دانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722A Novel Similarity Measure for Fuzzy Recommender Systemsارائه یک معیار جدید اندازهگیری شباهت در سیستمهای توصیهگر فازی11599577FAمنصوره شجاعیدانشگاه علوم و تحقیقات، تهرانحسن صانعی فرگروه کامپیوتر، دانشگاه رجا قزوین، ایرانJournal Article20190326Due to the development of the internet and the diversity of information, decision making in various fields has been faced different challenges. Recommender systems by identifying users interests, data filtering, and data management offer personalized services to users. This is beneficial for marketing and user satisfaction. Collaborative Filtering (CF) is one of the most successful methods of recommender system. CF is based on the similarity between users. We argue that similarity is a fuzzy notion and we get more realistic results in recommender systems by using fuzzy logic. Fuzzy logic is an effective way to identify ambiguities and uncertainty in measuring the similarity of items and users. In this paper, we present a new Fuzzy Similarity Measure, called FSM, for CF recommender systems which is based on popularity and significance. To evaluate the contribution of this work, we use MAE, F1, recall, and precision. Using the proposed fuzzy similarity measure, FSM, we obtain a F1 value equal to 0.6550, which outperforms the PIP and NHSM respectively by %17 and %20. Also, the MAE value based on the proposed fuzzy similarity measure is equal to 0.4604, which outperforms the NHSM by %5. We have also observed an improvement in recall and precision using the proposed similarity measure.با توسعه اینترنت، بشر امروزی با رشد انفجاری و تنوع اطلاعات مواجه است و این امر تصمیمگیری در زمینه های مختلف را با چالش مواجه کرده است. بدین منظور سیستمهای توصیهگر با شناسایی علایق کاربران، فیلترکردن دادهها و مدیریت اطلاعات، باعث صرفه جویی در زمان، شخصیسازی تجارت الکترونیک، بهبود بازاریابی و غیره شده است. یکی از موفقترین روشهای سیستمهای توصیهگر، فیلترینگ همکاری است که مبتنی بر شباهت بین کاربران میباشد. در سیستمهای توصیهگر، دقت و کیفیت توصیهها اهمیت بسزایی دارند. راهکارهای مختلفی مانند استفاده از منطق فازی برای بهبود دقت و کیفیت توصیهها، ارائه شده است. استفاده از منطق فازی، روشی موثر برای برخورد با عدم قطعیت در اندازهگیری شباهت آیتمها و کاربران است. در این پژوهش، روشی جدیدی برای اندازهگیری شباهت فازی به نام FSM براساس فاکتورهای محبوبیت و اهمیت، در سیستمهای توصیهگر فیلترینگ همکاری ارائه شده است. در روش پیشنهادی، از اعداد فازی برای بهبود دقت و کیفیت توصیهها استفاده شده است. روش پیشنهاد شده، توسط معیارهای MAE ،F1 ، فراخوانی و صحت ارزیابی شده است. مقدار F1 در حالت استفاده از معیار شباهت پیشنهادی نسبت به روشهای مبتنی بر معیارهای PIP و NHSM به ترتیب ۱۷ و ۲۰ درصد افزایش یافته است. همچنین معیارهای فراخوانی و صحت بدست آمده از این روش نسبت به دو روش مذکور نیز بهبود قابل توجهی یافتهاند.https://jscit.nit.ac.ir/article_99577_c69d13ccf54ad9b33dd03be514a6ab5f.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722A method for modeling and analysis of fault propagation in hybrid systems using stochastic activity networksروشی برای مدلسازی انتشار خطا در سیستمهای هیبرید با استفاده از شبکههای فعالیت تصادفی1633104439FAآرمان سان احمدیدانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایرانمحمد عبداللهی ازگمیدانشگاه علم و صنعت ایرانJournal Article20181107Hybrid systems consist of both continuous and discrete parts. These systems include several different components. A fault in one of these components can be activated and propagate to other components. Due to the advancement of technology and intelligent systems such as driverless car, health control devices and automated factories, the occurrence of a fault in one component and its propagation to other components can lead to financial and human-life losses. It is necessary to design a fault propagation model before construction of a system. With such a model, we can observe the propagation of the effects of a fault in a component to other components, before the construction of the system. It is also possible to identify critical components of the system. In this paper, a method for modeling fault propagation based on stochastic activity networks is presented. Based on this model, it is possible to identify the critical points of the system, the effect of different components on each other and the component failure behavior. The proposed model has been applied in a case study (an aircraft fuel system), and its simulation and quantitative results are presented in this paper.سیستمهای هیبرید از دو بخش پیوسته و گسسته تشکیل شدهاند. این سیستمها شامل چندین مؤلفه متفاوت هستند. وجود خطا در یکی از این مؤلفهها و فعال شدن آن، میتواند به سایر مؤلفهها انتشار پیدا کند. با توجه به پیشرفت فناوری و به وجود آمدن سیستمهای هوشمند همچون ماشینهای خودران، دستگاههای کنترل سلامت و کارخانههای خودکار، وقوع خطا در یک مؤلفه و انتشار آن به سایر مؤلفهها میتواند منجر به وقوع فاجعه و خسارات مالی و جانی فراوانی شود. بنابراین به منظور شناخت نقاط حساس سیستم و نحوه انتشار خطا بین مؤلفهها، لازم است قبل از طراحی و بهرهبرداری از این سیستمها، به مدلسازی انتشار خطا در آن ها پرداخت. در این مقاله روشی برای مدلسازی انتشار خطا بر اساس شبکههای فعالیت تصادفی ارائه شده است. بر اساس این مدل میتوان به شناسایی نقاط حساس سیستم، تأثیر مؤلفههای مختلف بر روی همدیگر و رفتار خرابی مؤلفهها پرداخت. مدل پیشنهادی در یک مطالعه موردی (سیستم سوخترسان هواپیما) بهکار گرفته شده و نتایج شبیهسازی و ارزیابی کمّی آن در مقاله آورده شده است.https://jscit.nit.ac.ir/article_104439_70cfdebd35a93b5bff4c46d0e61663d0.