شبکه های بین خودرویی زیرمجموعه‌ای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ بر چکیده کامل
شبکه های بین خودرویی زیرمجموعه‌ای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ برای مسیریابی محسوب می شود که برای مسیریابی در این شبکه ها، پروتکل های مسیریابی باید قوی و قابل‌اعتماد باشد. یکی از پروتکل های مسیریابی شناخته شده در شبکه‌های بین خودرویی، پروتکل مسیریابی AODV است. اعمال این پروتکل مسیریابی بر روی شبکه های بین خودرویی نیز دارای مشکلاتی می‌باشد که با افزایش مقیاس شبکه و تعداد گره ها، تعداد پیام های کنترلی در شبکه افزایش می یابد. یکی از روشهای کاهش سربار در پروتکل AODV، خوشه بندی کردن گره های شبکه است. در این مقاله برای خوشه بندی کردن گره ها از الگوریتم تغییریافته K-Means و برای انتخاب سر خوشه از الگوریتم ازدحام ذرات استفاده شده است. نتایج بدست آمده از روش پیشنهادی باعث بهبود بار مسیریابی نرمال شده و افزایش نرخ تحویل بسته در مقایسه با پروتکل مسیریابی AODV شده است.
پرونده مقاله
یاددهندگان معمولاً به طور ذهنی دریافتهاند که تدریس خوب دارای چه ویژگیهایی است و با توجه به تجربه و حوزهی دانش خود درسپارهایی ایجاد کرده و در وب قرار میدهند. به همین دلیل بسیاری از یادگیرندگان نمیتوانند درسپارهای متناسب با نیازهای خود را پیدا کنند. به همین جهت بسی چکیده کامل
یاددهندگان معمولاً به طور ذهنی دریافتهاند که تدریس خوب دارای چه ویژگیهایی است و با توجه به تجربه و حوزهی دانش خود درسپارهایی ایجاد کرده و در وب قرار میدهند. به همین دلیل بسیاری از یادگیرندگان نمیتوانند درسپارهای متناسب با نیازهای خود را پیدا کنند. به همین جهت بسیاری از پژوهشگران، تحقیقات خود را بر سامانههای یادگیری شخصی شده معطوف داشته‌اند که یکی از روشهای شخصی‌سازی در محیط یادگیری الکترونیکی، تعیین توالی مناسب درس‌پارهاست. در این مقاله به بهینه‌سازی توالی درس‌پارها با استفاده از الگوریتم بهینه‌سازی گروه ذرّات پرداخته شده است. معیارهای استفاده شده برای انجام این کار سبک یادگیری و توانایی یادگیرندگان بوده که به ترتیب با استفاده از پرسشنامه‌ی فلدر و سولومان و نظریه‌ی پرسش و پاسخ شناسایی شده است. به منظور ارزیابی روش پیشنهادی، سامانه‌ی طراحی شده در محیط آموزشی وب‌بنیاد در حالت‌های مختلف مورد استفاده قرار گرفته و نتایج حاصل از «موفقیت تحصیلی»، «رضایت تحصیلی» و «زمان حضور در محیط» یادگیرندگان مورد بررسی و تحلیل قرار گرفته است که نتایج، کارامدی چشمگیر سامانه‌ی پیشنهادی را نشان میدهد.
