<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه صنعتی نوشیروانی بابل</PublisherName>
				<JournalTitle>مجله علمی  رایانش نرم و فناوری اطلاعات</JournalTitle>
				<Issn>2383-1006</Issn>
				<Volume>15</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>10</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Improving Cell-Edge User Connectivity in RIS-Assisted Wireless Networks via Cooperative NOMA and Vector Power Allocation</ArticleTitle>
<VernacularTitle>بهبود اتصال‌پذیری کاربران لبه‌‌ای در شبکه‌های سلولی بی‌سیم مبتنی بر سطوح هوشمند بازپیکربندی‌پذیر از طریق دسترسی چندگانه غیرمتعامد همکارانه و تخصیص توان برداری</VernacularTitle>
			<FirstPage>1</FirstPage>
			<LastPage>20</LastPage>
			<ELocationID EIdType="pii">250989</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jscit.2026.566609.2209</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>اسما</FirstName>
					<LastName>باقری</LastName>
<Affiliation>استادیار گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، مجتمع آموزش عالی فنی و مهندسی اسفراین، اسفراین، خراسان شمالی، ایران.</Affiliation>
<Identifier Source="ORCID">0000-0001-5780-2037</Identifier>

</Author>
<Author>
					<FirstName>محمد امین</FirstName>
					<LastName>کریمی</LastName>
<Affiliation>دانشجو مهندسی برق، دانشکده مهندسی برق و کامپیوتر، مجتمع آموزش عالی فنی و مهندسی اسفراین، اسفراین، خراسان شمالی، ایران.</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>12</Month>
					<Day>23</Day>
				</PubDate>
			</History>
		    <Abstract>This paper investigates and enhances the connectivity of cell-edge users in fifth-generation (5G) and beyond cellular networks by leveraging advanced technologies such as multiple-input multiple-output (MIMO) systems, reconfigurable intelligent surfaces (RIS), and cooperative non-orthogonal multiple access (NOMA). In the proposed architecture, intra-cell users act as virtual relays and, by integrating direct, cooperative, and RIS-assisted reflective links, strengthen the communication reliability of cell-edge users in critical scenarios such as vehicular communications, unmanned aerial vehicle (UAV) control, and emergency response systems. To evaluate the performance, extensive statistical-numerical simulations based on the Monte Carlo method with one hundred thousand valid realizations have been conducted. The effects of several parameters such as the number of base station antennas, the number of RIS elements, signal-to-noise ratio (SNR), SNR and interference thresholds for near-user cooperative links, target SNR thresholds for far users, power allocation vectors, channel coefficients, and Nakagami-m fading parameters are examined individually and jointly on the connection probability. Simulation results reveal that the proposed scheme significantly outperforms conventional and benchmark approaches, including orthogonal multiple access (OMA), non-orthogonal multiple access (NOMA), and cooperative variants without MIMO or RIS configurations. The proposed design achieves remarkable improvements in cell-edge connectivity under various fading environments such as Nakagami-m, Rician, Rayleigh, and even more severe conditions, thus enhancing link success probability and spectral efficiency in dense and mission-critical scenarios of future cellular networks. Furthermore, while conventional cooperative schemes utilizing relays achieve only a 73.36% connectivity probability at an SNR of 10dB, the proposed architecture achieves a stable reliability level of 99.9% at a remarkably low SNR of 3dB with substantial power efficiency. These findings highlight the exceptional operational efficiency and robustness of the proposed scheme in securing reliable communication for cell-edge users.</Abstract>