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Presenting an intelligent extraction method in audio watermarking systems based on lifting wavelet transform and support vector machineارائه یک روش استخراج هوشمند در سیستمهای نهاننگاری صوتی بر اساس تبدیل موجک ارتقاء یافته و ماشین بردار پشتیبان3447103555FAسید مصطفی پورهاشمیگروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایرانمحمد مصلحگروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران0000-0002-0991-1623یوسف عرفانیگروه مهندسی برق و کامپیوتر، دانشگاه McMaster، همیلتون، انتاریو، کاناداJournal Article20190211Nowadays, the rapid growth of the use of information technology and computer networks has increased the transfer of information in a digital form. For this reason, the protection of data has become one of the most important challenges in this field. Watermarking is introduced as one of the newest and most important techniques for data protection. Audio watermarking is considered to be the most challenging type of watermarking due to the nature of audio files. The most extraction methods used in audio watermarking algorithms, which mainly use non-intelligent techniques based on the reverse of embedding rules for extraction phase of audio watermarking, often they are not able to extract watermarking exactly and have a lot of errors in extracting. Our proposed solution to solve this problem is to use an intelligent algorithm to extract the watermark. The purpose of this article is to provide a method that covered the weakness of non-intelligent extraction methods using trained machine learning classifier and helped to improve system performance. For the embedding operation, the Lifting Wavelet Transform (LWT) has been used in the proposed method; in the extraction operation, the Support Vector Machine (SVM) classifier is also used. The trained classifier is able to detect the effects of various attacks on the audio files and consequently, intelligent and precise extraction of watermark. The results of various experiments under different conditions indicate that this intelligent method has achieved appropriate imperceptibility and high capacity along with high robustness.امروزه رشد سریع استفاده از فناوری اطلاعات و شبکههای کامپیوتری، باعث افزایش انتقال اطلاعات در فرم دیجیتال شده است. بهمین دلیل حفاظت از دادههای ارسالی به یکی از مهمترین چالشها در این زمینه مبدل گشته است. نهاننگاری بعنوان یکی از جدیدترین و مهمترین تکنیکها برای حفاظت دادهها معرفی شده و مورد استفاده قرار میگیرد. نهاننگاری صوتی بدلیل ماهیت فایلهای صوتی بعنوان چالش برانگیزترین نوع نهاننگاری مطرح شده است. اکثر روشهای استخراج در الگوریتمهای نهاننگاری که عمدتاً از تکنیکهای غیر هوشمند و بر اساس معکوس قوانین درج، برای فاز استخراج در نهان نگاری صوتی استفاده میکنند، اغلب قادر به استخراج دقیق نهاننگاره نیستند و خطای زیادی در تشخیص دارند. راهکار پیشنهادی ما برای حل این مشکل، استفاده از الگوریتمی هوشمند برای استخراج نهاننگاره است. هدف این مقاله، ارائه روشی است که با استفاده از دستهبند آموزش دیدهی مبتنی بر یادگیری ماشین نقاط ضعف روشهای استخراج غیرهوشمند را پوشش داده و به بهبود عملکرد سیستم کمک کند. برای عملیات درج در روش پیشنهادی از تبدیل موجک ارتقا یافته استفاده نموده و در بخش استخراج نیز از دستهبند ماشین بردار پشتیبان استفاده میشود. دستهبند آموزش دیده، قادر به تشخیص تأثیر حملات مختلف بر روی فایل صوتی و در نتیجه استخراج هوشمندانه و دقیق نهاننگاره میباشند. نتایج آزمایشات مختلف تحت شرایط متفاوت، نشان میدهد که این روش هوشمند، به شفافیت مناسب و ظرفیت بالا، در کنار مقاومت بالا دست یافته است.https://jscit.nit.ac.ir/article_103555_6f1fc1836f46f75f5837f7c5862b5232.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Kernelized Domain Adaptation and Balanced Distribution Alignment for Image Classificationانطباق دامنه کرنلی و تطبیق توزیع متعادل برای طبقهبندی تصاویر486095886FAشیوا نوری سرایدانشکده مهندسی فناوری اطلاعات و کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایران.جعفر طهمورث نژادگروه کامپیوتر، دانشگاه صنعتی ارومیه، ارومیه، ایرانJournal Article20190616Transfer learning and domain adaptation are effective solutions for performance improvement of image classifiers where the source domain (training set) and target domain (test set) have substantial probability distribution differences. In fact, collecting input data in various conditions (such as lighting or temperature), different equipment with variable characteristics (such as number of input ports or resolution quality) and different views (such as dimensions or environment) results domain shift problem. Semi-supervised domain adaptation is a leading solution for domain shift problem, where the source domain and a small part of target domain are labeled. In this paper, we propose KErnelized Domain Adaptation and balanced distributions alignment (KEDA) to adapt the source and target domains in a semi-supervised manner. KEDA preserves the topology of domains via creating a Laplacian matrix and similarity and dissimilarity views. Moreover, KEDA adapts the regularized conditional and marginal distributions across domains. Ultimately, the sum of these solutions leads to a good classification function for labeling the unlabeled images. The proposed method is compared with the state-of-the-art methods of domain adaptation on Office-Caltech-10, Digits, Pie, and Coil datasets where results show considerable performance improvement of our proposed method.