دانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100612220230823Hierarchical and Scalable Routing in Infrastructure-based Vehicular Networksمسیریابی سلسله مراتبی گسترش‌پذیر در شبکه‌های خودرویی دارای زیرساخت115181829FAبهمنرواییگروه کامپیوتر، دانشکده مهندسی، دانشگاه یاسوج، شهر یاسوج، ایران0000-0003-3468-3201کیوانرحیمی زادهگروه کامپیوتر، دانشکده مهندسی، دانشگاه یاسوج، یاسوج، ایران0000-0002-1763-8583صادقمشرف زادهگروه کامپیوتر، دانشکده مهندسی، دانشگاه یاسوج، یاسوج، ایرانJournal Article20200816Vehicular 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%).شبکه‌های تحمل‌پذیر تاخیر خودرویی ( VDTNs) دسته‌ای از شبکه‌های خودرویی می‌باشند که در آن‌ها مسیر انتها به انتها میان مبداء و مقصد وجود ندارد. در این مقاله، یک روش جدید جلورانی گسترش‌پذیر میان لندمارکی به نام مسیریابی تحمل‌پذیر تاخیر خودرویی دو لایه‌ای (TLVDTR ) برای این شبکه‌ها معرفی می‌شود که به جای مسیریابی میان خودروها به مسیریابی میان لندمارک‌ها اقدام می‌کند. این روش، شبکه را به صورت یک مدل دو لایه در نظر می‌گیرد و در لایه بالا با استفاده از مرکزیت لبه‌ای، شبکه به ناحیه‌هایی تقسیم می‌شود که بر ناحیه‌های محیط شهری منطبق هستند و سپس در لایه پایین، در هر ناحیه تعدادی لندمارک تعریف می‌گردد. پس از آن، لندمارک‌های در محدوده هر ناحیه با استفاده از الگوریتم دیکسترا، جدول مسیریابی میان لندمارکی تشکیل می‌دهند و مسیر برای لندمارک‌های دور که در دیگر ناحیه‌ها هستند، با اعلان مسیر و یک الگوریتم بردار فاصله پیدا می‌شوند. این امر باعث کاهش هزینه یافتن مسیر می‌گردد. از طرف دیگر هر گره سابقه‌ای از حرکت‌های خود را نگهداری می‌کند، و از آن برای یافتن احتمال گذار میان لندمارک‌ها استفاده می‌کند. در نهایت با ترکیبی از جدول مسیریابی هر لندمارک و احتمال گذار خودروها در میان لندمارک‌ها، گره‌های رله مناسب برای حمل پیام به سمت لندمارک‌های مقصد انتخاب می‌گردند. نتایج ارزیابی‌های انجام گرفته و مقایسه روش پیشنهادی با روش‌های رقیب نشان از بهبود روش پیشنهادی از جنبه‌های نرخ دریافت (16%)، متوسط تاخیر (17%) و هزینه جلورانی (4%) است.https://jscit.nit.ac.ir/article_181829_d02174268802ab122d985ed2bd80125b.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100612220230823A resource allocation method for fog computing considering user mobilityارائه یک روش تخصیص منابع در رایانش مه با در نظر گرفتن تحرک کاربران1631180124FAسمیراانصاری مقدمزیباشهر تقاطع صدرا و خوارزمی به سمت نصر قطعه 5مهریرجائیاستادیار گروه فناوری اطلاعات، دانشکده برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران0000-0003-2526-8612سمیرانوفرستیگروه فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران0000-0002-3751-916XJournal Article20230206With 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.