			<OtherAbstract Language="FA">این مقاله به تحلیل و بهبود اتصال‌پذیری کاربران لبه سلول در شبکه‌های سلولی نسل پنجم و نسل‌های فراتر از آن با بهره‌گیری از فناوری‌های پیشرفته‌ای نظیر سامانه‌های چندورودی – چندخروجی، سطوح هوشمند بازپیکربندی‌پذیر و دسترسی چندگانه غیرمتعامد همکارانه می‌پردازد. در معماری پیشنهادی، کاربران درون‌سلولی به‌عنوان رله‌های مجازی عمل کرده و با ترکیب لینک‌های مستقیم، مشارکتی و بازتابی مبتنی بر سطوح هوشمند بازپیکربندی‌پذیر، امکان تقویت ارتباط کاربران لبه‌ای در سناریوهای بحرانی نظیر ارتباطات خودرویی، کنترل پهپاد و سامانه‌های امدادی فراهم می‌شود. برای ارزیابی عملکرد، شبیه‌سازی آماری – عددی مبتنی بر روش مونت‌کارلو با صدهزار نمونه معتبر انجام شده و تأثیر عواملی نظیر تعداد آنتن‌های ایستگاه پایه، تعداد المان‌های سطوح هوشمند بازپیکربندی‌پذیر، نسبت سیگنال به نویز، آستانه‌های نسبت سیگنال به نویز و تداخل لازم برای لینک همکاری کاربر نزدیک، آستانه مورد نیاز برای کاربر دور، تخصیص توان برداری، ضرایب کانال و پارامترهای محوشدگی ناکاگامی - m به صورت مستقل و ترکیبی بر احتمال اتصال‌پذیری بررسی شده است. نتایج نشان می‌دهد که طرح پیشنهادی نسبت به روش‌های متعارف و معیار شامل دسترسی چندگانه متعامد، دسترسی چندگانه غیرمتعامد و نسخه‌های همکارانه فاقد پیکربندی‌های چندورودی – چندخروجی و سطوح هوشمند بازپیکربندی‌پذیر، بهبود قابل‌توجهی در اتصال کاربران لبه سلول در شرایط محوشدگی ناکاگامی، رایسین، رایلی و شدیدتر از رایلی ایجاد کرده و موجب افزایش نرخ موفقیت لینک و بهبود بهره‌وری طیفی در سناریوهای حساس و پرترافیک شبکه‌های سلولی آینده می‌شود. همچنین در شرایطی که طرح‌های مشارکتی متداول علی‌رغم بهره‌گیری از رله در نسبت سیگنال به نویز معادل 10dB تنها به احتمال اتصال‌پذیری 73.36% دست می‌یابند، معماری پیشنهادی قادر است با کاهشی محسوس در توان مصرفی، به سطح اطمینان پایداری 99.9% اتصال‌پذیری در نسبت سیگنال به نویز بسیار پایین 3dB دست یابد. این امر بیانگر کارایی عملیاتی فوق‌العاده طرح حاضر در تضمین ارتباطات کاربران لبه سلول است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">احتمال اتصال‌پذیری کاربران لبه سلولی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تخصیص توان برداری</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">چند ورودی – چند خروجی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">دسترسی چندگانه غیرمتعامد همکارانه</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سطوح هوشمند بازپیکربندی‌پذیر</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">محوشدگی ناکاگامی - m</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jscit.nit.ac.ir/article_250989_52a79168f68b00b44971116edefce9c3.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>دانشگاه صنعتی نوشیروانی بابل</PublisherName>
				<JournalTitle>مجله علمی  رایانش نرم و فناوری اطلاعات</JournalTitle>
				<Issn>2383-1006</Issn>
				<Volume>15</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>10</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Improving the Performance of The Recommender System by Solving the Cold Start Problem Using Frequent Pattern Extraction Based on Fuzzy Clustering</ArticleTitle>
<VernacularTitle>‌ بهبود عملکرد سیستم توصیه‌گر با حل مشکل شروع سرد با استفاده از استخراج الگوهای پرتکرار مبتنی بر خوشه‌بندی فازی</VernacularTitle>
			<FirstPage>21</FirstPage>
			<LastPage>35</LastPage>
			<ELocationID EIdType="pii">251444</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jscit.2026.559654.2190</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>سمانه</FirstName>
					<LastName>زیرک</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران.</Affiliation>

</Author>
<Author>
					<FirstName>مهدی</FirstName>
					<LastName>سالخورده حقیقی</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران.</Affiliation>
<Identifier Source="ORCID">0000-0001-8435-9253</Identifier>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>11</Month>
					<Day>16</Day>
				</PubDate>
			</History>