یادگیری انتقالی و انطباق دامنه از جمله راه حلهای موثر در بهبود عملکرد طبقهبندهای تصویر هستند که در آن دامنه منبع (مجموعه آموزشی) و دامنه هدف (مجموعه آزمایشی) از اختلاف توزیع احتمال قابل توجهی برخوردارند. در واقع، نظر به اینکه جمعآوری داده های ورودی در شرایط مختلف (مانند وضعیت نور یا درجه حرارت)، تجهیزات مختلف با ویژگی های متغیر (مانند تعداد پورتهای ورودی یا کیفیت رزولوشن) و دیدگاههای مختلف (مانند ابعاد و محیط) انجام میشود، منجر به مسئلهی تغییر دامنه میشود. انطباق دامنه نیمه نظارت شده، راه حلی پیشتاز برای مسئلهی تغییر دامنه است که در آن، دامنه منبع و بخش کوچکی از دامنه هدف دارای برچسب هستند. در این مقاله انطباق دامنه کرنلی و تطبیق توزیع متعادل (KEDA) را برای انطباق دامنههای منبع و هدف، به صورت نیمه نظارتی پیشنهاد میکنیم. KEDA توپولوژی دامنهها را از طریق ایجاد ماتریس لاپلاسی و از نقطه نظرهای شباهت و تفاوت حفظ میکند. علاوه بر این، KEDA توزیع شرطی و حاشیهای بین دامنهها را تطبیق می دهد. در نهایت، مجموع این راه حلها، تابع طبقهبندی خوبی برای برچسب زدن تصاویر بدون برچسب نتیجه میدهد. روش پیشنهادی با روشهای پیشرفته انطباق دامنه بر روی دیتاستهای آفیس-کلتک-10 ، اعداد ، پای و کویل مقایسه شده است که نتایج، بهبود عملکرد قابل توجهی در روش پیشنهادی ما را نشان میدهد.https://jscit.nit.ac.ir/article_95886_0780dc695080c477f483a813e266ee2a.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Search Space Reduction for Farsi Printed Subwords Recognition by Simple Features, Feature Quantization and Fusion of Classifiersکاهش فضای جستجو برای بازشناسی زیرکلمات تایپی فارسی با استفاده از ویژگیهای ساده، کوانتیزاسیون ویژگی و ترکیب طبقهبندها6173103458FAاسماعیل میریدانشگاه بیرجندسیّد محمّد رضویدانشکده مهندسی برق و کامپیوتر، دانشگاه بیرجند، بیرجند، ایرانناصر مهرشاددانشگاه بیرجندJournal Article20171015Abstract- In this paper, a method is presented for search space reduction in Farsi Printed Sub words recognition. First 10 simple features from sub word are extracted. By using the concept of quantization, These features are quantized according to the interval changes of each feature in training data, and are converted to integers. A score is given to every class, using each feature and its distance to corresponding feature of each training sample. By applying all features, each class has a score per feature. A final score is obtained, by fusion of these scores using algebra operations, for each class. Search space is reduced using sorting of final scores and selection of some sub words with more scores. For fusion of scores, sum, prod, max, min and weighted sum operations are used. The weighted sum method, which Optimized weights are obtained by particle swarm optimization (PSO), has given the best response. در این مقاله روشی برای کاهش فضای جستجو در بازشناسی زیرکلمات چاپی فارسی ارائه میشود. ابتدا 10 ویژگی ساده از زیرکلمه استخراج میشود. با استفاده از مفهوم کوانتیزاسیون و با توجه به بازه تغییرات هر ویژگی روی همه دادههای آموزشی ویژگیها کوانتیزه شده و به اعداد صحیحی تبدیل میشوند. با استفاده از هر ویژگی و فاصله آن تا ویژگی متناظر هر کدام از نمونههای آموزشی، به هر کلاس امتیازی داده میشود. با اعمال همه ویژگیها، هر کلاس به ازای هر ویژگی یک امتیاز دارد که با ترکیب این امتیازات با اعمال جبری یک امتیاز نهایی برای هر زیرکلمه بدست میآید که با مرتب کردن آنها و انتخاب تعدادی از آنها که امتیاز بیشتری دارند، فضای جستجو محدود میشود. از اعمال جبری جمع، ضرب، بیشینه، کمینه و جمع وزندار برای ترکیب امتیازات استفاده شده است. روش جمع وزن دار، که وزنهای بهینه با الگوریتم بهینهسازی جمعیت ذرات تعیین شدهاند، بهترین پاسخ را داده است.https://jscit.nit.ac.ir/article_103458_c3cf3809815169df4cf75c1d6090970f.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722A Dynamic Congestion Management Method for Reconfigurable Network on Chipیک روش مدیریت ازدحام به صورت پویا برای شبکه روی تراشه قابل بازپیکربندی7486103661FAمحمد علائیگروه مهندسی کامپیوتر - دانشکده فنی - دانشگاه ولی عصر (عج) رفسنجان0000000312737635فهیمه یزدان پناهگروه مهندسی کامپیوتر - دانشکده فنی - دانشگاه ولی عصر رفسنجان0000-0002-8210-8204Journal Article20190215In this paper, an efficient approach for dynamic congestion management and traffic control of reconfigurable network-on-chip (NoC) is proposed. In this approach that called DyCM, the objectives of improving the parameters of delay, area, throughput and power consumption are pursued. Using he proposed scheme in the router control unit, several virtual channels on each port based on the network traffic are supported. Dynamic and non-uniform allocation of virtual channels, as well as management of turning on and off virtual channels, ports and routers, considerably reduce power consumption of the routers, and also result in increasing throughput. The overhead of the proposed design is increasing the router area, due to the complexity of the power management unit. To reduce the area overhead and to increase the speed of the router, we have reduced the number of pipeline stages in the proposed router. The evaluations show that the DyCM offers higher performance in terms of speed, power consumption and network throughput than recent related architectures.