بارگذاری می کنند و به آنها اجازه می دهند تا از دادههایشان محافظت کنند. از این رو بهترین عملکرد این است که به منظور اطمینــان از محرمانه ماندن و حفظ حریم خصوصی داده ها، آنها را قبل از برون سپـــاری به سرویس دهنده های ابری، رمزگذاری کرد. اما مسئله ای که در ادامه پیش می آید این است که رمز کردن داده ها باعث می شود متن رمزشده از لحاظ تکراری بودن، غیرقابل تشخیص شوند و این امر تکنولوژی حذف دادههای تکراری را با مشکل مواجه می سازد. لذا برای حل این تعارض، در این پژوهش روشی بر مبنای رمزگذاری مبتنی بر هویت ارائه خواهـد شـد که ضمن حفظ محرمانگی داده هـای برون ســپاری شده از دسـترس موجــودیت های غیرقابل اعتــماد و سرویس دهنده های ابری، عملیات حذف داده های تکراری نیز امکان پذیر باشد.
محرمانگی
حذف داده های تکراری
رایانش ابری
رمزنگاری مبتنی بر هویت
2020
12
21
1
15
https://jscit.nit.ac.ir/article_120842_36c06549a4f4328892a59eacacf1200e.pdf
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
فراهمسازی چندهدفهی برنامههای کاربردی اینترنت اشیاء با تأخیر و هزینهی کمینه در رایانش مهی
فرید
مرادی دالوند
کامران
زمانی فر
اینترنت اشیاء موقعیتهای فراوانی برای برنامههای کاربردی تازه ظهور یافته مانند ماشینهای خودکار و برنامههای کاربردی شهر هوشمند فراهم ساخته است. با ظهور برنامههای کاربردی اینترنت اشیاء که در مقایسه با برنامههای کاربردی موجود نیازهای متفاوتی دارند، رایانش ابری توانایی برآورده ساختن نیازهای این برنامههای کاربردی نوظهور را نخواهد داشت. رایانش مهی بهعنوان یک مدل محاسباتی بهمنظور برآورده ساختن نیازهای برنامههای کاربردی اینترنت اشیاء معرفی شد. بیشتر تلاشهای انجامشده در تحقیقها، کمینه یا بیشینه کردن یک هدف در مسائل مختلف مدیریت منابع در رایانش مهی است که میتواند به دیگر خروجیهای مهم تصمیمگیری آسیب بزند. در این مقاله یک چهارچوب چندهدفه برای یافتن گرههای مه مناسب بهمنظور قرار دادن برنامههای کاربردی اینترنت اشیاء پیشنهاد شده است. مسئلهی فراهمسازی پویای سرویسها در رایانش مهی بهعنوان یک مدل برنامهریزی خطی عدد صحیح آمیخته فرمولبندی شده است و روش برنامهریزی وزندار آرمانی برای حل این مسئلهی چندهدفه بهمنظور برقراری مصالحههای گوناگون میان هزینهی منابع و تأخیر برنامههای کاربردی به کار گرفته شده است. علاوه بر این، با استفاده از نمودار جبههی پَرِتو و شبیهسازیهای مختلف، اهمیت استفاده از روشهای چندهدفه برای فراهمسازی سرویسها در رایانش مهی نشان داده شده است.