		    <Abstract>The cold-start problem remains one of the major challenges in recommender system, as the lack of sufficient information about new users or items significantly reduces recommendation accuracy and reliability. This paper proposes a hybrid recommendation framework that combines Fuzzy C-Means (FCM) clustering, DBSCAN, and FP-Growth to alleviate the effects of the cold-start problem. After preprocessing the MovieLens datasets, DBSCAN is employed to determine the optimal number of user clusters, and FCM is subsequently applied to group users according to their behavioral similarities. Frequent behavioral patterns are then extracted from each cluster using the FP-Growth algorithm and utilized to generate personalized recommendations for users with similar preferences. The proposed approach is evaluated on the MovieLens 100K and MovieLens 1M datasets using Precision, Recall, and F-measure metrics. Experimental results demonstrate that the proposed method achieves Precision, Recall, and F-measure values of 0.78, 0.76, and 0.77 on the MovieLens 100K dataset, and 0.82, 0.77, and 0.795 on the MovieLens 1M dataset, respectively. To further address the new-user cold-start problem, three initialization strategies, including content-based, demographic-based, and questionnaire-based approaches, are investigated. Among them, the questionnaire-based approach yields the best performance, achieving a Precision value of 0.654. Comparative analyses indicate that the proposed framework effectively improves recommendation quality and reduces the impact of the cold-start problem compared with existing approaches.</Abstract>
			<OtherAbstract Language="FA">یکی از چالش‌های مهم در سیستم‌های توصیه‌گر، مسئله شروع سرد است که به دلیل کمبود اطلاعات درباره کاربران یا آیتم‌های جدید، موجب کاهش دقت و کارایی توصیه‌ها می‌شود. در این پژوهش، رویکردی چند مرحله‌ای برای کاهش اثرات این مسئله در سیستم‌های توصیه‌گر ارائه شده است. در گام نخست، داده‌های مجموعه‌داده MovieLens پیش‌پردازش و برای فرآیند توصیه آماده‌سازی می‌شوند. سپس کاربران با استفاده از الگوریتم خوشه‌بندی فازی (FCM) گروه‌بندی شده و به منظور تعیین تعداد بهینه خوشه‌ها از الگوریتم DBSCAN بهره گرفته می‌شود. در ادامه، الگوریتم FP-Growth برای استخراج الگوهای پرتکرار رفتاری کاربران در هر خوشه به کار گرفته می‌شود. الگوهای استخراج ‌شده مبنایی برای ارائه پیشنهادهای شخصی‌سازی‌ شده فراهم می‌کنند و از طریق شناسایی کاربران دارای رفتار مشابه، دقت توصیه‌ها را افزایش می‌دهند. عملکرد روش پیشنهادی با استفاده از معیارهای Precision، Recall و F- measure ارزیابی شده است. نتایج حاصل بر روی مجموعه‌داده MovieLens-100K به ترتیب مقادیر 0.78، 0.76 و 0.77 و بر روی مجموعه‌داده MovieLens-1M به ترتیب مقادیر 0.82، 0.77 و 0.795 را برای معیارهای مذکور نشان می‌دهد. همچنین برای مواجهه با مسئله شروع سرد کاربران جدید، سه رویکرد مبتنی بر محتوا، مبتنی بر اطلاعات جمعیت‌شناختی و روش ترکیبی مبتنی بر پرسشنامه اولیه مورد بررسی قرار گرفت. نتایج نشان داد که رویکرد مبتنی بر پرسشنامه اولیه با مقدار دقت برابر 0.654 عملکرد بهتری نسبت به سایر روش‌ها دارد. مقایسه نتایج با پژوهش‌های مرتبط نیز بیانگر کارایی و برتری نسبی روش پیشنهادی در کاهش اثرات مسئله شروع سرد در سیستم‌های توصیه‌گر است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">شروع سرد</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">سیستم‌های توصیه‌گر</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">خوشه‌بندی فازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">DBSCAN</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">Growth-FP</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پالایش مشارکتی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">استخراج الگوهای پرتکرار</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jscit.nit.ac.ir/article_251444_0f6c0c4059e536f7c97d730e5cae570d.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>دانشگاه صنعتی نوشیروانی بابل</PublisherName>
				<JournalTitle>مجله علمی  رایانش نرم و فناوری اطلاعات</JournalTitle>
				<Issn>2383-1006</Issn>
				<Volume>15</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>10</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>A Novel Intrusion Detection System to Enhance Internet of Things Security, Based on the Integration of Evolutionary Approach, Blockchain, and Federated Learning</ArticleTitle>
<VernacularTitle>سیستم تشخیص نفوذ نوین جهت افزایش امنیت اینترنت اشیا مبتنی بر تجمیع رویکرد تکاملی، بلاکچین و یادگیری فدرال</VernacularTitle>
			<FirstPage>36</FirstPage>
			<LastPage>51</LastPage>