در این مقاله، یک روش کارآمد برای مدیریت ازدحام و کنترل ترافیک در شبکه روی تراشه با قابلیت بازپیکربندی پیشنهاد می شود. در این روش، که DyCM نامیده می شود، اهداف بهبود پارامترهای تأخیر، مساحت، بهره وری و مصرف توان دنبال می شوند. با استفاده از روش پیشنهادی در واحد کنترل مسیریاب، چندین کانال مجازی در هر درگاه ورودی و خروجی پشتیبانی میشود که بر اساس ترافیک شبکه مورد استفاده قرار می گیرند. تخصیص پویا و غیریکنواخت کانالهای مجازی و نیز مدیریت خاموش و روشن کردن کانالهای مجازی، درگاه ها و مسیریابها، مصرف توان مسیریاب را به میزان قابلتوجهی کاهش می دهد و موجب استفاده بهتر از منابع شبکه و افزایش بهره وری می شود. سرباری که روش پیشنهادی ایجاد می کند، افزایش مساحت مسیریاب می باشد که به دلیل پیچیده تر شدن واحد مدیریت مصرف توان رخ می دهد. برای کاهش سربار مساحت و همچنین افزایش سرعت مسیریاب، تعداد مراحل خط لوله در مسیریاب پیشنهادی را کاهش داده ایم. ارزیابی ها نشان میدهند که DyCM کارآیی بالاتری از لحاظ سرعت، مصرف توان و بهره وری نسبت به معماریهای مشابه ارائه میدهد.https://jscit.nit.ac.ir/article_103661_fd828c0bc86696fe384e409280b1a528.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Tehran Air Pollution Estimation Improvementبهبود برآورد میزان آلودگی هوای شهر تهران8799110441FAمحمودرضا دلاوردانشگاه تهران0000-0002-9654-6491امین غلامیگروه سیستمهای اطلاعات مکانی، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده فنی،دانشگاه تهران، تهران، ایران0000-0002-2792-4962غلامرضا شیرانگروه برنامه ریزی حمل و نقل، دانشکده فنی مهندسی، دانشگاه اصفهان، اصفهان، ایرانیوسف رشیدیگروه آلایندههای محیط زیست، پژوهشکده علوم محیطی،دانشگاه شهید بهشتی، تهران، ایرانغلام رضا نخعی زادهدانشکده اقتصاد ،دانشگاه کارلسروهه آلمان، کارلسروهه، آلمانکرت فدراشرکت خدمات و نرم افزار زیست محیطی GmbH، وین، اتریشاسماعیل هاتفی افشارگروه سیستمهای اطلاعات مکانی، دانشکده مهندسی نقشه‎برداری و اطلاعات مکانی، پردیس دانشکده فنی،دانشگاه تهران، تهران، ایرانJournal Article20190226air pollution modeling is essential for environmental management. we attempted to select the optimum interpolation method for modeling air pollution in Tehran using some selected methods and proposed method. For this purpose, different interpolation methods such as inverse distances interpolation, polynomials, K nearest neighbors and various existing kriging methods were employed. Finally, by evaluating all the methods, the optimum interpolation method for air pollution modeling in Tehran was proposed and implemented. Among the above-mentioned methods, Kriging has had the best results. Then, using genetic optimization and particle swarm optimization methods, the clustering intervals of the Kriging method were optimized in both regular and irregular intervals to determine the optimal number of clusters and the distance between the clusters at regular intervals in the conventional methods. A mathematical variogram was used, in the irregular interval method. the same experimental variogram employed and the aim was to minimize the error of each of these methods. Finally, the error of the regular intervals with the optimal cluster numbers and spacing was less than those of all the mentioned methods. To test the proposed model, this model has been implemented for all months of the year (March 2016 – March 2017), with an average %64 accuracy improvement compared to that of the regular kriging method. The least error in the methods for interpolation of air pollution has been at 4 (μg / m3), while an error of 1.8 (μg / m3) in this study was achieved which resulted to the %55 accuracy improvement of the interpolation of air pollution, approximately. As a result, in this research, the best interpolation method has been presented in relation to previous studies for air pollution modeling. the proposed method can be applied as a complementary method for air pollution modeling where information scarcity exists in air pollution contamination.