پرونده مقاله
در اين مقاله ، ما يك الگوريتم جديد پيشنهاد كرده‌ايم كه PSO و ژنتيك را به طريقي با هم تركيب میکند بگونه‌اي كه الگوريتم جديد مؤثرتر و كارآمدتر می‌شود. اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظه‌اي افزايش مي‌يابد و در عين حال دقّت پاسخ نيز به مراتب بالاتر چکیده کامل
در اين مقاله ، ما يك الگوريتم جديد پيشنهاد كرده‌ايم كه PSO و ژنتيك را به طريقي با هم تركيب میکند بگونه‌اي كه الگوريتم جديد مؤثرتر و كارآمدتر می‌شود. اين بدان معناست که سرعت رسيدن به پاسخ به طور قابل ملاحظه‌اي افزايش مي‌يابد و در عين حال دقّت پاسخ نيز به مراتب بالاتر است. خاصيت الگوريتم بهينه‌سازي تجمّع اين است که به سرعت همگرا ميشود ، اما در نزديكي‌هاي نقطة بهينه فرآيند جستجو به شدّت كند ميشود . از طرفی می‌دانیم که الگوريتم ژنتيك نيز به شرايط اوليه به شدت حساس است. در حقيقت طبيعت تصادفي عملگرهاي ژنتيك ، الگوريتم را به جمعیّت اوليّه حساس ميکند. اين وابستگي به شرايط اوليه به گونه‌اي است كه اگر جمعیّت اوليه خوب انتخاب نشود ، الگوريتم ممكن است همگرا نشود. در اين مقاله با استفاده از اين الگوريتم تركيبي GA- PSO، مكان و اندازة بهينة خازن در يك سيستم توزيع نمونه بدست آمده است . همچنين جايابي بهينة خازن با الگوريتم هاي PSO و GA بطور جداگانه بدست و نتايج با هم مقايسه شده‌اند .نتايج نشان میدهند که الگوريتم جديد مي‌تواند سريع‌تر به پاسخ برسد و به جمعیّت اوليه وابسته نيست و پاسخ‌هاي دقيق‌تري را پيدا میکند.
پرونده مقاله
افزایش تقاضا منجر به افزایش تنوع، تعداد خدمات و درنتیجه ایجاد مراکز داده رایانش با مقیاس بزرگ‌شده است که علاوه بر هزینههای عملیاتی بالا، مقادیر عظیمی از توان الکتریکی را مصرف میکند. از طرفی سیستمهای خنک‌کننده ناکافی و ناکارآمد، نه‌تنها باعث گرم شدن بیش‌ازحد منابع و ک چکیده کامل
افزایش تقاضا منجر به افزایش تنوع، تعداد خدمات و درنتیجه ایجاد مراکز داده رایانش با مقیاس بزرگ‌شده است که علاوه بر هزینههای عملیاتی بالا، مقادیر عظیمی از توان الکتریکی را مصرف میکند. از طرفی سیستمهای خنک‌کننده ناکافی و ناکارآمد، نه‌تنها باعث گرم شدن بیش‌ازحد منابع و کاهش عمر کاری دستگاه‌ها می‌شود، بلکه باعث تولید کربن شده که در وضعیت آب‌وهوا نقش مهمی دارد. ازاین‌رو، در این پژوهش، یک روش مؤثر مدیریت منابع انرژی در مراکز داده ابری مجازی شده ارائه‌شده که علاوه بر کاهش مصرف انرژی و هزینههای عملیاتی، باعث افزایش کیفیت خدمات نیز شده است. این پژوهش، به ارائه یک استراتژی تخصیص منبع در سیستمهای ابری باهدف کاهش انرژی و هزینه اجرا پرداخته و کاربرد آن را در محیط رایانش ابری بررسی میکند. نتایج حاصل از شبیهسازی نشان میدهد که روش پیشنهادی میتواند نسبت به روشهای NPA[1]، [2]DVFS، [3]ST و [4]MM ، میانگین انرژی مصرفی را تا 0.626 کیلووات ساعت کاهش دهد، همچنین نیاز به مهاجرت و موارد نقض SLA نیز به ترتیب به 186 و 30.91% کاهش پیدا نمود.