			<ELocationID EIdType="pii">251446</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jscit.2026.531689.2133</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>مهدی</FirstName>
					<LastName>بازرگانی</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد زنجان، زنجان، ایران</Affiliation>

</Author>
<Author>
					<FirstName>نفیسه</FirstName>
					<LastName>فارغ زاده</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد خدابنده، زنجان، ایران</Affiliation>
<Identifier Source="ORCID">0000-0001-7314-8231</Identifier>

</Author>
<Author>
					<FirstName>محمدحسین</FirstName>
					<LastName>نجفی</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد زنجان، زنجان، ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
		    <Abstract>In this research, a novel and combinational intrusion detection system has been developed to enhance security in the Internet of Things (IoT) scope, which is designed based on the combination of blockchain, federated learning, and crow evolutionary algorithms. In addition to enhancing security, the proposed approach also addresses the challenges of data privacy and proposes a federated learning-based framework for anomaly detection that is superior to non-federated learning methods. In the operational process of the proposed system, data is first divided into independent blocks and, by using a combination of federated learning and blockchain approaches, samples are extracted for model training and recognition tasks. The proposed system is evaluated using supervised and unsupervised deep learning models, and the performance of the models in enhancing IoT network security is evaluated and compared. Also, the robustness of the proposed approach against a diverse range of attack vectors is carefully tested, and different federated learning algorithms are replaced with counterparts to reduce the computational load and optimize communication costs. Simulation results presented that the integration of dynamic thresholding method with federated learning model provides very high accuracy in classifying network traffic windows as normal or abnormal for detecting DDoS attacks. Based on the evaluation results, the proposed system has achieved an accuracy of 98.7%, a true positive rate of 0.987, a false positive rate of 0.026, and a recall of 0.987, which shows superior performance compared to the related approaches.</Abstract>
			<OtherAbstract Language="FA">این پژوهش، یک سیستم نوین تشخیص نفوذ ترکیبی درجهت افزایش امنیت اینترنت اشیا (IoT) طراحی کرده است. هسته سیستم پیشنهادی بر تلفیق بلاکچین، یادگیری فدرال و الگوریتم تکاملی کلاغ استوار است. رویکرد پیشنهادی ضمن بهبود امنیت، حفظ حریم خصوصی داده ها را نیز تضمین می کند. بدین منظور، چارچوبی مبتنی بر یادگیری فدرال برای تشخیص ناهنجاری‌ها توسعه یافته است. در فرآیند اجرا، داده ها ابتدا به بلوک‌های مستقل تقسیم می‌شوند. سپس نمونه ها با ترکیب یادگیری فدرال و بلاکچین، جهت آموزش مدل و شناسایی استخراج می‌گردند. ارزیابی سیستم با استفاده از مدل‌های یادگیری عمیق نظارت شده و نظارت‌نشده انجام شده است. عملکرد چارچوب پیشنهادی در مقایسه با روش های غیر‌فدرال، برتری دارد. همچنین کارایی مدل‌ها در ارتقای امنیت شبکه IoT مقایسه گردید. استحکام رویکرد پیشنهادی در برابر بردارهای حمله متنوع و سطوح مختلف مقیاس‌پذیری سنجیده شد. به منظور کاهش بار محاسباتی و هزینه های ارتباطی، الگوریتم های یادگیری فدرال با نمونه های کارآمد جایگزین شدند. نتایج شبیه سازی نشان می دهد که ترکیب آستانه گذاری پویا با یادگیری فدرال، دقت طبقه‌بندی ترافیک شبکه را برای تشخیص حملات DDoS افزایش می دهد.بر پایه نتایج ارزیابی، سیستم پیشنهادی به دقت ۹۸.۷٪ دست یافته است. نرخ مثبت واقعی (TPR) و فراخوانی(Recall) برابر با ۰.۹۸۷ و نرخ مثبت کاذب (FPR) برابر با ۰.۰۲۶ محاسبه شد، که این مقادیر در مقایسه با پژوهش های مرتبط، نشان‌دهنده عملکرد برتر سیستم پیشنهادی است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">تشخیص نفوذ</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">امنیت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">اینترنت اشیا</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">بلاکچین</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری فدرال</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">الگوریتم تکاملی کلاغ</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jscit.nit.ac.ir/article_251446_a3a470f21b589a783d232d271cb4fdd2.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>دانشگاه صنعتی نوشیروانی بابل</PublisherName>