بسیاری از کلانشهرهای ایران به ویژه تهران با مشکل آلودگی هوا مواجه هستند که بخش عمده این آلودگی، ناشی از آلاینده PM2.5 میباشد لذا مدلسازی آلودگی هوا امری ضروری برای مدیریت محیط زیست میباشد. در این تحقیق از اطلاعات روزانه ماههای مختلف سال 1395 توسط حسگرهای سنجش آلودگی هوا مربوط به شرکت کنترل کیفیت شهرداری تهران و سازمان حفاظت محیط زیست برای مدلسازی آلودگی هوا استفاده شده است. ابتدا روشهای مختلف درونیابی زمین آمار نظیرکریجینگ و غیرزمین آمار مانند فاصله معکوس وزندار، k نزدیکترین همسایه ،چندجملهای محلی و سراسری جت برآورد میزان آلاینده PM2.5 در نقاطی که مستقیما میزان این آلودگی سنجش نشده استفاده شده است و نتایج با استفاده از روش ارزیابی متقاطع و شاخص خطای میانگین کمترین مربعات مقایسه شدهاند. از بین روشهای فوق کریجینگ بهترین نتیجه را در بر داشته است. سپس با استفاده از روشهای بهینه سازی ژنتیک و ازدحام ذرات، فواصل خوشه بندی روش کریجینگ به دو صورت فواصل منظم و نامنظم بهینهسازی شده است که خطای فواصل منظم کمتر بوده است. سپس برای تست مدل پیشنهادی، این مدل برای تمامی ماههای مختلف سال پیاده سازی شده است که دقت در تمامی ماهها به طور میانگین 64% نسبت به روش کریجینگ معمولی بهبود یافته است. در نتیجه در این تحقیق بهترین روش درونیابی برای مدلسازی آلودگی هوا ارائه شده است. از این روش میتوان به عنوان روشی مکمل در مواقعی که خلاء اطلاعات منابع آلودگی هوا وجود دارد برای تخمین میزان کیفیت هوا استفاده نمود.https://jscit.nit.ac.ir/article_110441_f568fc223198d8c8f90c794598a403e1.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722An Intelligent Architecture based on Cloud Computing for Electronic Education Systems Evaluation (ICCEESE)یک معماری هوشمند مبتنی بر رایانش ابری جهت ارزیابی سیستمهای آموزش الکترونیک100114104293FAزینب لشکری پورمهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه ولایت، ایرانشهر، ایراننیکمحمد بلوچزهیگروه مهندسی فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان ، ایران0000-0002-2245-8165Journal Article20180721Various systems such as an education system should adapt with the increasing development of technology and use it for pursuing their purposes. Hence, the concept of EE or web based education is considered in the recent years. Beside the various advantages of this highly useful model of education, limitations such as absence of proper infrastructure, improper resource efficiency, and hardware and software resource management cost, exist. This paper aims to tackle the mentioned challenges through benefitting from the advantages of CC. For this purpose, after introducing CC technology, its advantages in EE System (EES) and the related works are given. The proposed intelligent architecture for a cloud-based EES is presented afterwards which is applicable for various courses in different educational systems. A comprehensive application layer and an intelligent and highly flexible evaluation mechanism are some of the advantages of this architecture that result in higher user satisfaction and performance improvement. Other benefits include accurate insight to the system user roles, their accessible sections, and accordingly considering the required sections in the cloud management layer. After examining different methods of implementing the proposed architecture, it has been evaluated against customary EES and also the recently presented cloud-based architectures. Finally, aside from showing its superiority, the proposed steps towards transition to the proposed superior architecture and also its limitations are discussed.پیشرفت روزافزون فناوری، سیستمهای مختلف از جمله سیستم آموزشی را بر آن داشته است که خود را با شرایط جدید وفق داده و از فناوری در جهت پیشبرد مقاصد خود استفاده نمایند. از این رو، آموزش الکترونیک یا همان آموزش مبتنی بر وب در سالهای اخیر مورد توجه قرار گرفته است. در کنار مزایای بسیار این نوع آموزش، محدودیتهایی وجود دارد از جمله نبود زیرساخت مناسب جهت توسعه، بهرهوری نامناسب منابع و هزینه مدیریت منابع سختافزاری و نرمافزاری. مقاله حاضر با هدف پرداختن به چالشهای فوق از طریق بهرهمندی از مزایای رایانش ابری، ارائه شده است. برای این منظور، پس از معرفی فناوری رایانش ابری، به مزایای آن در سیستم آموزش الکترونیک و کارهای صورت گرفته خواهیم پرداخت. سپس، معماری هوشمند پیشنهادی برای یک سیستم آموزش الکترونیک مبتنی بر رایانش ابری ارائه میشود که قابلیت بهکارگیری برای دروس مختلف در هر نوع سیستم آموزشی را داراست. از نقاط قوت معماری فوق میتوان به داشتن یک سطح کاربردی جامع و نیز مکانیزم ارزیابی هوشمند و بسیار منعطف اشاره نمود که نتیجه آن افزایش رضایتمندی و بهبود عملکرد کاربران است. از دیگر مزایای آن، نگرش دقیق به نقش کاربران سیستم و بخشهای قابل دسترس توسط آنها و متناسب با آن در نظر گرفتن بخشهای لازم در سطح مدیریت ابر میباشد. پس از بررسی شیوههای مختلف پیادهسازی معماری پیشنهادی، به ارزیابی آن نسبت به سیستم آموزش الکترونیک مرسوم و همچنین معماریهای مختلف مبتنی بر ابر پرداخته شده است. در نهایت نیز ضمن نشان دادن برتری آن، مراحل پیشنهادی جهت انتقال به معماری پیشنهادی در محیطهای آموزشی و همچنین محدودیتهای آن، ارائه گردید.https://jscit.nit.ac.ir/article_104293_ba0e3e6adb9a5c6bf7b623e899583e00.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Intelligent detection of breast cancer with feature selection based on logistic regression and support vector machine Classificationتشخیص هوشمند سرطان پستان با انتخاب ویژگی مبتنی بر رگرسیون لجستیک و دستهبندی ماشین بردار پشتیبان115123103556FAزیبا خنده زمینگروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز ،اهواز، ایرانمرجان نادران طحانگروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایران0000-0002-3702-8977محمدجواد رشتیگروه کامپیوتر، دانشکده مهندسی، دانشگاه شهید چمران اهواز، اهواز، ایرانJournal Article20180828Breast cancer is the most common cancer among women and the existence of a precise and reliable system for the diagnosis of benign or malignant of this cancer is essential. Nowadays, using the results of needle aspiration cytology, data mining and