https://jscit.nit.ac.ir/ مجله علمی رایانش نرم و فناوری اطلاعات fa daily 1 Sat, 13 Dec 2025 00:00:00 +0330 Sat, 13 Dec 2025 00:00:00 +0330 https://jscit.nit.ac.ir/article_236080.html تشخیص نقص ویفر در تولید نیمه‌هادی‌ها از اهمیت بالایی برخوردار است، زیرا مستقیماً بر قابلیت اطمینان و عملکرد مدارهای مجتمع تأثیر می‌گذارد. نقص‌هایی مانند ترک‌های میکروسکوپی، آلودگی و ناهماهنگی الگو می‌توانند موجب خرابی دستگاه شوند. در این مطالعه، یک چارچوب ترکیبی بهبود‌یافته مبتنی بر یادگیری عمیق ارائه می‌شود که در آن شبکه‌های عصبی کانولوشنی (CNN) برای استخراج ویژگی‌های مکانی با شبکه‌های حافظه کوتاه‌مدت بلند (LSTM) جهت مدل‌سازی وابستگی‌های زمانی در الگوهای نقص ترکیب شده‌اند. با ادغام اطلاعات مکانی و زمانی، دقت طبقه‌بندی نقص‌ها نسبت به روش‌های متداول افزایش یافته است. ارزیابی‌ها بر روی مجموعه داده‌های MIR-WM811K و WaferMap عملکرد برتری را نشان می‌دهند، به‌گونه‌ای که دقت‌های 12/98٪ و 38/97٪ به دست آمده است. مدل پیشنهادی CNN-LSTM از معماری‌های موجود از جمله RCNN، VGG-16، ResNet-34 و DenseNet-121 عملکرد بهتری دارد. قدرت این روش در یادگیری تلفیقی مکانی–زمانی آن نهفته است که ویژگی‌های پیچیده نقص‌ها را مؤثرتر شناسایی می‌کند. این روش یک خط مبنای جدید برای بازرسی ویفر مبتنی بر یادگیری عمیق ارائه می‌دهد و پتانسیل بالایی برای افزایش بهره‌وری تولید و بهبود کیفیت محصولات در صنعت نیمه‌هادی دارد. https://jscit.nit.ac.ir/article_242551.html بیماری مولتیپل اسکلروزیس (MS) یک اختلال مزمن و زوال عصبی سیستم عصبی مرکزی بوده که بخش‌بندی دقیق مرز ضایعات MS نقش کلیدی در تشخیص زودهنگام، ارزیابی شدت بیماری و پایش روند درمان دارد. بخش‌بندی دقیق مرز ضایعات MS به‌دلیل توزیع نابرابر نمونه‌های ضایعه و پس‌زمینه، اندازه کوچک ضایعات و پروتکل‌های تصویربرداری ناهمگون موضوعی چالش‌برانگیز است. با وجود دقیق بودن بخش‌بندی دستی، این رویکرد فرآیندی زمانبر بوده و نیازمند تخصص بالا است. روش‌های خودکار فعلی در شناسایی ضایعات کوچک MS عملکرد ضعیفی داشته و تعمیم‌پذیری آن‌ها برای داده‌های اخذ شده در شرایط تصویربرداری متفاوت محدود است. برای حل چالش‌های موجود، معماری پیشنهادی ARU-Net، مبتنی بر رویکرد ResNet و U-Net، با ترکیب استخراج پچ تطبیقی و بهینه‌سازی خطای ترکیبی توسعه داده شد، به‌گونه‌ای که رویکرد نمونه‌برداری احتمالی عدم تعادل کلاس را کاهش می‌دهد. اتصالات باقی‌مانده جریان گرادیان را بهبود بخشیده و تابع خطای ترکیبی دایس-فوکال حساسیت مدل به ضایعات کوچک را افزایش می‌دهد. معماری پیشنهادی بر روی پایگاه داده MSLesSeg شامل ۱۱۵ توالی FLAIR از ۷۵ بیمار ارزیابی شد. نتایج آزمایش نشان می‌دهد که معماری پیشنهادی با نرخ تشخیص صحیح به ازای هر ضایعه 79/92%، دقت 72/77%، حساسیت 72/22% و دایس 72/49% نسبت به معماری U-Net سنتی و سایر روش‌های مقایسه شده عملکرد بهتری در شناسایی دقیق و حساس ضایعات MS دارد. ادغام نمونه‌برداری تطبیقی با معماری U-Net مانده‌ای چالش‌های بنیادی بخش‌بندی ضایعات MS را به‌طور مؤثر مورد خطاب قرار می‌دهد. https://jscit.nit.ac.ir/article_250990.html سرطان خون