				<JournalTitle>مجله علمی  رایانش نرم و فناوری اطلاعات</JournalTitle>
				<Issn>2383-1006</Issn>
				<Volume>15</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>10</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>A Hybrid Meta-Heuristic Clustering and Deep Transfer Learning Model for Cloud Energy Consumption Prediction</ArticleTitle>
<VernacularTitle>مدل خوشه‌بندی فرا ابتکاری و یادگیری انتقال عمیق ترکیبی برای پیش‌بینی مصرف انرژی در رایانش ابری</VernacularTitle>
			<FirstPage>52</FirstPage>
			<LastPage>72</LastPage>
			<ELocationID EIdType="pii">251449</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jscit.2026.569591.2215</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>حبیب</FirstName>
					<LastName>ناجی آتیه</LastName>
<Affiliation>گروه علمی کامپیوتر، واحد خوراسگان، دانشگاه آزاد اسلامی، اصفهان، ایران</Affiliation>

</Author>
<Author>
					<FirstName>بهنام</FirstName>
					<LastName>برزگر</LastName>
<Affiliation>گروه علمی کامپیوتر، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران</Affiliation>

</Author>
<Author>
					<FirstName>محمدرضا</FirstName>
					<LastName>سلطان آقایی</LastName>
<Affiliation>گروه علمی کامپیوتر، واحد خوراسگان، دانشگاه آزاد اسلامی، اصفهان، ایران</Affiliation>

</Author>
<Author>
					<FirstName>حسن فلاح</FirstName>
					<LastName>فخرالدین</LastName>
<Affiliation>گروه علمی کامپیوتر، واحد تکنولوژی، دانشگاه امام جعفر صادق، بغداد، عراق.</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>12</Month>
					<Day>31</Day>
				</PubDate>
			</History>
		    <Abstract>Despite the popularity and availability of a wide range of cloud service providers, cloud computing faces challenges that need to be addressed. One of these challenges primarily includes the incredible energy consumption due to reasons such as the use of proper cooling systems, which is considered the biggest threat to the environment and its electricity consumption cost for cloud providers. Therefore, it is necessary to provide solutions to improve or predict energy consumption in cloud computing. Therefore, the aim of this paper is to present a hybrid approach based on optimized clustering and deep transfer learning for predicting energy load in cloud computing. The proposed method is tested on three Google Cluster datasets, European PV Load and IESO datasets and in total with five datasets, CPU usage from Google Cluster dataset; hourly load from the dataset and PV load (solar energy forecast) from the London dataset; Hourly load and consumption load price in Canadian dollars from the IESO dataset have been evaluated with MSE, RMSE, MAPE and MAE metrics. The results show that among the datasets, the Google Cluster dataset in the training data has performed very well and the errors have been at the lowest possible level (MSE = 0.0199, RMSE = 0.1411, MAPE = 0.4293 and MAE = 0.1195). In the test data, the error values also remain low and acceptable (MSE = 0.0356, RMSE = 0.1886, MAPE = 0.6460 and MAE = 0.1647), which indicates the high generalization ability of the model and increased prediction accuracy in complex and voluminous data.</Abstract>