رایانش مهی
اینترنت اشیاء
فراهمسازی سرویس
بهینهسازی چندهدفه
برنامهریزی وزندار آرمانی
کیفیت سرویس
مدیریت منابع
2020
12
21
16
31
https://jscit.nit.ac.ir/article_121685_0fa70fdaed5ef1e1ae87b38838bd9f41.pdf
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
احتمالات آگاه به محتوا برای قطعه بندی معنایی تصویر
مجید
نصیری
حمیدرضا
رشیدی کنعان
سید حمید
امیری
قطعهبندی معنایی تصویر مبتنی بر شبکههای عصبی عمیق، از رویکردهای مهم محققان بینایی ماشین می باشد. در روش های مبتنی بر شبکههای عصبی عمیق، بطور کلی از یک شبکه-پایه که برای کاربرد شناسایی تصویر، آموزش دیده است، بمنظور استخراج ویژگی از تصویر استفاده میشود. از آنجا که ابعاد ویژگیهای خروجی از این شبکههای-پایه، کوچکتر از تصویر ورودی میباشد، لذا با اضافه کردن چندین لایه پیچشی به انتهای این شبکههای-پایه، ابعاد ویژگیهای خروجی از این شبکهها را به اندازه ابعاد تصویر وروی می-رسانند. استفاده از ویژگیهای محلی خروجی از شبکههای-پایه، بدون در نظر گرفتن ارتباط کلی بین این ویژگیهای محلی، منجر به قطعهبندی ضعیف و ناهموار میشود. بر این اساس، در این تحقیق واحدی با نام "واحد احتمالات آگاه به محتوا" پیشنهاد میشود. این واحد با کمک ویژگیهای محلی خروجی از شبکههای-پایه، بردار احتمال حضور کلاسهای مختلف را در تصویر تولید میکند. واحد پیشنهادی را میتوان در معماریهای مختلف قطعهبندی معنایی تصویر قرار داد. در این تحقیق، با اضافه کردن واحد پیشنهادی CAP به معماریهای پایه FCN و DeepLab-v3-plus، به ترتیب معماریهای FCN-CAP و DeepLab-v3-plus-CAP پیشنهاد شده است. بمنظور آموزش معماریهای پیشنهادی از دادگان PASCAL VOC2012 استفاده شده است. نتایج آزمایشها نشان می دهد که معماریهای پیشنهادی نسبت به معماریهای پایه مربوطه، به ترتیب 9/1درصد و 4/0درصد بهبود دقت (mIoU) دارد.
قطعهبندی معنایی تصویر
شبکههای عصبی عمیق
شبکههای عصبی کانولوشنی
واحد احتمالات آگاه به محتوا
2020
12
21
32
42
https://jscit.nit.ac.ir/article_120447_19063c7bfc9319ba3757e05f06d8a623.pdf
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
ردیابی حرکت در ویدئو با استفاده از فیلتر همبستگی و ویژگی هیستوگرام گرادیان جهتدار
مهرداد
روحانی
حسن
فرسی
سجاد
محمدزاده
امروزه یکی از اساسیترین فرآیندها بهمنظور ادراک محتوای ویدئو، ردیابی اشیا متحرک است که در آن فرآیند موقعیتیابی یک شی متحرک، در هر فریم ویدئو صورت میگیرد. استفاده از فیلترها در این حوزه در دههی گذشته مورد استقبال قرار گرفته است. فیلتر همبستگی یکی از فیلترهای پرکاربرد در این حوزه است اما، استفاده از این فیلتر به صورت معمول ممکن است سبب بروز مشکل از دست دادن هدف شود. در این مقاله روشی جهت بهبود عملکرد فیلتر همبستگی پیشنهاد شده است. روش جستجوی پیشرفته با بررسی یک سطح آستانه توسط محاسبه میانگین و واریانس هدف، در هر فریم میتواند مشکل از دست دادن هدف را تا حد زیادی کاهش دهد. به این ترتیب در صورت کاهش از سطح آستانه مکانیزمی جهت جستجو در فریم جاری فعال میشود تا هدف را بازیابی نماید. به منظور توصیف هدف از ویژگی هیستوگرام گرادیان جهتدار استفاده شده است زیرا، این ویژگی تغییرات شدت روشنایی را نسبت به سایر ویژگیها به خوبی نشان میدهد. روش پیشنهادی در حالت تک دوربینه روی پایگاه دادههای TB50 و TB100 بررسی شده است. معیارهای ارزیابی دقت، نرخ موفقیت (CDR)، میانگین خطای موقعیت مرکزی (ALE) و فریم بر ثانیه بهمنظور ارزیابی استفاده شده است. نتایج بدست آمده روی پایگاه داده TB50 نشان میدهد، روش پیشنهادی در مقایسه با روش پایه KCF، با پیشرفت تقریبی 9 درصد در معیار دقت، بهبود 6 درصد در معیار نرخ موفقیت و کاهش 50 درصدی معیار ALE همراه بوده است. همچنین روش پیشنهادی روی پایگاه داده TB100، معیار دقت را به میزان تقریبی 15 درصد و نرخ موفقیت را به میزان 12 درصد افزایش و معیار ALE را به میزان تقریبی 50 درصد کاهش داده است.