یکی از شایع‌ترین و خطرناک‌ترین انواع سرطان در جهان است. در بسیاری از موارد، اگر این بیماری در مراحل اولیه شناسایی شود، قابل درمان است. یکی از ابزارهای مؤثر برای تشخیص زودهنگام، تحلیل داده‌های ریزآرایه است که بیان هزاران ژن را به‌صورت هم‌زمان اندازه‌گیری می‌کند. با این حال، حجم زیاد ویژگی‌ها و وجود نویز، فرایند تحلیل را پیچیده و زمان‌بر می‌سازد. ازاین‌رو، انتخاب ژن‌های مؤثر نقش کلیدی در افزایش دقت و کاهش هزینه‌ی محاسباتی مدل‌های یادگیری دارد. در این مقاله، یک روش ترکیبی دو‌مرحله‌ای برای انتخاب ویژگی و طبقه‌بندی انواع سرطان خون ارائه می‌شود. در گام نخست، ویژگی‌ها با استفاده از معیار اطلاعات متقابل فیلتر شده و ژن‌های دارای بیشترین ارتباط با برچسب بیماری انتخاب می‌شوند. در گام دوم، از مدل XGBoost برای رتبه‌بندی و انتخاب پایدار ویژگی‌ها استفاده می‌شود تا ژن‌هایی که در تکرارهای مختلف بیشترین اهمیت را دارند شناسایی شوند. در مرحله‌ی نهایی، طبقه‌بندی با بهره‌گیری از روش تبدیل هسته‌های پیچشی تصادفی‌انجام خواهد شد که امکان یادگیری سریع و کارآمد الگوهای پیچیده میان ژن‌های منتخب را فراهم می‌سازد. نتایج تجربی بر روی مجموعه‌داده‌های واقعی ریزآرایه نشان می‌دهد که روش پیشنهادی با دقت 99.2 درصد عملکردی برتر نسبت به روش‌های پایه داشته و توانسته است با کاهش مؤثر ابعاد داده، ژن‌های کلیدی مؤثر در تمایز انواع سرطان خون را شناسایی نماید. https://jscit.nit.ac.ir/article_242549.html پیاده‌سازی هوش مصنوعی در کشاورزی، نیازمند مدل‌هایی است که نه تنها دقیق، بلکه شفاف و قابل اعتماد باشند. در حالی که مدل‌های یادگیری عمیق در مجموعه داده‌های استاندارد به عملکرد چشمگیری دست یافته‌اند، اعتبار داخلی و قابلیت تعمیم‌پذیری آنها اغلب به‌جای راستی‌آزمایی، مفروض انگاشته می‌شود. این پژوهش، یک تحقیق روش‌شناختی در مورد شکاف میان دقت بالا و قابلیت اطمینان تشخیصی واقعی، به ویژه در بستر مجموعه داده‌های کنترل‌شده و آزمایشگاهی، ارائه می‌دهد. تحقیق ما با توسعه یک معماری هیبریدی آغاز شد که به دقت بالای ۹۸.۶۱٪ در مجموعه داده PlantVillage دست یافت. با این حال، یک تحلیل تفسیرپذیری متعاقب با استفاده از Layer-GradCAM نشان داد که موفقیت مدل به طور قابل توجهی بر ویژگی‌های جعلی پس‌زمینه استوار است؛ رفتاری که عموماً با عنوان «یادگیری میان‌بُر» شناخته می‌شود. برای بررسی نظام‌مند این پدیده، ما آزمایش‌های تکمیلی با مدل‌های قویاً قاعده‌مندسازی‌شده، شامل یک مدل پایه CNN، انجام دادیم. اگرچه این مدل‌ها دقت بالایی را حفظ کردند، پدیده یادگیری میان‌بُر، هرچند کاهش یافته بود، اما به طور کامل حذف نشد. یافته‌های ما نشان می‌دهد که دقت بالا در مجموعه داده‌های استاندارد مانند PlantVillage می‌تواند معیاری فریبنده برای ارزیابی اعتمادپذیری در کاربردهای دنیای واقعی باشد. این پژوهش، چالش اصلی در این حوزه را بازتعریف کرده و استدلال می‌کند که اعتبارسنجی دقیق و مبتنی بر XAI باید بخشی جدایی‌ناپذیر از فرآیند ارزیابی مدل باشد و بر تلاش برای افزایش جزئی دقت در مجموعه داده‌های اریب، اولویت یابد. در نهایت، این مقاله یک تحلیل انتقادی از محدودیت‌های چنین مجموعه داده‌هایی ارائه داده