با رشد و گسترش استفاده از دستگاه‌های تلفن همراه و برنامه‌های کاربردی حساس به تاخیر، نیاز به انجام محاسبات در نزدیکی کاربر و در گره‌های مه بجای پردازش در ابر بیشتر می‌شود. با این وجود، گره‌های مه قدرت پردازشی و ذخیره‌سازی محدودی دارند و در نتیجه در شرایط ازدحام درخواستها، نرخ پذیرش و زمان پاسخ مناسبی ندارند. یکی از دلایل بروز ازدحام و از دست رفتن درخواستها، تحرک کاربران و خروج از محدوده تحت پوشش گره مه فعلی می‌باشد. در این مقاله روشی نوین برای تخصیص منابع در رایانش مه با هدف افزایش نرخ پذیرش درخواست‌های حساس به تاخیر کاربران و کاهش زمان پاسخ کلیه درخواستها در شرایط تحرک کاربران پیشنهاد می‌گردد. روش پیشنهادی بر اساس تحرک کاربران و وضعیت صف در گره‌های مه، به پیش‌بینی ازدحام در این گره‌ها پرداخته و بر این اساس در مورد پردازش درخواستها در گره مه و یا انتقال درخواستها به گره ابر تصمیم‌گیری می‌کند. در این مقاله الگوریتم پیشنهادی با سه الگوریتم FCFS، Cloud-only و Delay priority مقایسه شده است. نتایج آزمایشات انجام گرفته نشان می‌دهد 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 درخواستها نسبت به سه الگوریتم فوق به ترتیب 44، 25 و 5 درصد افزایش یافته است.https://jscit.nit.ac.ir/article_180124_98aec751c375245d412ca41629f20ef4.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100612220230823Delay-Aware and Energy-Efficient Task Offloading in Fog-Enabled IoT Networksبرون سپاری وظایف آگاه به تأخیر و انرژی-کارآمد در شبکه اینترنت اشیا مبتنی بر رایانش مه3247180123FAام کلثومشهریاریدانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایرانحسینپدرامدانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایرانوحیدخواجه ونددانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشکده آزاد اسلامی، قزوین، ایرانمهدیدهقان تخت فولادیدانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایرانJournal Article20200722Fog 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.رایانش مهی به عنوان یک روش امیدبخش جهت ارائه سرویس‌های پردازشی چابک و همه‌گیر به دستگاه‌های اینترنت اشیا و پشتیبانی از برنامه‌های کاربردی پیچیده، پا به عرصه ظهور گذاشته است. رایانش مهی منابع محاسباتی را به لبه شبکه، به نزدیکی دستگاه‌های اینترنت اشیا می‌کشاند و از این طریق سرویس‌های محاسباتی با تأخیر پایین را به کاربران ارائه می‌دهد. با برون‌سپاری وظایف محاسباتی به گره‌های مه که ظرفیت پردازشی بیشتری دارند، می‌توان بر چالش ظرفیت محدود باتری دستگاه‌ها و نیاز محاسباتی بالای وظایف فائق آمد و نیازمندی‌های کیفیت سرویس مورد درخواست کاربران را برآورده نمود. برون‌سپاری وظایف به گره‌های مه، از یک سو باعث صرفه‌جویی در مصرف انرژی باتری دستگاه‌های اینترنت اشیا می‌شود و از سوی دیگر به‌دلیل تأخیر ناشی از انتقال وظایف به لبه شبکه باعث افزایش زمان تکمیل وظایف می‌شود. در این مقاله برای برقراری تعادل در مصالحه بین انرژی و زمان تکمیل وظایف، یک شمای برون‌سپاری وظایف با هدف کیمنه‌سازی سربار برون‌سپاری بر حسب جمع وزنی مصرف انرژی و زمان تکمیل وظایف پیشنهاد شده است که سعی در یافتن استراتژی بهینه برون‌سپاری، مکان بهینه برون‌سپاری و تخصیص بهینه منابع محاسباتی دارد. برای تعیین موثر ضرایب زمان و انرژی به‌نحوی که کیفیت سرویس مورد نیاز کاربر تضمین شود، از منطق فازی استفاده شده است. مسأله برون‌سپاری وظایف به گره‌های مه به‌عنوان یک مسأله غیرخطی آمیخته صحیح فرموله شده است که متعلق به کلاس مسائل NP-hard است. یک الگوریتم نزدیک به بهینه بر اساس الگوریتم ژنتیک برای حل مسأله بهینه‌سازی مطرح شده پیشنهاد شده است. شبیه‌سازی‌های مختلف همگرایی الگوریتم پیشنهادی و برتری عملکرد آن‌را در مقایسه با شماهای برون‌سپاری معیار نشان می‌دهد.https://jscit.nit.ac.ir/article_180123_37f9f2a246efad67576eeb7037f6b579.