machine learning techniques, early diagnosis of breast cancer can be done with greater accuracy. In this study, we propose a method consisting of two steps: in the first step, to eliminate the less important features, logistic regression has been used to select more important features. In the second step, the Support Vector Machine (SVM) classification algorithm has been used with three different kernel functions for the diagnosis of benign and malignant samples. To evaluate the performance of the proposed method, two data sets, WBCD and WDBC have been used with investigation of several metrics such as precision, the Area Under the ROC (AUC), true positive rate, false positive rate, accuracy and the F-measure. The results show that using the logistic regression method, it is possible to select the more efficient features, such that the proposed method reaches 98.69% in terms of classification accuracy.سرطان پستان شایعترین سرطان در میان زنان است و وجود یک سیستم دقیق و مطمئن برای تشخیص خوشخیم و یا بدخیم بودن توده سرطان ضروری است. امروزه با استفاده از نتایج سیتولوژی آسپیراسیون سوزنی، تکنیکهای دادهکاوی و یادگیری ماشین میتوان شناسایی و تشخیص زود هنگام سرطان پستان را با دقت بالاتری انجام داد. در این مقاله روشی پیشنهاد شده است که شامل دو مرحله است: در مرحله اول برای حذف ویژگیهای کم اهمیتتر، از رگرسیون لجستیک استفاده شده است تا ویژگیهای مهمتر انتخاب شوند. در مرحله دوم، از الگوریتم طبقهبندی ماشین بردار پشتیبان (SVM) با سه هستهی متفاوت برای تشخیص خوش خیم و بدخیم بودن نمونهها استفاده شده است. برای ارزیابی کارایی روش پیشنهادی از دو مجموعه داده WBCD و WDBC و معیارهای دقت، ناحیه زیر نمودار ROC (AUC)، نرخ مثبت حقیقی، نرخ مثبت کاذب، صحت و معیار F بررسی شدهاند. نتایج نشان میدهد که با استفاده از روش رگرسیون لجستیک میتوان انتخاب ویژگی موثرتری انجام داد، بهگونهای که روش پیشنهادی از نظر دقت طبقه-بندی به دقت 69/98% میرسد.https://jscit.nit.ac.ir/article_103556_c1b4b5aea3381a7822a15a998fea0d26.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Boundary Detection in Digital Images using Structural Forests Method Based on Contour Grouping and Reasoningآشکارسازی مرز در تصاویر دیجیتال با استفاده از روش جنگل های ساختاری مبتنی بر گروه بندی و استدلال کانتور124139104432FAمحدثه امیدیگروه مهندسی مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایرانفرحناز مهناایران، زاهدان، دانشگاه سیستان و بلوچستان، دانشکده مهندسی برق و کامپیوتر، گروه مهندسی مخابرات.0000-0002-8689-6201Journal Article20190118Abstract- Edge detection is carried out using high-quality and real-time structural forests method. Nevertheless, in the output of this method, edges with a width of more than one pixel as well as unreal edges that do not belong to any boundary can be seen. Applying thresholds to this output cannot also eliminate all of these disadvantages and sometimes leads to the removal of edge pixels resulting in a loss of performance. In this paper, by presenting the extended structural forests method based on contour grouping and reasoning, while eliminating the disadvantages of the basic structural forests edge detector and improving its performance, a precise and high-quality boundary detector is achieved. By using this method and according to the F-measure criterion, the performance of edge detection is improved 2.26% in total. The proposed algorithm can be used as an effective preprocessing stage in many image processing functions by providing accurate boundaries with a width of one pixel.چکیده- آشکارسازی لبه با استفاده از روش جنگلهای ساختاری با کیفیت نسبتاً بالا و بهنگام انجام میشود. با این وجود، در خروجی این روش، لبههایی با پهنای بیش از یک پیکسل و نیز لبههای غیرواقعی که به هیچ مرزی تعلق ندارند قابل مشاهده است. اعمال آستانه بر این خروجی نیز نمیتواند تمامی این معایب را رفع کند و گاهی منجر به حذف پیکسلهای لبه و در نتیجه افت عملکرد این روش میشود. در این مقاله با ارائهی روش جنگلهای ساختاری توسعه یافته مبتنی بر گروهبندی و استدلال کانتور، ضمن رفع معایب لبهیاب جنگلهای ساختاری اصلی و بهبود عملکرد آن، به یک آشکارساز مرز دقیق و با کیفیت بالا دست مییابیم. با استفاده از این روش و بر اساس معیار اندازهی اف، در مجموع کارائی آشکارسازی لبه 26/2 درصد ارتقا مییابد. الگوریتم پیشنهادی با ارائهی مرزهای دقیق با پهنای یک پیکسل میتواند بهعنوان یک مرحله پیشپردازش موثر در بسیاری از عملکردهای پردازشی تصویر مورد استفاده قرار گیرد.https://jscit.nit.ac.ir/article_104432_2130b548391ac51eb3e38b86a6bff9b8.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Study of a malware propagation model in computer networksمطالعه یک مدل انتشار بدافزار در شبکه های کامپیوتری140150108246FAزهره دادیگروه ریاضی دانشکده علوم پایه دانشگاه بجنورد، بجنورد، ایران.0000-0002-4288-1956الهام عنایتیگروه علوم کامپیوتر، دانشکده علوم پایه، دانشگاه بجنورد، بجنورد، ایران.0000-0002-3162-4145Journal Article20190205In this paper, we present a generalized mathematical model of propagation of malware objects in computer networks which is based on the epidemic modeling of the virus in biological phenomena. In this model, we partition the network computers into five groups; Vulnerable population, Exposed population, Infectious population, Quarantined population, Recovered population. Furthermore, we can model the changes in the status of computers at a malware attack by an ordinary differential equations theory based on the general performance of anti- malware software. A nonlinear differential equation system is proposed for this model, then stability and instability of the network (in a malware attack) are investigated by qualitative theories. In addition, we show that in which conditions the network has a normal function or a potential disruption when a malware attack occurs. Also, our theoretical results are validated by the aid of numerical simulations which are based on real data of an anti-malware software in a multi-worm attack.