و بر نقش اساسی تفسیرپذیری در توسعه هوش مصنوعی قابل اتکا برای کاربردهای کشاورزی تأکید می‌ورزد. https://jscit.nit.ac.ir/article_250991.html شبکه‌های سیار خودرویی (VANET) به‌عنوان یکی از اجزای کلیدی سامانه‌های حمل‌ونقل هوشمند، نقش مهمی در تحلیل ایمنی جاده‌ها و مدیریت ترافیک ایفا می‌کنند. پیش‌بینی شدت تصادف یکی از کاربردهای مهم این شبکه‌ها محسوب می‌شود که به دلیل پویایی بالای محیط، تنوع عوامل مؤثر و پیچیدگی الگوهای حوادث جاده‌ای، یک مسئله چالش‌برانگیز به شمار می‌رود. در این مقاله، یک روش مبتنی بر شبکه عصبی حافظه بلندمدت کوتاه‌مدت (LSTM) بهینه‌سازی‌شده با استفاده از الگوریتم بهینه‌سازی ریاضی (AOA) برای پیش‌بینی شدت تصادف ارائه شده است که می‌تواند به‌عنوان یک ابزار تصمیم یار در محیط‌های مبتنی بر VANET و سامانه‌های حمل‌ونقل هوشمند مورداستفاده قرار گیرد. در روش پیشنهادی، ابرپارامترهای مدل LSTM به‌صورت خودکار توسط الگوریتم AOA تنظیم می‌شوند تا دقت، پایداری و قابلیت تعمیم مدل افزایش یابد. به‌منظور ارزیابی اثربخشی روش پیشنهادی، عملکرد مدل AOA-Optimized LSTM (LSTM+AOA) با مدل‌های پایه LSTM، RNN و همچنین روش بهینه‌سازی‌شده (GA+LSTM)، بر اساس مجموعه‌ای از معیارهای ارزیابی استاندارد مقایسه شده است. داده‌های مورداستفاده از مجموعه‌داده تصادفات جاده‌ای بریتانیا (STATS19) مربوط به سال ۲۰۱۷ استخراج شده‌اند که شامل اطلاعات مرتبط با ویژگی‌های تصادفات و شرایط ترافیکی می‌باشند. نتایج تجربی نشان می‌دهد که مدل AOA-Optimized LSTM (LSTM+AOA) در مقایسه با سایر مدل‌های بررسی‌شده، عملکرد برتری در پیش‌بینی شدت تصادف ارائه داده و درعین‌حال شدت بیش برازش کمتری از خود نشان می‌دهد. یافته‌های این پژوهش بیانگر آن است که استفاده از الگوریتم AOA برای تنظیم ابرپارامترهای LSTM می‌تواند نقش مؤثری در بهبود دقت و پایداری مدل‌های پیش‌بینی شدت تصادف ایفا کند و این رویکرد قابلیت استفاده به‌عنوان یک ابزار پشتیبان تصمیم‌گیری در سامانه‌های مدیریت هوشمند ترافیک را دارا می‌باشد. https://jscit.nit.ac.ir/article_245796.html استخراج قوانین انجمنی (ARM) به‌طور گسترده برای کشف الگوهای پنهان در داده‌های تراکنشی به کار می‌رود؛ با این حال، روش‌های متعارف اغلب تعداد بسیار زیادی قانون تولید می‌کنند که ارزش عملی محدودی دارند. این مقاله یک چارچوب مبتنی بر الگوریتم ژنتیک (GA) پیشنهاد می‌دهد که با به‌کارگیری جهش دو مرحله‌ای، تقاطع ترکیبی و تابع برازندگی وزن‌دار، قوانین انجمنی مختصر و معناداری استخراج می‌کند. جهش دو مرحله‌ای، تنوع تصادفی را با هرس ابتکاری ترکیب می‌کند تا میان کاوش و بهره‌برداری تعادل برقرار شود. تقاطع ترکیبی، بازترکیب تصادفی را با راهبرد معنایی که مجموعه‌ اقلام را در ابعاد مکمل (مانند عوامل اقلیمی و خاک) ادغام می‌کند، ترکیب می‌نماید و در نتیجه تنوع ساختاری را افزایش می‌دهد. تابع برازندگی وزن‌دار با ادغام معیارهای پشتیبانی (Support)، اطمینان (Confidence) و Lift، از اهمیت آماری و همبستگی قوانین اطمینان حاصل می‌کند. نتایج تجربی بر روی سه مجموعه‌داده‌ مرجع — Mushroom، Chess و Connect — اثربخشی چارچوب پیشنهادی را نشان می‌دهد. این چارچوب به