پرونده مقاله
در این مقاله یک شبکه فراسو با دو کاربر به ترتیب در نقش فرستنده و رله، و یک ایستگاه مرکزی به عنوان گیرنده در نظر گرفته شده است. هدف این است که ضریب بهینه سمبل‌های سیگنال غیرمتعامد و اختصاص توان بهینه در منبع-رله به منظور بیشینه کردن متوسط مجموع نرخ در یک سیستم مخابرات ه چکیده کامل
در این مقاله یک شبکه فراسو با دو کاربر به ترتیب در نقش فرستنده و رله، و یک ایستگاه مرکزی به عنوان گیرنده در نظر گرفته شده است. هدف این است که ضریب بهینه سمبل‌های سیگنال غیرمتعامد و اختصاص توان بهینه در منبع-رله به منظور بیشینه کردن متوسط مجموع نرخ در یک سیستم مخابرات همکارانه با استفاده از تکنیک دسترسی چندگانه غیرمتعامد، تعیین شود. برای دستیابی به این اهداف، ابتدا متوسط مجموع نرخ سیستم مخابرات همکارانه با استفاده از دسترسی چندگانه غیرمتعامد با رله کدگشایی و ارسال، در کانال مستقل رایلی محاسبه گردید. سپس در گام اول، مسئله بهینه‌سازی ضریب سمبل‌های سیگنال غیرمتعامد در این سیستم به ازای هر اختصاص توانی به صورت ریاضی بیان شده و رابطه بسته برای حل تقریبی آن پیشنهاد شده است. در گام دوم، مسئله بهینه‌سازی اختصاص توان بهینه ارسالی از منبع-رله، به ازای ضرایب سیگنال مشخص معرفی و حل گردید. در انتها، مسئله بهینه‌سازی توأم ضریب سمبل‌های سیگنال غیرمتعامد و اختصاص توان بررسی می‌شود و الگوریتمی برای بهینه‌سازی توأم این دو پارامتر پیشنهاد شده است. الگوریتم پیشنهادی این مقاله نشان میدهد که بهینه‌سازی توأم ضریب سمبل‌های سیگنال غیرمتعامد و اختصاص توان منجر به دستیابی به متوسط نرخ بالاتری نسبت به بهینه‌سازی جداگانه هر یک از این پارامترها می‌شود. همچنین، شبیهسازی و نتایج عددی برای تائید روابط تئوری ارائه گردیده است، که شبیه‌سازی‌ها بهره dB 3 را برای سیستم بهینه شده توأم با استفاده از الگوریتم پیشنهادی در مقایسه با سیستم غیر بهینه نشان میدهند.
پرونده مقاله
طراحان سیستمهای نهفته با الزامات و اهداف متعددی در طراحی (مانند زمان اجرا، انرژی مصرفی و قابلیت اطمینان) مواجه هستند. ازآنجاکه در بیشتر مواقع، تلاش برای برآوردن یکی از این الزامات در تناقض با دستیابی به دیگر الزامات طراحی است، استفاده از رویکردهای چندهدفه در مراحل مخت چکیده کامل
طراحان سیستمهای نهفته با الزامات و اهداف متعددی در طراحی (مانند زمان اجرا، انرژی مصرفی و قابلیت اطمینان) مواجه هستند. ازآنجاکه در بیشتر مواقع، تلاش برای برآوردن یکی از این الزامات در تناقض با دستیابی به دیگر الزامات طراحی است، استفاده از رویکردهای چندهدفه در مراحل مختلف طراحی دستگاه‌های نهفته ازجمله زمانبندی وظایف امری اجتنابناپذیر به نظر میرسد. در اين مقاله، یک روش زمانبندی وظیفه ایستای چندهدفه برای طراحی دستگاه‌های نهفته ارائه‌شده است. در این روش، وظایف به‌صورت یک گراف مدل شده و با در نظر گرفتن یک زیرساخت سخت‌افزاری برای سیستم نهفته، روشی برای نگاشت و زمانبندی وظایف بر روی معماری سخت‌افزاری پیشنهاد می‌شود. به‌منظور مدیریت وابستگی بین وظیفهها در گراف وظایف، از یک روش بخشبندی استفاده‌شده است که در هر بخش، وظایفی که می‌توانند به‌طور هم‌زمان اجرا شوند مشخص‌شده و در فرآیند زمانبندی در نظر گرفته می‌شوند. در این روش زمانبندی، پارامترهای زمان اجرای وظایف، انرژی مصرفی و قابلیت اطمینان به‌عنوان اهداف بهینه‌سازی طی یک الگوریتم بهینه‌سازی ژنتیک بهینه می‌گردند. نتایج شبیه‌سازی‌ها نشان میدهد که روش پیشنهادی با در نظر گرفتن اهداف مختلف طراحی در مقایسه با روشهای مشابه پیشین مانند EAG-TA، در زمان اجرای وظایف، انرژی مصرفی و قابلیت اطمینان به ترتیب 21.4، 19.2 و 20 درصد بهبود داشته است. استفاده از یک راهبرد بهینه‌سازی چندهدفه این امکان را فراهم میکند که طی مرحله نگاشت و زمانبندی، گزینه‌های متعدد طراحی پیش روی طراح قرار گیرد تا بتواند بین پارامترهای مختلف طراحی سیستم (سخت‌افزاری/نرم‌افزاری) موازنه مدنظر خود را انجام دهد.