			<OtherAbstract Language="FA">رایانش ابری علی‌رغم گسترش و محبوبیت روزافزون با چالش مصرف بالای انرژی در مراکز داده مواجه است که منجر به افزایش هزینه‌های عملیاتی و پیامدهای زیست‌محیطی می‌شود. ازاین‌رو، ارائه روش‌های دقیق برای پیش‌بینی بار مصرف انرژی در این محیط‌ها امری ضروری است. در این مقاله، یک رویکرد ترکیبی مبتنی بر خوشه‌بندی بهینه‌شده و یادگیری عمیق انتقالی برای پیش‌بینی بار مصرف انرژی در رایانش ابری ارائه می‌شود. روش پیشنهادی بر روی مجموعه‌داده‌های متنوع شامل مجموعه‌داده Google Cluster، داده‌های بار مصرفی و پیش‌بینی انرژی خورشیدی (PV) شهر لندن، و داده ‌های بار ساعتی و قیمت برق مجموعه‌داده IESO ارزیابی شده است. در مجموع، پنج سناریوی داده‌ای شامل استفاده از CPU، بار ساعتی و انرژی خورشیدی مورد بررسی قرار گرفته‌اند. عملکرد مدل با استفاده از معیارهای MSE، RMSE، MAPE و MAE ارزیابی شده است. نتایج نشان می‌دهد که مدل پیشنهادی در مجموعه‌داده Google Cluster به دقت بالایی دست یافته است، به‌گونه‌ای که در داده‌های آموزشی مقادیر خطا برابر با (MSE برابر ۰.۰۱۹۹، RMSE برابر ۰.۱۴۱۱، MAPE برابر ۰.۴۲۹۳ و MAE برابر ۰.۱۱۹۵) و در داده‌های آزمایشی برابر با (MSE برابر ۰.۰۳۵۶، RMSE برابر ۰.۱۸۸۶، MAPE برابر ۰.۶۴۶۰ و MAE برابر ۰.۱۶۴۷) به دست آمده است. این نتایج بیانگر توانایی تعمیم‌پذیری مناسب و کارایی بالای مدل در داده‌های حجیم و پیچیده می‌باشد.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">خوشه‌بندی با الگوریتم فراابتکاری</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">یادگیری عمیق انتقالی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">پیش‌بینی بار مصرفی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">رایانش ابری</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jscit.nit.ac.ir/article_251449_efcce852e65e1ac652b4cec3e2785b7c.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>دانشگاه صنعتی نوشیروانی بابل</PublisherName>
				<JournalTitle>مجله علمی  رایانش نرم و فناوری اطلاعات</JournalTitle>
				<Issn>2383-1006</Issn>
				<Volume>15</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>10</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Semi-Supervised Classification of Imbalanced Data Streams Under Concept Drift Using Chaotic Sequences</ArticleTitle>
<VernacularTitle>طبقه‌بندی نیمه‌نظارتی جریان داده‌های نامتوازن تحت رانش مفهوم با استفاده از دنباله آشوبی</VernacularTitle>
			<FirstPage>73</FirstPage>
			<LastPage>86</LastPage>
			<ELocationID EIdType="pii">251450</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jscit.2026.573426.2224</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>فائزه</FirstName>
					<LastName>آزادی</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران</Affiliation>

</Author>
<Author>
					<FirstName>جواد</FirstName>
					<LastName>حمیدزاده</LastName>
<Affiliation>دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه  سجاد، مشهد، ایران</Affiliation>
<Identifier Source="ORCID">0000-0001-6493-0539</Identifier>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2026</Year>
					<Month>02</Month>
					<Day>01</Day>
				</PubDate>
			</History>
		    <Abstract>Real-world data stream classification remains a fundamental challenge in machine learning due to the simultaneous occurrence of concept drift, class imbalance, and the limited availability of labeled data. Existing semi-supervised learning methods typically address only one of these challenges. In this study, a semi-supervised active learning framework based on a Radial Basis Function Neural Network (RBFNN) is proposed for data stream classification under simultaneous concept drift and class imbalance. In the proposed framework, a sliding window mechanism is employed to retain newly arrived samples while gradually discarding outdated data, enabling the model to remain consistent with the current data distribution. Subsequently, an active learning strategy based on the combination of uncertainty and density criteria selects the most informative samples for labeling, thereby reducing labeling costs while improving training quality. Furthermore, a smooth pseudo-labeling mechanism based on feature-space similarity is adopted to effectively exploit unlabeled data. In the modeling stage, the RBFNN architecture is enhanced with an adaptive center adjustment mechanism and dynamic updating to cope with concept drift. The initial RBF centers are initialized using an improved K-means++ algorithm and are subsequently updated online according to incoming data. In addition, to address class imbalance, a synthetic sample