میانگین اطمینان 0.87 در Mushroom، 0.91 در Chess و 0.85 در Connect، و به مقادیر ارتقاء 1.42، 1.18 و 1.20 به ترتیب دست یافت. الگوریتم تنها 6 تا 8 قانون تولید می‌کند، در حالی که روش‌های رقیب 12 تا 22 قانون تولید می‌کنند، که کاهش چشمگیری در تعداد قوانین محسوب می‌شود. عملکرد زمانی نیز رقابتی باقی ماند؛ به‌طوری که اجرای الگوریتم به 109 ثانیه در Mushroom، 113 ثانیه در Chess و 2413 ثانیه در مجموعه‌داده Connect نیاز داشت. https://jscit.nit.ac.ir/article_250992.html در سال‌های اخیر، فناوری‌های نوین شیوه تعامل انسان با سامانه‌های دیجیتال را دگرگون کرده‌اند. ترکیب اینترنت اشیا با زیرساخت‌های ابری، بستر ارائه خدمات هوشمند و خودکار را، به‌ویژه در حوزه سلامت، فراهم کرده است. با افزایش حسگرهای متصل به شبکه، حجم زیادی از داده‌های بلادرنگ تولید می‌شود که نیازمند پردازش سریع و کارآمد است. از سوی دیگر، اتکا به مراکز داده دوردست می‌تواند موجب افزایش تأخیر و کاهش کارایی در سامانه‌های حساس به زمان شود. در این راستا، محاسبات مه به‌عنوان لایه‌ای واسط میان دستگاه‌های لبه‌ای و ابر، راهکاری مؤثر برای کاهش تأخیر و بهبود کیفیت خدمات ارائه می‌دهد. در این پژوهش، الگوریتم IJFSA-ODA به‌عنوان نسخه‌ای بهبودیافته از الگوریتم عروس دریایی معرفی شده است که با بهره‌گیری از عملگرهای تکاملی و سازوکارهای مکمل، توان جست‌وجو و تعادل میان اکتشاف و بهره‌برداری را ارتقا می‌دهد. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با الگوریتم‌های IJFSA، IJFA، PSO-SA و PSO عملکردی رقابتی داشته و در برخی سناریوها بهبود قابل‌توجهی در شاخص‌های اصلی ارائه می‌دهد. در سناریوی شامل 25 گره پردازشی مه و 2000 وظیفه، نتایج بیانگر کاهش نسبی حدود 5 تا 10 درصد در زمان پردازش کل و حدود 5 تا 12 درصد در مصرف انرژی نسبت به روش‌های مبتنی بر PSO است. همچنین، از منظر عدالت توزیع بار، مقادیر شاخص عدالت جین نشان می‌دهد که هرچند هیچ‌یک از الگوریتم‌ها به مقدار ایده‌آل نزدیک به 1 نرسیده‌اند، الگوریتم پیشنهادی در اغلب سناریوها عملکرد بهتری نسبت به روش‌های مرجع داشته و توزیع متوازن‌تری از بار را میان ماشین‌های مجازی فراهم کرده است. افزون بر این، نتایج نشان می‌دهد که عملکرد IJFSA-ODA با افزایش تعداد وظایف و گره‌ها از پایداری مناسبی برخوردار بوده و در شاخص درصد وظایف انجام‌شده در مهلت مقرر، نوسان کمتری نسبت به برخی روش‌های مرجع دارد. نتایج حاصل از 10 تکرار مستقل نیز پایداری آماری قابل‌قبول الگوریتم پیشنهادی را تأیید می‌کند. https://jscit.nit.ac.ir/article_245797.html بهبود ایمنی و کارایی شبکه‌های حمل‌ونقل جاده‌ای مستلزم برقراری ارتباطی پایدار و قابل اعتماد میان وسایل نقلیه است. با وجود پیشرفت‌های حاصل در الگوریتم‌های خوشه‌بندی و مسیریابی در شبکه‌های خودرویی، بسیاری از روش‌های موجود همچنان در حفظ پایداری خوشه و نرخ تحویل پیام در شرایط پویای شبکه و ترافیک سنگین با چالش مواجه‌اند. مرور مطالعات مرتبط نشان می‌دهد که اغلب الگوریتم‌ها هنگام مواجهه با تغییرات سریع توپولوژی یا افزایش بار ترافیکی، قادر به ارائه عملکرد بهینه از نظر انسجام خوشه و مصرف کارآمد انرژی نیستند.