پرونده مقاله
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه‌های تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و بر چکیده کامل
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاه‌های تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیه‌شده برای ماشین‌های مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمانبندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
پرونده مقاله
پیش‌بینی بازار سهام به عنوان یک زمینه جذاب و همچنین چالش برانگیز برای سرمایه گذاران در بازارهای مالی عمل میکند. بسیاری از مدل‌های مورد استفاده در پیش‌بینی بازار سهام قادر به پیش‌بینی دقیق نیستند یا این مدل‌ها نیاز به تعداد داده ورودی بسیار زیادی دارند که باعث افزایش حج چکیده کامل
پیش‌بینی بازار سهام به عنوان یک زمینه جذاب و همچنین چالش برانگیز برای سرمایه گذاران در بازارهای مالی عمل میکند. بسیاری از مدل‌های مورد استفاده در پیش‌بینی بازار سهام قادر به پیش‌بینی دقیق نیستند یا این مدل‌ها نیاز به تعداد داده ورودی بسیار زیادی دارند که باعث افزایش حجم شبکه‌ها و پیچیدگی یادگیری می‌شود که همه این موارد در نهایت موجب کاهش دقت در پیش‌بینی می‌شود. این مقاله یک روش برای پیش‌بینی بازار سهام را پیشنهاد میدهد که این روش قادر هست به طور موثر وضعیت بازار سهام را پیش‌بینی کند. در این مقاله، برای کاهش حجم داده‌های ورودی از قیمت گذشته بازار استفاده شده و این داده‌ها در یک مدل رگریسور قرار داده شده است. در این حالت، با ارایه یک روش مبتنی بر الگوریتم بهینه‌سازی ملخ بهبود یافته، تعیین می‌شود که داده‌های فعلی بازار بورس به کدام داده‌های قبلی وابسته هستند و با استفاده از داده‌های قبلی می‌توان داده جدید را پیش‌بینی کرد. برای پیش‌بینی سری زمانی نیز از روشهای شبکه عصبی GMDH، شبکه نروفازی و شبکه عصبی استفاده شده است؛ به علاوه، در این مقاله از روشهای متناسب‌سازی داده‌ها با استفاده از الگوریتم‌های مختلف استفاده شده است که این روش‌ها می‌توانند در پیش‌بینی بازار موثر باشند. در نهایت، از مجموعه داده شرکت تسلا برای اعتبارسنجی و تست الگوریتم‌های ارایه شده استفاده شده است و نتایج شبیهسازی در پایان آمده است. همانطور که در قسمت شبیهسازی نشان داده شده، با استفاده از الگوریتم بهینه‌سازی ملخ بهبود یافته، موثرترین خروجی‌ها برای پیش‌بینی ارزش سهام به دست آمده و در نهایت با استفاده از چند حالت مختلف پیش‌بینی انجام شده و نتایج روشهای مختلف مورد مقایسه قرار گرفته و ارزیابی بر اساس معیار خطای میانگین مربع (RMSE) انجام شده است. مدل پیشنهادی پیش بینی بازار سهام دارای حداقل RMSE=4.05 است که نشان دهنده اثربخشی روش پیشنهادی در پیش بینی بازار سهام است. نتایج نشان میدهد که در بین الگوریتم‌های ارایه شده مربوط به پیش‌بینی سری زمانی، شبکه GMDH با الگوریتم ترکیبی ارایه شده، بهترین نتیجه را در بر داشته است.