از دست دادن هدف
جستجوی پیشرفته
ردیابی
فیلتر همبستگی
معیار دقت
2020
12
21
43
55
https://jscit.nit.ac.ir/article_120684_b6195193f5d45c7cd5788f7b8c5145da.pdf
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
انتخاب ویژگی چندبرچسبی با استفاده از الگوریتم بهینه ساز جمعیت رقابتی
حمید
بیاتی
محمدباقر
دولتشاهی
محسن
پنیری
انتخاب ویژگی یکی از اساسیترین مراحل پیش پردازش دادهها در یادگیری ماشین است که با کاهش ابعاد در مجموعه دادهها باعث صرفهجویی در منابع و افزایش سرعت محاسبات میشود. همچنین، انتخاب ویژگی میتواند با حذف ویژگیهای غیرمرتبط و افزونه باعث افزایش دقت و کارایی الگوریتمهای یادگیری ماشین شود. در این مقاله، یک روش جدید تعبیهشده برای انتخاب ویژگی چندبرچسبی پیشنهاد شده است که در آن، مساله انتخاب ویژگی چندبرچسبی برای اولین بار با استفاده از الگوریتم بهینهساز جمعیت رقابتی حل خواهد شد. در روش پیشنهادی، ابتدا جمعیتی از ذرات ساخته میشود، سپس ذرات به دو دسته مساوی تقسیم شده و به صورت جفت با هم رقابت میکنند، ذرات برنده به تکرار بعد منتقل شده و ذرات بازنده از برندهها یاد میگیرند، و در انتهای هر تکرار تابع هدف برای همه ذرات محاسبه میشود. این فرایند تا پیدا شدن یک ذره نزدیک به بهینه (که در اینجا ذرهای است که کمترین مقدار ضرر را دارد)، ادامه پیدا میکند. در این روش برای افزایش سرعت همگرایی، نیمی از جمعیت اولیه با استفاده از یک معیار شباهت ساخته میشود و همچنین از یک جستجوگر محلی برای کشف خاصیت محلی داده ها استفاده میشود. در انتها، بر اساس بهترین ذره، فرآیند انتخاب ویژگی انجام میشود. نتایج پیادهسازی روش پیشنهادی و مقایسه آن با نتایج سایر الگوریتمهای انتخاب ویژگی چند برچسبی نمایانگر کارایی مناسب الگوریتم پشنهادی است.