در این مقاله، با هدف بهبود پایداری و کارایی شبکه، مکانیزم ذخیره–حمل–ارسال (SCF) به‌صورت نوآورانه در دو بستر متفاوت پیاده‌سازی و تحلیل شده و مقایسه‌ای ساختاری میان الگوریتم‌های برجسته ارائه گردیده است. بستر نخست، SCF را با الگوریتم مسیریابی جغرافیایی آگاه از انرژی (GEAR) ادغام می‌کند، در حالی‌که بستر دوم از SCF در چارچوب خوشه‌بندی چندسطحی مبتنی بر منطق DML-SAC-WCHS بهره می‌گیرد. علاوه بر این، شبه‌کدی مستقل برگرفته از یک مقاله معتبر در حوزه مسیریابی آگاه از وضعیت (Awareness Routing) پیاده‌سازی و در محیط شبیه‌سازی به‌عنوان یک الگوریتم مقایسه‌ای ارزیابی شد تا میزان تعمیم‌پذیری و اثربخشی نسبی راهکارهای پیشنهادی بررسی گردد.نتایج آزمایش‌ها در محیط SUMO نشان داد که به‌کارگیری SCF در الگوریتم DML-SAC-WCHS موجب کاهش 5.7٪ در تعداد خوشه‌های تشکیل‌شده و کاهش 3.2٪ در تغییرات سرخوشه شد. همچنین، نرخ تحویل پیام‌های با اولویت بالا تا 2.21٪ افزایش یافت. افزون بر این، ترکیب GEAR با SCF بهبود 66٪ در مصرف کل انرژی شبکه را به همراه داشت و عملاً پیام‌های ازدست‌رفته را حذف کرد. در مقابل، شبه‌کد الگوریتم Awareness Routing—زمانی که به‌طور مستقل پیاده‌سازی شد—هرچند در برخی شاخص‌ها بهبودهایی نشان داد، اما بسته به انتخاب پارامترها و شرایط سناریو، مصرف انرژی بیشتری را به همراه داشت. https://jscit.nit.ac.ir/article_250993.html کلاهبرداری به سبک پامپ‌ودامپ (Pump-and-Dump) که عمدتاً از طریق شبکه‌های اجتماعی سازمان‌دهی می‌شود، یکی از رایج‌ترین انواع دستکاری در بازار رمزارزها به شمار می‌آید. در حالی که اغلب پژوهش‌ها بر تشخیص زمان وقوع این رویدادها تمرکز داشته‌اند، چالش اساسی پیش‌بینی رمزارز هدف همچنان کمتر مورد توجه قرار گرفته است. پژوهش‌های موجود معمولاً با تحلیل محتوای متنی یا ناهنجاری‌های سری‌زمانی به شناسایی این وقایع می‌پردازند، در حالی که رویکردهای ترکیبی کمتر بررسی شده‌اند. در این مقاله، رویکردی ترکیبی ارائه می‌شود که مسئله پیش‌بینی رمزارز هدف را در کنار پیش‌بینی زمان وقوع کلاهبرداری، به‌صورت یک مسئله دنباله‌ای بازتعریف می‌کند. این رویکرد با در نظر گرفتن تاریخچه فعالیت‌های پیشین کانال‌های کلاهبردار، قادر است اهداف بعدی را از نظر رمزارز هدف و زمان وقوع رویداد پیش‌بینی کند. بدین منظور، ابتدا یک روش برچسب‌گذاری باثبات توسعه داده شد که سیگنال‌های متنی استخراج‌شده از تلگرام را با داده‌های مالی ترکیب کرده و ۱۲۰۰ رویداد را در بازه زمانی ۲۰۲۲ تا ۲۰۲۴ شناسایی می‌کند. سپس، یک مدل پیش‌بینی مبتنی بر دنباله ارائه می‌شود که با بهره‌گیری از سازوکار خودتوجه، الگوهای تاریخی پامپ‌ودامپ را در سطح کانال می‌آموزد و با استفاده از سازوکار توجه متقابل، روابط غیرخطی میان دنباله و ویژگی‌های رمزارزهای کاندید را استخراج می‌کند. ارزیابی بر روی داده‌های واقعی نشان می‌دهد مدل پیشنهادی به AUC برابر با 89٪ دست یافته و در معیار HR@K حدود 10٪ بهبود مطلق نسبت به مدل معیار ایجاد کرده است. نتایج نشان‌دهنده برتری رویکرد ترکیبی پیشنهادی نسبت به روش‌های پیشین در شناسایی این نوع کلاهبرداری است.https://github.com/faezemousavi/Pump-and-Dump https://jscit.nit.ac.ir/article_247555.html