پرونده مقاله
طبق نظریه ناهار مجاني (NFL) هیچ الگوریتم فرا اکتشافي موجود قادر به حل همه نوع مسائل به طور کارآمد نیست، بنابراین هر ساله الگوریتمهاي جدیدي جهت تنوع بخشي پیشنهاد ميشوند. در این مقاله، الگوریتم فراابتکاري جدیدي به نام IWOGSA ، براي مسائل بهینهسازي پیوسته پیشنهاد شده است ک چکیده کامل
طبق نظریه ناهار مجاني (NFL) هیچ الگوریتم فرا اکتشافي موجود قادر به حل همه نوع مسائل به طور کارآمد نیست، بنابراین هر ساله الگوریتمهاي جدیدي جهت تنوع بخشي پیشنهاد ميشوند. در این مقاله، الگوریتم فراابتکاري جدیدي به نام IWOGSA ، براي مسائل بهینهسازي پیوسته پیشنهاد شده است که ترکیبي از الگوریتمهاي بهینهسازي علفهاي هرز و جستجوي گرانشي است. در IWOGSA والدها به دو صورت تکثیر مي شوند و از هر دسته نمونههایي براي انتقال به نسل جدید انتخاب ميگردد. بخشي از تکثیر با توزیع نرمال صورت ميگیرد و بخشي دیگر بر مبناي روابط سرعت و شتاب حرکت سیارات در الگوریتم جستجوي گرانشي انجام ميشوند. یک مدل گسسته جدید از IWOGSA به نام DIWOGSA براي حل مسألههاي بهینهسازي گسسته پیشنهاد شده است و کارایي آن بر روي یک چالش حیاتي تحت عنوان بیشینهسازي نفوذ ارزیابي شده است. در DIWOGSA از رویکرد هوشمندانهاي براي مقداردهي اولیه جمعیت استفاده شده و براي همگرایي سریعتر الگوریتم، یک عملگر جستجوي محلي پیشنهاد شده است. در حالت پیوسته الگوریتم IWOGSA با توابع بنچمارک استاندارد و کامپوزیت و 3 مساله مهندسي رایج ارزیابي شده است. نتایج پیادهسازي ثابت ميکند که الگوریتم IWOGSA در مقایسه با روشهاي اخیر و متداول بسیار رقابتي بوده و با توجه به نتایج رتبهبندي آزمون فریدمن، توانسته است رتبه اول را کسب نماید. در حالت گسسته نیز الگوریتم DIWOGSA با در نظر گرفتن شبکههاي مختلف ارتباطاتي بین محققان براي مساله بیشینهسازي نفوذ مورد ارزیابي قرار گرفته و در مقایسه با الگوریتمهاي رایج در این زمینه از نظر میزان نفوذ و زمان اجرا نتایج قابل قبولي را کسب کرده است.