در این مقاله یک مدل ریاضی تعمیمیافته انتشار بدافزار در شبکههای کامپیوتری مبتنی بر مدلسازی اپیدمی ویروس در پدیدههای بیولوژیکی ارایه میکنیم. در این مدل، ما کامپیوترهای شبکه را به پنج گروه: جمعیت مستعد، جمعیت در معرض خطر، جمعیت آلوده، جمعیت قرنطینه و جمعیت بهبودیافته افراز میکنیم. بعلاوه براساس عملکرد عمومی آنتیبدافزارها، میتوانیم تغییر در وضعیت کامپیوترها را در یک حمله بدافزاری به کمک نظریه معادلات دیفرانسیل معمولی مدلسازی میکنیم. یک دستگاه معادلات دیفرانسیل غیرخطی برای این مدل پیشنهاد میشود و سپس با استفاده از نظریه های کیفی، پایداری و ناپایداری شبکه کامپیوتری (در یک حمله بدافزاری) بررسی میشود. به علاوه نشان میدهیم در یک حمله بدافزاری تحت چه شرایطی شبکه کامپیوتری دارای عملکرد عادی است و یا احتمال اختلال در عملکرد شبکه کامپیوتری وجود دارد. همچنین به کمک شبیهسازیهای عددی که مبتنی بر دادههای واقعی عملکرد یک آنتیبدافزار در یک حمله چندکرمی بوده است، نتایج تحلیلی ما تصدیق میشوند.https://jscit.nit.ac.ir/article_108246_bb6d1447e2db6cfef32d119bdcca827f.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Power Quality Disturbances Classification Using Identity Feature Vector and Support Vector Machineبهکارگیری ویژگی بردار هویت و ماشین بردار پشتیبان بهمنظور شناسایی و طبقه بندی اغتشاشات کیفیت توان151164103558FAعاطفه بنی اسدیدانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایرانباقر باباعلیAssistant Professor, College of Science, University of TehranJournal Article20190620Correct detection and classification of power quality disturbances is an essential issue in power systems. In this paper, an intelligent method is proposed to detect the power quality disturbances. This method is based on an identity vector framework that produces a fixed-length vector for each perturbation. In the first step of the proposed pipeline, the discrete wavelet transform is used to analyze power quality events and extract the features of each input signal, and then the identity vector is built using the approximation coefficients. After applying some normalization on the obtained identity, it is classified using a support vector machine classifier. In order to evaluate the proposed method, twelve types of disturbances have been synthesized and the efficiency of the proposed system is investigated using them. In addition, to verify the robustness of the proposed approach towards the noise, the synthesized signals are contaminated with white gaussian noise with different SNR values, 30 dB, 40 dB and 50 dB. The results of the experiments demonstrate the efficiency of the proposed method for the classification of power quality signals with an accuracy of 99.2%.یکی از مسائل مهم در سیستمهای قدرت، تشخیص صحیح اغتشاشات کیفیت توان است. در این مقاله یک روش هوشمند به منظور شناسایی اغتشاشات کیفیت توان ارائه شده است. در روش پیشنهادی که بر مبنای ویژگی بردار هویت است، برای هرسیگنال اغتشاش یک بردار با طول ثابت استخراج میشود. بهاینصورتکه در مرحله اول، تبدیل موجک به منظور استخراج ویژگی از سیگنال اغتشاش ورودی بهکارگرفته شده است و سپس با استفاده از دنباله ضرایب موجک استخراج شده، بردار هویت تولید می-شود. در ادامه بعد از انجام نرمالسازیهای لازم، بردار هویت نرمال شده استخراج شده توسط ماشین بردار پشتیبان طبقهبندی می-شود. بهمنظور ارزیابی عملکرد روش پیشنهادی دوازده نوع اغتشاش اعم از تکی و ترکیبی ایجاد و کارایی سیستم در شرایط تمیز و نویزی بررسیشده است. نویز اعمال شده به هر سیگنال نویز سفید گاوسی با مقادیر سیگنال به نویز 30، 40 و 50 دسیبل است. نتایج آزمایشها میانگین دقت روش پیشنهادی را 2/99 درصد نشان میدهد.https://jscit.nit.ac.ir/article_103558_b9b4030a29531e35ea84e3e1f85f4c86.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Improving Hybrid Multi-Level I/O Cache Lifetime Using Conservative Cache Managementارائه یک روش محافظهکارانه به منظور بهبود طول عمر حافظه نهان ورودی/خروجی165177104383FAمصطفی هادیزادهدانشکده مهندسی کامپیوتر
دانشگاه صنعتی شریفرضا سالخوردهدانشکده مهندسی کامپیوتر
دانشگاه صنعتی شریفحسین اسدیدانشکده مهندسی کامپیوتر