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100612220230823Improving the inter-block synchronization methods in CUDAبهبود روش های همگام سازی بین بلاکی در کودا4859180572FAعبدالرضاسوادیگروه مهندسی کامپیوتر، دانشکده مهندسی دانشگاه فردوسی مشهد، مشهد، ایران.0000-0001-9767-1959محدثهصلواتی زادهگروه مهندسی کامپیوتر، دانشکده مهندسی دانشگاه فردوسی مشهد، مشهد، ایران.علیریاحیدانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.Journal Article20220903Abstract- 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.چکیده- عدم پشتیبانی صریح همگام‌سازی بین بلاکی در مدل برنامه‌نویسی کودا، باعث تضعیف کارآیی در برخی از برنامه‌های کاربردی شده است. بنابراین در چنین برنامه‌هایی، همگام‌سازی بین بلاکی باید به‌صورت نرم‌افزاری پیاده‌سازی شود. روش‌های باقفل و بدون قفل برای این مسئله پیاده‌سازی شده‌اند. در همگام‌سازی باقفل، زمان اجرا با افزایش تعداد بلاک رشد چشمگیری دارد و در روش همگام‌سازی بدون‌قفل، محدودیت تعداد بلاک‌ها وجود دارد. در این مقاله، دو روش همگام‌سازی بین بلاکی پیشنهاد می‌شوند. اولین روش مبتنی‌بر همگام‌سازی باقفل است که با گروه‌بندی مناسب بلاک‌ها، تاثیر افزایش تعداد بلاک بر زمان اجرا را کاهش می-دهد. دومین روش پیشنهادی همگام‌سازی بدون قفل است که با ایجاد یک سلسله‌مراتبی درختی از بلاک‌ها، محدودیت تعداد بلاک-ها در این همگام‌سازی را مرتفع می‌کند. این روش‌ها برای همگام‌سازی بین بلاکی در الگوریتم‌های اسمیت واترمن و مرتب‌سازی بایتونیک به کار گرفته شده‌اند. نتایج آزمایش‌ها نشان می‌دهند که روش باقفل پیشنهادی، زمان اجرای همگام‌سازی را بهبود می‌بخشد و تسریع 1.84 در الگوریتم اسمیت واترمن و 2.24 را در الگوریتم مرتب‌سازی بایتونیک ثبت کرده است. همچنین نتایج نشان می‌دهند که در روش پیشنهادی بدون قفل نیز با انتخاب درست تعداد سطوح سلسله‌مراتب درختی، هر تعداد بلاک می‌توانند همگام شوند و بنابراین محدودیت تعداد بلاک‌ها مرتفع شده است.https://jscit.nit.ac.ir/article_180572_5c682bf9f67b1707150b629e850e0fe4.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100612220230823Routing in Internet of Thing (IoT) by jellyfish search optimizerمسیریابی در اینترنت اشیاء با استفاده از الگوریتم جستجوی عروس دریایی6073180573FAفهیم اللهفیلا هومندانشکده مهندسی برق و کامپیوتر ، دانشگاه سیستان و بلوچستان، زاهدان ، ایران.نیکمحمدبلوچزهیگروه مهندسی فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان ، ایران0000-0002-2245-8165Journal Article20221110In 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.در شبکه اینترنت اشیاء ارسال یک بسته از مبداء به مقصد و مسیریابی بهینه یک چالش اساسی است زیرا بسته‌ها باید در مسیر بهینه و با حداقل تاخیر و نرخ کمینه خطا ارسال شوند. یکی از چالش‌های این بخش عدم در نظر گرفتن مسئله ازدحام مسیرهای ارسال بسته‌ها در بیشتر پژوهش‌ها 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 ارائه می‌شود. در روش پیشنهادی برای پیش‌بینی مسیرهای دارای ازدحام کم از یادگیری مبتنی بر رای‌گیری اکثریت شبکه عصبی، درخت تصمیم‌گیری و جنگل تصادفی استفاده می‌شود. در روش پیشنهادی از الگوریتم عروس دریایی برای بهینه‌سازی مسیر ارسال بسته‌ها استفاده می‌شود. 