پرونده مقاله
فناوري اینترنت اشیا ) IoT ( شامل تعداد زیادي گرههاي حسگر است که حجم انبوهي از داده تولید ميکنند. مصرف بهینه انرژي گرههاي حسگر یک چالش اساسي در این نوع از شبکههاست. خوشهبندي گرههاي حسگر در دستههاي مجزا و تبادل اطلاعات از طریق سرخوشهها، یکي از راهکارهاي بهبود مصرف انرژي ا چکیده کامل
فناوري اینترنت اشیا ) IoT ( شامل تعداد زیادي گرههاي حسگر است که حجم انبوهي از داده تولید ميکنند. مصرف بهینه انرژي گرههاي حسگر یک چالش اساسي در این نوع از شبکههاست. خوشهبندي گرههاي حسگر در دستههاي مجزا و تبادل اطلاعات از طریق سرخوشهها، یکي از راهکارهاي بهبود مصرف انرژي است. این مقاله یک پروتکل مسیریابي مبتني بر خوشهبندي جدید به نام 1KHCMSBA را ارائه ميدهد. پروتکل پیشنهادي بطور بیولوژیکي از ویژگيهاي جستجوي سریع و مؤثر الهام گرفته بر اساس رفتار غذایابي میگوها در الگوریتم بهینهسازي گروه میگوها براي خوشهبندي گرههاي حسگر استفاده ميکند. در پروتکل پیشنهادي همچنین از چاهک متحرک براي جلوگیري از مشکل نقطه داغ استفاده مي شود. فرآیند خوشهبندي در ایستگاه پایه با یک الگوریتم کنترل متمرکز انجام ميشود که از سطوح انرژي و موقعیت قرارگیري گرههاي حسگر آگاه است. بر خلاف سایر پروتکلهاي موجود در سایر تحقیقات، KHCMSBA مدل انرژي واقع بینانهاي را در شبکه در نظر ميگیرد که در شبیه ساز Opnet عملکرد آن مورد آزمایش قرار ميگیرد و نتایج حاصل از شبیه سازي با پروتکل ( Artifical Fish Swarm Routing Protocol) AFSRP مقایسه ميشوند. نتایج حاصل از شبیه سازي حاکي از عملکرد بهتر روش پیشنهادي از نظر انرژي مصرفي به میزان 71 / 12 درصد، نرخ گذردهي به میزان 22 / 14 درصد، تأخیر انتها به انتها به میزان 07 / 76 درصد، نسبت سیگنال به نویز به میزان 82 / 46 درصد نسبت به پروتکل AFSRP است.
پرونده مقاله
در حملات فیشینگ یک وبگاه جعلي از روي وبگاه اصلي جعل ميگردد که ظاهر بسیار شبیه به وبگاه اصلي دارد. فیشر یا سارق آنلاین براي هدایت کاربران به این وبگاهها، معمولا لینکهاي جعلي را در ایمیل قرار داده و براي قربانیان خود ارسال نموده و با روشهاي مهندسي اجتماعي سعي در فریب کارب چکیده کامل
در حملات فیشینگ یک وبگاه جعلي از روي وبگاه اصلي جعل ميگردد که ظاهر بسیار شبیه به وبگاه اصلي دارد. فیشر یا سارق آنلاین براي هدایت کاربران به این وبگاهها، معمولا لینکهاي جعلي را در ایمیل قرار داده و براي قربانیان خود ارسال نموده و با روشهاي مهندسي اجتماعي سعي در فریب کاربران و مجاب نمودن آنها براي کلیک روي لینکهاي جعلي دارد. حملات فیشینگ زیان مالي قابل توجهاي دارند و بیشتر روي بانکها و درگاههاي مالي متمرکز هستند. روشهاي یادگیري ماشین یک روش موثر براي تشخیص حملات فیشینگ است اما این مشروط به انتخاب بهینه ویژگي است. انتخاب ویژگي باعث ميشود فقط ویژگيهاي مهم به عنوان ورودي یادگیري در نظر گرفته شوند و خطاي تشخیص حملات فیشینگ کاهش داده شود. در روش پیشنهادي براي کاهش دادن خطاي تشخیص حملات فیشینگ یک طبقهبندي کننده شبکه عصبي مصنوعي چند لایه استفاده شده که فاز انتخاب ویژگي آن با الگوریتم بهینهسازي شیرمورچه انجام ميشود. ارزیابي و آزمایشها روي مجموعه داده Rami که مرتبط با فیشینگ است نشان ميدهد روش پیشنهادي داراي دقتي در حدود 98.53 % است و نسبت به شبکه عصبي مصنوعي چند لایه خطاي کمتري دارد. روش پیشنهادي در تشخیص حملات فیشینگ از روشهاي یادگیري BPNN ، SVM ، NB ، C4.5 ، RF و kNN با سازوکار انتخاب ویژگي توسط الگوریتم PSO دقت بیشتري دارد.