دانشگاه صنعتی شریف0000-0002-0264-3865Journal Article20190627Hybrid cache architectures are promising solutions for designing efficient I/O caching schemes. One<br />of the major challenges of hybrid caches is the management of read miss data pages. As such pages are non-critical in term of data reliability, they can be buffered in volatile memories such as DRAM as an Endurance Friendly (EF) solution. Low capacity of DRAM, however, provides small hit ratio for these pages. A state-of-the-art solution has proposed a State-Machine Based Insertion (SMBI) scheme in order to improve cache performance by inserting read miss data pages in a Solid-State Drive (SSD), based on a static time periods. Nevertheless, the static approach of SMBI leads to considerable cache lifetime degradation compared to EF policy. In this paper, we propose Conservative State-Machine based Insertion (CSMI) scheme to improve I/O cache lifetime. CSMI dynamically adjusts the time that state-machine exploits EF approach based on workload behavior. To this end, CSMI employs a Conservative Factor (CF), which multiplies the number of periods that EF policy is exploited in case of low hit ratio. Our evaluations show that CSMI reduces the number of SSD writes up to 33.97%, compared to state-of-the art solution with negligible performance overhead (average of 0.06%).استفاده از معماریهای ترکیبی حافظه نهان در سامانههای ذخیرهسازی داده از جمله رویکردهایی است که میتواند منجر به بهبود دوام، کارایی و قابلیت اطمینان این سامانهها شود. ازجمله چالشهای معماریهای ترکیبی، چگونگی مدیریت فقدان خواندن است. مدیریت مبتنی بر ماشین حالت از جمله روشهای مدیریت فقدان خواندن است. با این وجود، استفاده از رویکرد ایستا در طراحی ماشین حالت منجر به کاهش قابل توجه طول عمر حافظه نهان میشود. در این مقاله یک روش درج محافظهکارانه مبتنی بر ماشین حالت (CSMI) برای درج صفحات حاصل از فقدان خواندن در دیسک حالت جامد پیشنهاد میشود. CSMI به منظور افزایش طول عمر حافظه نهان، به صورت پویا تعداد بازههای استفاده از سیاست عدم درج فقدانهای خواندن در ادوات با طول عمر محدود را افزایش میدهد. به این منظور، ضریب محافظهکاری (CF) به ساختار ماشین حالت اضافه میشود تا با افزایش تعداد بازههای عدم درج در هنگام مواجهه با نرخ برخورد پایین، تعداد دفعات نوشتن بر روی دیسک حالت جامد کاهش یافته و طول عمر حافظه نهان افزایش یابد. ارزیابیهای انجام شده نشان میدهد روش پیشنهادی، با هزینه قابل چشمپوشی در حوزه کارایی (به طور میانگین 0.38% نرخ برخورد پایینتر و 0.06% زمان پاسخ بیشتر)، به طور میانگین برای ضرایب محافظهکاری با مقادیر 2، 3 و 4 به ترتیب 7.4% (تا 25.48%)، 8.63% (تا 33.97%) و 8.94% (تا 33.97%) تعداد دفعات نوشتن بر روی دیسک حالت جامد را نسبت به بهترین کار پیشین کاهش میدهد.https://jscit.nit.ac.ir/article_104383_528c5b80166c3bd096db80a892c4ec8d.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-10069220200722Presenting a call admission control algorithm in SIP server to enhance QoS in vocal traffic over 802.11n networksارائه یک الگوریتم کنترل پذیرش تماس در کارگزار SIP جهت ارتقای کیفیت سرویس ترافیک صوتی در شبکه های بی سیم 802.11n178197104440FAنرگس رضاییگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران.مهدی عباسیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران.0000-0002-5373-5778محمد نصیریگروه کامپیوتر، دانشکده مهندسی، دانشگاه بوعلی سینا، همدان، ایران.0000-0002-0703-5949Journal Article20181209Transmitting voice over wireless LAN is a useful cost-effective technique that provides vocal conversation service in broadband wireless networks according to the 802.11 standards. In this service, SIP is responsible to provide sessions. Recent researches show that a call admission control algorithm that controls SIP sessions can guarantee the quality of service parameters in transmitting vocal data. State- of-the-art algorithms, deciding at wireless access-points and altering MAC sub-layer parameters, have high complexity and are not efficient in providing quality of service. Therefore, in this paper, we present a new algorithm that decides on accepting or rejecting new calls in a considerably small time. The Proposed algorithm considers dynamic conditions of the network including channel busy rate and the ratio of real-time traffic of channel and makes no change in MAC sub-layer parameters. Testing the proposed method on a real substrate proves its superiority as compared to the best of recent methods in providing requested level of quality of service in terms of call response time, the average duration of calls, packet loss ratio and the delay of real-time traffic.انتقال صدا روی شبکههای بیسیم، یک فناوری پرکاربرد و مقرونبهصرفه است که سرویس مکالمهی صوتی را روی شبکههای پهنای باند، طبق استاندارد 802.11 میسر میسازد. در این سرویس، پروتکل SIP، مسئول برقراری نشستها میباشد. تحقیقات اخیر نشان میدهد که الگوریتم کنترل تماسی که نشستهای SIP را کنترل مینماید، میتواند پارامترهای کیفیت رسانه را در ارسال دادههای صوتی تضمین کند.الگوریتمهای متفاوتی برای تصمیمگیری پذیرش تماس در نقطه دسترسی ارائهشدهاند؛ اما به دلیل تغییر در پارامترهای زیر لایهی دسترسی و یا پیچیدگی بالا در تضمین کیفیت سرویس مناسب نیستند. بنابراین، در این مقاله، الگوریتم جدیدی ارائه میکنیم که در کارگزار SIP، درزمانی بسیار کوتاه، در موردپذیرش و یا رد تماس جدید تصمیمگیری میکند. الگوریتم پیشنهادی، شرایط پویای شبکه همچون نرخ اشغال کانال و درصد ترافیک بلادرنگ موجود در کانال را در نظر گرفته و تغییری در پارامترهای زیر لایهی MAC ایجاد نمیکند. تست روش پیشنهادی روی بستر واقعی مؤید برتری آن نسبت به روشهای اخیر مشابه و همچنین حالت پایه، در تضمین سطح مطلوب کیفیت سرویس در قالب پارامترهایی چون مدتزمان پاسخ به تماسها، طول تماسها، نرخ اتلاف و تأخیر بستههای بلادرنگ است.https://jscit.nit.ac.ir/article_104440_1b3e692ebaccac9293b8926f617a8c61.pdf