generation method based on weighted combinations of minority-class samples and the Logistic Map chaotic sequence is proposed, increasing the diversity of generated samples. Moreover, a weighted Focal Loss function is employed to improve the model&#039;s sensitivity to difficult samples while dynamically adjusting class weights. The network parameters are optimized using the Adam algorithm. Experimental results demonstrate that the integration of active learning, adaptive RBF center adjustment, semi-supervised pseudo-labeling, and mechanisms for handling concept drift and class imbalance significantly improves the performance of data stream classification. Compared with state-of-the-art methods, including SSALD, SSALE-EIS, AACE-DI, LEPID, and CBAL, the proposed method achieves superior performance, with average improvements of 4% in F1-score, 3% in G-Mean, and 2.5% in Specificity. These results confirm the effectiveness and robustness of the proposed framework for real-world data stream classification under concept drift and class imbalance.</Abstract>
			<OtherAbstract Language="FA">طبقه‌بندی جریان‌های داده‌ای در دنیای واقعی، به‌دلیل بروز هم‌زمان رانش مفهوم، داده‌های نامتوازن و محدودیت در دسترسی به داده‌های برچسب‌خورده، همچنان یکی از چالش‌های اساسی یادگیری ماشین است. روش‌های موجود در یادگیری نیمه‌نظارتی معمولاً تنها یکی از این چالش‌ها را پوشش داده‌اند. در این پژوهش، یک چارچوب یادگیری فعال نیمه‌نظارتی مبتنی بر شبکه عصبی تابع پایه شعاعی (RBFNN) برای طبقه‌بندی جریان‌های داده‌ای در حضور هم‌زمان رانش مفهوم و داده‌های نامتوازن ارائه شده است. در چارچوب پیشنهادی، از مکانیزم پنجره لغزان برای نگهداری داده‌های جدید و حذف تدریجی داده‌های قدیمی استفاده می‌شود تا مدل با توزیع جاری داده‌ها سازگار بماند. سپس، راهبرد یادگیری فعال مبتنی بر ترکیب معیارهای عدم‌قطعیت و چگالی، نمونه‌های دارای بیشترین ارزش اطلاعاتی را برای برچسب‌گذاری انتخاب می‌کند و ضمن کاهش هزینه برچسب‌گذاری، کیفیت آموزش را افزایش می‌دهد. همچنین، برای بهره‌گیری از داده‌های بدون برچسب، از مکانیزم برچسب‌گذاری هموار مبتنی بر شباهت در فضای ویژگی استفاده شده است. در بخش مدل‌سازی، ساختار RBFNN با مکانیزم تنظیم تطبیقی مراکز و به‌روزرسانی پویا برای سازگاری با رانش مفهوم توسعه یافته است. مراکز اولیه نورون‌های RBF با نسخه بهبودیافته الگوریتم K-means++ مقداردهی اولیه شده و سپس متناسب با داده‌های جدید به‌صورت آنلاین بازتنظیم می‌شوند. علاوه بر این، برای مقابله با داده‌های نامتوازن، روشی برای تولید نمونه‌های مصنوعی مبتنی بر ترکیب وزن‌دار نمونه‌های کلاس اقلیت و دنباله آشوبی Logistic Map ارائه شده است که تنوع نمونه‌های تولیدشده را افزایش می‌دهد. همچنین، از تابع خطای Focal Loss وزن‌دار برای افزایش حساسیت مدل نسبت به نمونه‌های دشوار و تنظیم پویای وزن کلاس‌ها استفاده شده و پارامترهای شبکه با الگوریتم Adam بهینه‌سازی می‌شوند. نتایج ارزیابی نشان می‌دهد که ترکیب یادگیری فعال، تنظیم تطبیقی مراکز RBF، برچسب‌گذاری نیمه‌نظارتی و مکانیزم‌های مقابله با رانش مفهوم و عدم تعادل داده‌ها، عملکرد مدل را در طبقه‌بندی جریان‌های داده‌ای بهبود می‌دهد. همچنین، روش پیشنهادی در مقایسه با روش‌های SSALD، SSALE-EIS، AACE-DI،LEPID و CBAL عملکرد بهتری داشته و به‌طور میانگین ۴ درصد بهبود در معیار F1-score، ۳ درصد بهبود در معیار G-Mean و ۲٫۵ درصد بهبود در معیار Specificity به دست آورده است که بیانگر کارایی و پایداری مناسب چارچوب پیشنهادی در شرایط واقعی است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">یادگیری‌ نیمه نظارتی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">جریان داده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">داده‌های نامتعادل</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">رانش مفهوم</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jscit.nit.ac.ir/article_251450_4d5f7cbcd348fbd8cefb700a01110eb0.pdf</ArchiveCopySource>
</Article>

<Article>
<Journal>
				<PublisherName>دانشگاه صنعتی نوشیروانی بابل</PublisherName>
				<JournalTitle>مجله علمی  رایانش نرم و فناوری اطلاعات</JournalTitle>
				<Issn>2383-1006</Issn>
				<Volume>15</Volume>
				<Issue>3</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>10</Month>