The extreme volatility of Bitcoin poses significant challenges for traditional forecasting models. This study introduces a scalable hypothesis-driven feature extraction framework combined with a Random Forest classifier to predict Bitcoin price curvature patterns instead of absolute price levels. Using daily OHLCV data from August 10, 2023, to August 10, 2025, a 14-day sliding window and dual-segment slope comparison are applied for binary labeling. Automated feature engineering is performed using the TSFRESH library with MinimalFCParameters. Model performance is rigorously evaluated via 5-fold cross-validation. The proposed Random Forest model achieves an accuracy of 0.8043 and an F1-score of 0.8072, significantly outperforming Support Vector Machines (linear, RBF, and polynomial kernels) and Long Short-Term Memory (LSTM) networks. In addition, a transaction-cost-aware backtesting experiment demonstrates that the predictive signals retain practical value under realistic trading conditions. The results highlight the effectiveness of curvature-based prediction empowered by scalable hypothesis features, providing a more reliable and interpretable approach for anticipating regime shifts in highly volatile cryptocurrency markets. https://jscit.nit.ac.ir/article_250989.html 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. https://jscit.nit.ac.ir/article_251444.html 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. https://jscit.nit.ac.ir/article_251446.html 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. https://jscit.nit.ac.ir/article_251448.html 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. https://jscit.nit.ac.ir/article_251449.html 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. https://jscit.nit.ac.ir/article_251450.html 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. https://jscit.nit.ac.ir/article_251451.html پیش‌بینی نقص نرم‌افزار یکی از چالش های اساسی در مهندسی نرم‌افزار است که با پیچیدگی داده‌های چندمنبعی و تغییرپذیری رفتار پروژه‌ها در طول زمان مواجه است. بسیاری از روش‌های موجود با فرض ایستایی داده‌ها و اتکا به یک نوع نمایش اطلاعاتی، در مواجهه با تغییر توزیع داده‌ها در طول زمان کارآیی و پایداری خود را از دست می‌دهند. در این پژوهش، یک چارچوب یادگیری ترکیبی چندنمایه آگاه از تغییر رانش مفهوم برای پیش‌بینی نقص نرم‌افزار ارائه می‌شود. در چارچوب پیشنهادی، داده‌های نرم‌افزاری به نماهای مستقل شامل معیار‌های کد، فرایند و تغییرات تقسیم شده و برای هر نما یک مدل پایه مجزا آموزش داده می‌شود. سپس، با بهره‌گیری از مکانیزم تشخیص رانش مفهوم، وزن هر مدل در ساختار یادگیری ترکیبی به‌صورت پویا و زمان‌محور تنظیم می‌گردد تا اثر تغییرات رانش مفهوم کاهش یابد. نتایج ارزیابی تجربی بر روی مجموعه‌داده‌های استاندارد نشان می‌دهد که چارچوب پیشنهادی در مقایسه با