الگوریتم بهینهساز جمعیت رقابتی
انتخاب ویژگی
دادههای چندبرچسبی
خطای باز تولید
بازنمایی تُنُک
2020
12
21
56
69
https://jscit.nit.ac.ir/article_120840_5be2271db832b8f24aec4c4421cb6066.pdf
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
یک روش پنهان نگاری تصویر ایمن با کیفیت بینایی تصویر بالا بر مبنای LSBM و الگوریتم ژنتیک
وجیهه
ثابتی
سیده سپیده
فیاضی
روش تطابق بیت کم ارزش یا LSBM، یکی از روش های ساده پنهان نگاری است که حملات نسبتا موفقی برای کشف آن ارائه شده است. کیفیت بینایی تصویر (مشاهده ناپذیری) و عدم کشف توسط حملات پنهان شکنی، دو معیار مهم برای هر روش پنهان نگاری است. هدف اصلی در این مقاله ارائه روشی بر مبنای LSBM است که نسبت به آن، در این دو معیاربرتری داشته باشد. در روش پیشنهادی تصویر پوشش بلاکبندی شده و برای هر بلاک با استفاده از الگوریتم ژنتیک و تابع تولید اعداد شبه تصادفی (LCG)، بهترین دنباله جاسازی انتخاب می شود. بهترین دنباله شامل پیکسل هایی است که بیت کم ارزش آنها با بیت های داده بیشترین مطابقت را داشته باشد. در مرحله دوم، با استفاده از LSBM در پیکسل های این دنباله جاسازی انجام می شود. پیکسل هایی که بیت کم ارزش آنها با بیت داده موردنظر مطابقت ندارند، باید یک واحد افزایش یا کاهش یابند. برای انجام این انتخاب، از الگوریتم ژنتیک استفاده شده است، به نحوی که بلاک حاصل کمترین تغییر هیستوگرام را نسبت به بلاک اولیه داشته باشد. مقایسه معیارهای کیفیت تصویر و دقت حملات در کشف این روش، نشان دهنده بهبود مناسب این معیارها در مقایسه با روش LSBM است.
پنهان نگاری
پنهان شکنی
LSBM
الگوریتم ژنتیک
تابع LCG
2020
12
21
70
82
https://jscit.nit.ac.ir/article_120543_9c646c0511a44d46a4aecbd01a4f2794.pdf
مجله علمی رایانش نرم و فناوری اطلاعات
JSCIT
2383-1006
2383-1006
1399
9
4
کاهش هزینه انرژی و کربن مراکز داده ابری با استفاده از الگوریتمهای بهینه جانمایی ماشینهای مجازی و یک مدل خودکار کنترل کننده مقیاس سرورها
احسان
خدایارسرشت
علیرضا
شاملی سندی
امروزه یکی از مهمترین چالشها در رایانش ابری، هزینههای سرسامآوری می باشد که توسط ارائهدهندگان خدمات ابری جهت مصرف انرژی و مالیات کربن پرداخت میشود. برایناساس، تلاشهای فراوانی توسط ارائهدهندگان خدمات ابری برای کاهش این دسته از هزینهها مانند افزایش بهرهوری سختافزار سرورها شده است. هرچند اکثر تلاشهای انجامشده، تنها بر روی یک مرکز داده واحد متمرکز هستند ولی در سالهای گذشته، مدلهای زیادی در این خصوص ارایه شده است که هدف نهایی آنها به حداقل رساندن هزینههای انرژی مصرفی و انتشار کربن با کمک چندین مرکز داده مربوط به یک ارائه دهنده خدمات ابری که از لحاظ جغرافیایی توزیع شدهاند، می باشد. یکی از نواقص مهمی که در تمامی روشها مشاهده می گردد، نگهداری تمامی سرورهای مراکز داده در حالت آماده باش میباشد، حتی زمانی که بیکار هستند. ایده اصلی این مقاله افزودن امکان افزایش و کاهش خودکار مقیاس سرور بهصورت افقی در یک مرکز داده، بر اساس بهره وری پردازندههای مرکز داده می باشد. مدل ارایه شده با دادههای واقعی در شبیه ساز CloudSimPlus پیاده سازی گردید و همچنین نتایج آنرا با بهترین مدلهای جاری مورد مقایسه قرار دادیم. نتایج شبیهسازی نشان میدهد که مدل پیشنهادی در مقایسه با مدلهای قبلی توانسته است حدود 68 درصد، میزان هزینه انرژی و انتشار کربن را در مراکز داده کاهش دهد.
رایانش ابری
مصرف انرژی
انتشار کربن
جانمایی ماشین مجازی
افزایش مقیاس افقی
2020
12
21
83
98
https://jscit.nit.ac.ir/article_120535_9c78932d86af76b6bb69835262ffd488.pdf