					<Day>23</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Combining Bat and Ant Colony Metaheuristic Algorithms for Service Quality Preservation in Adaptive Mixed-Criticality Systems</ArticleTitle>
<VernacularTitle>ترکیب الگوریتم‌های فراابتکاری خفاش و کلونی مورچگان برای حفظ کیفیت سرویس در سیستم‌های بحرانی مختلط تطبیقی</VernacularTitle>
			<FirstPage>87</FirstPage>
			<LastPage>98</LastPage>
			<ELocationID EIdType="pii">251448</ELocationID>
			
<ELocationID EIdType="doi">10.22034/jscit.2026.565981.2202</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>فرزانه</FirstName>
					<LastName>غلامی</LastName>
<Affiliation>مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایران</Affiliation>

</Author>
<Author>
					<FirstName>وحید</FirstName>
					<LastName>حقیقت دوست</LastName>
<Affiliation>مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایران</Affiliation>
<Identifier Source="ORCID">0000-0002-6939-5595</Identifier>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2025</Year>
					<Month>12</Month>
					<Day>22</Day>
				</PubDate>
			</History>
		    <Abstract>Scheduling in uniprocessor real-time systems is a fundamental challenge to guarantee the timing constraints of tasks. Traditional methods such as Rate Monotonic and Earliest DeadLine First lack sufficient efficiency in complex systems. As an effective solution, Adaptive Mixed-Criticality (AMC) systems enable mode switches between different criticality levels, ensuring that high-criticality tasks do not miss their DeadLines, even under heavy workloads. However, determining the optimal priority assignment for tasks in these systems is an NP-Hard problem. In this paper, to overcome this challenge, a hybrid method based on the Bat Algorithm (BA) and Ant Colony Optimization (ACO) is proposed. In this approach, the output of the Bat Algorithm is utilized as the initial pheromone value for the Ant Colony algorithm to increase the convergence speed. Simulation results demonstrate that the proposed method, compared to baseline approaches and previous research in this field, increases the schedulability ratio of Low-criticality tasks by 91% and reduces the response time compared to machine learning algorithms, which indicates the higher efficiency of the hybrid algorithm in managing mixed-criticality systems.</Abstract>
			<OtherAbstract Language="FA">مسئله زمانبندی در سیستم‌های بلادرنگ تک پردازنده برای تضمین رعایت محدودیت‌های زمانی وظایف، چالشی اساسی است. روش‌های سنتی مانند نرخ یکنواخت و زودترین ضرب العجل در سیستم‌های پیچیده کارایی لازم را ندارند. سیستم‌های بحرانی مختلط تطبیقی (AMC) به عنوان یک راهکار موثر، امکان تغییر حالت سیستم بین سطوح بحرانی مختلف را فراهم می‌کند تا اطمینان حاصل شود وظایف با اهمیت بالا حتی در شرایط بار کاری زیاد، مهلت اجرای خود را از دست نمی‌دهند. با این حال، تعیین اولویت بهینه برای وظایف در این سیستم‌ها یک مسئله NP-Hard است. در این مقاله، برای غلبه بر این چالش، روشی ترکیبی مبتنی بر الگوریتم خفاش (BA) و بهینه‌سازی کلونی مورچگان (ACO) ارائه شده است. در این روش، خروجی الگوریتم خفاش به عنوان مقدار اولیه فرومون برای الگوریتم مورچگان استفاده می‌شود تا سرعت همگرایی افزایش یابد. نتایج شبیه‌سازی نشان می‌دهد که روش پیشنهادی در مقایسه با روش‌های پایه و تحقیقات پیشین در این زمینه، موجب افزایش نسبت وظایف با سطح بحرانی Lo به میزان ۹۱ درصد و کاهش زمان پاسخگویی نسبت به الگوریتم‌های یادگیری ماشین شده است که نشان‌دهنده کارایی بالاتر الگوریتم ترکیبی در مدیریت سیستم‌های بحرانی مختلط است.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">سیستم‌های بحرانی مختلط تطبیقی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">زمان‌بندی اولویت ثابت</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">الگوریتم خفاش</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">الگوریتم کلونی مورچگان</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">تحلیل زمان پاسخ</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jscit.nit.ac.ir/article_251448_dae8167d77aae533a6e7b270d3de9f05.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