روش‌های تک‌نمایه، یادگیری ترکیبی ایستا و مدل‌های پیشرفته یادگیری ماشین، بهبود معناداری در معیارهای دقت(0.87)، F1-score (0.88) و AUC (0.91) ارائه می‌دهد. تحلیل‌های آماری نیز پایداری و برتری عملکرد روش پیشنهادی را در حضور تغییر رانش مفهوم تأیید می‌کند. این نتایج بیانگر قابلیت چارچوب پیشنهادی برای کاربرد در محیط‌های واقعی و پویا‌ی توسعه نرم‌افزار است. https://jscit.nit.ac.ir/article_251452.html حافظه‎ی نهان سطح یک در پردازنده‎های گرافیکی شرکت انویدیا نقش تعیین‎کننده‎ای در کارآیی برنامه‎های کودا دارد. این حافظه گاهی باعث بهبود کارآیی اجرای کرنل شده و گاهی به دلیل پدیده‎ی آلودگی حافظه‎ی نهان، باعث افت کارآیی کرنل می‎شود. به همین دلیل در برخی موارد بهتر است قبل از فراخوانی و راه‎اندازی کرنل، حافظه‎ی نهان سطح یک خاموش شود. برنامه‎نویس به راحتی با آزمون و خطا می‎تواند تعیین کند که آیا حافظه‎ی نهان روشن یا خاموش باشد. اما کامپایلرها باتوجه به اینکه امکان اجرای برنامه‎ها را ندارند، نمی‎توانند وضعیت بهینه‎ی حافظه‎ی نهان را تعیین کنند. در این مقاله یک مدل مبتنی‎بر روش‎های یادگیری ماشین ارائه شده است که با استخراج ویژگی‎های ایستای کرنل ورودی، تعیین می‎کند که حافظه‎ی نهان سطح یک روشن یا خاموش باشد. مدل پیشنهادی یک دسته‎بند دوکلاسه است و ویژگی‎های کرنل ورودی را با تحلیل کدهای کودا و PTX و با کمک کامپایلر NVCC به‎دست می‎آورد. نتایج آزمایشگاهی نشان می‎دهند که این مدل با دقت بالاتر از 92.86 درصد قادر است تنظیم بهینه‎ی حافظه‎ی نهان را به‎درستی تشخیص دهد. بنابراین این مدل می‎تواند در کنار یک کامپایلر به‎کار گرفته شده و باعث بهبود کارآیی برنامه‎ی ترجمه‎شده خواهد شد. https://jscit.nit.ac.ir/article_251445.html تولید و گسترش انبوه وسایل نقلیه برقی به طور قابل توجهی به کاهش مصرف سوخت‌های فسیلی و حفظ محیط زیست کمک می‌کند. در این خودروها، زمان‌بندی مناسب شارژ نه‌تنها امکان بهره‌برداری مؤثرتر از منابع انرژی تجدیدپذیر را فراهم می‌سازد، بلکه با کاهش هزینه‌ها و افزایش پایداری شبکه‌ برق، مزایای قابل‌توجهی نیز به همراه دارد. نوسانات قیمت برق، تغییرات در میزان تقاضای انرژی و توان شارژ و عدم اطمینان در مورد زمان تکمیل شارژ باتری، چالش‌های اساسی در زمینه‌ پیش‌بینی و زمان‌بندی بهینه شارژ ایجاد می‌کنند. در این مقاله، مسئله زمان‌بندی شارژ وسایل نقلیه برقی به ‌صورت یک فرآیند تصمیم‌گیری مارکف مدل‌سازی شده و یک روش مبتنی بر یادگیری تقویتی عمیق (DRL) و بدون نیاز به مدل برای یافتن راهبرد شارژ بهینه ارائه می‌شود که امکان تصمیم‌گیری بی‌درنگ را در شرایط عدم قطعیت فراهم می‌کند. مدل پیشنهادی بر روی داده‌های مربوط به ایالت کالیفرنیا آموزش داده و ارزیابی شده است. نتایج نشان می‌دهد که این رویکرد نه‌تنها منجر به کاهش قابل‌توجه هزینه برق می‌شود، بلکه عملکرد شارژ را نیز در شرایط عدم قطعیت و نوسانات قیمت برق بهبود می‌بخشد. روش پیشنهادی نسبت به روش پایه، منجر به %۴۱ کاهش در هزینه برق مصرفی شده و نسبت به روش‌های مرسوم، پاداش تجمعی آن بیشتر و هزینه تجمعی شارژ آن کمتر است که بیانگر کارایی مناسب و قابلیت کاربرد آن برای کاربران در ایستگاه‌های شارژ است.