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. پیاده‌سازی روش پیشنهادی در نرم‌افزار متلب انجام شده است و برای پیش بینی ازدحام از داده‌های شبیه‌سازی شده در اینترنت اشیاء استفاده شده است. یافته‌های تحقیق نشان می‌دهد تابع هدف مسیریابی روش پیشنهادی نسبت به الگوریتم بهینه‌سازی گرگ خاکستری، بهینه‌سازی وال و کرم شب‌تاب از کارایی مناسب‌تری برخوردار است و این بدان است که روش پیشنهادی نسبت به این الگوریتم‌ها دارای مسیریابی کم خطاتر، با تاخیر کمتر و طول صف کمتر است. انرژی باقی مانده در گره‌های شبکه در روش پیشنهادی نسبت به الگوریتم بهینه‌سازی گرگ خاکستری، بهینه-سازی وال و کرم شب‌تاب دیرتر مصرف می‌شود و عمر شبکه در روش پیشنهادی از این روش‌ها 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 رای‌گیری اکثریت باعث می-شود تا دقت روش پیشنهادی نسبت به درخت تصمیم‌گیری، 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 تصمیم‌گیری، درختان تکراری، درختان تصادفی، روش خوشه‌بندی دارای دقت، حساسیت و صحت بیشتری است.https://jscit.nit.ac.ir/article_180573_a83062ce8013b05360b87fdf7d001aa6.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100612220230823Integrated Semantic Representation (ISR-Model): Syntax-Independent Model for Natural LanguageISR-Model: مدل بازنمایی معنای یکپارچه زبان طبیعی مستقل از ساختار نحوی7488180226FAنسیمتوحیدیگروه هوش‌مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران0000-0003-4499-9947چیترادادخواهگروه هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه خواجه نصیرالدین طوسی، تهران، ایران.0000-0002-9836-9388Journal Article20230204Today, 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.امروزه یکی از پرکاربردترین روش‌های بازنمایی زبان طبیعی، بازنمایی معنا جهت پردازش متون در سامانه‌های مختلف است. روش‌های بازنمایی معنا در سال‌های اخیر کاربردهای متعددی در حوزه پردازش زبان طبیعی از جمله سامانه‌های خلاصه‌سازی خودکار متن و سامانه‌های پرسش و پاسخ و غیره داشته‌اند. 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 آن‌ها یکی از چالش‌های 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 حاشیه‌نویسی و درک، عدم وابستگی به ویژگی‌های زبان طبیعی خاص و همچنین عدم وابستگی به ساختار نحوی و لغوی را دارد. در این راستا، مثال‌های از جملات زبان فارسی و انگلیسی که از نظر ساختار گرامری وتفاوت هایی با یکدیگر دارند، در مقاله با روش بازنمایی پیشنهادی ارائه شده‌اند. به علاوه، با استفاده از مدل پیشنهادی، بازنمایی یکسانی برای متون با معنای یکسان و در عین حال ساختار گرامری متفاوت ارائه می‌گردد. مدل پیشنهادی در قالب گراف و لیست جهت تفسیر در پیکره طراحی شده است. یکی از ویژگی‌های اصلی مدل پیشنهادی، قابلیت بازنمایی روابط معنایی در سطح جمله و در سطح سند جهت بازنمایی پدیده‌های پیچیده و مهم زبانی مانند جنبه، زمان و سورها است. سادگی مدل پیشنهادی سبب می‌گردد که پردازش‌های زبانی در کاربردهای مختلف کند ویا پیچیده نشود، و تهیه پیکره‌های مبتنی بر این مدل در آینده برای زبان‌های طبیعی مختلف پیچیدگی زیادی نداشته باشد، تا هم برای زبان‌های طبیعی با منابع محدود و هم برای زبان‌های طبیعی با امکانات کامل قابل بهره‌برداری باشد. همچنین، ویژگی‌های مدل پیشنهادی با یکی از مهم‌ترین کارهای مرتبط پیشین مقایسه شده است.https://jscit.nit.ac.ir/article_180226_39a756fe42c001011a6b85cbb8e035df.pdf