پرونده مقاله
در این مقاله مدلی مبتنی بر الگوریتم‌های فراابتکاری برای تخصیص بهینه منابعدر اینترنت اشیا مبتنی بر محاسبات مه پیشنهاد شده است. در مدل پیشنهادی، ابتدا درخواست کاربر به‌صورت یک جریان کاری به سیستم داده می‌شود؛ تا بهازای هر درخواست ابتدا نیازمندی‌های منابع (قدرت پردازش، حا چکیده کامل
در این مقاله مدلی مبتنی بر الگوریتم‌های فراابتکاری برای تخصیص بهینه منابعدر اینترنت اشیا مبتنی بر محاسبات مه پیشنهاد شده است. در مدل پیشنهادی، ابتدا درخواست کاربر به‌صورت یک جریان کاری به سیستم داده می‌شود؛ تا بهازای هر درخواست ابتدا نیازمندی‌های منابع (قدرت پردازش، حافظه‌ی ذخیره‌سازی و پهنای باند) استخراج می‌گردد. این مؤلفه وضعیت ترافیک درخواستی برنامه را از لحاظ بلادرنگ بودن تعیین میکند. درصورتی‌که کاربرد مورد نظر بلادرنگ نباشد و در مقابل تأخیر تا حدودی مقاوم باشد، درخواست به محیط ابری ارجاع داده می‌شود، اما اگر برنامه کاربردی مورد نظر نیاز به پاسخگویی بلادرنگ داشته باشد و حساس به تأخیر باشد، به‌صورت محاسبات مه با آن برخورد خواهد شد و به یکی از کلودلت‌ها نگاشته خواهد شد. این این مرحله به منظور انتخاب بهترین راه حل در تخصیص منابع جهت سرویس‌دهی به کاربران محیط IoT، از الگوریتم بهینه‌سازی شیر مورچه استفاده شد. روش پیشنهادی در محیط نرم‌افزاری متلب شبیهسازی شده و برای ارزیابی عملکرد آن از پنج شاخص انرژی مصرفی سلول‌های مه، زمان پاسخگویی، درجه‌ی عدم تعادل سلول‌های مه، تأخیر و پهنای باند استفاده گردیده است. بررسی یافته‌ها نشان میدهد که روش پیشنهادی، میزان انرژی مصرفی، نرخ تأخیر را در سلول‌های مه، نرخ پهنای باند مصرفی، میزان تعادل بار و زمان پاسخگویی را در مقایسه با طرح پایه (ROUTER) به ترتیب 22، 18، 12، 22 و 47 درصد بهبود داده است.
پرونده مقاله
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود میدهد. در این مقاله مسئله بهبود تخصیص منابع، هنگام بارگیری وظایف، براساس دستگاه‌های تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می‌شود. برخی وظایف به صورت محلی و برخی به چکیده کامل
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود میدهد. در این مقاله مسئله بهبود تخصیص منابع، هنگام بارگیری وظایف، براساس دستگاه‌های تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می‌شود. برخی وظایف به صورت محلی و برخی به سرورهای لبه بارگذاری و پردازش می‌شوند. مسئله اصلی این است که وظایف تخلیه‌شده برای ماشین‌های مجازی در شبکه‌های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه‌های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی چند هدفه ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمانبندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه‌های محاسبات لبه معرفی شد. جست و جوی محلی در الگوریتم ازدحام ذرات نتایج مناسبی را در مسئله دارد اما باعث از بین رفتن بهینه‌های سراسری خواهد شد، بنابراین در این مسئله به منظور بهبود مدل، از الگوریتم گرگ خاکستری به عنوان پایه اصلی الگوریتم پیشنهادی استفاده شد، در الگوریتم گرگ خاکستری به دلیل رویکرد گرافی مسئله، مجموعه جست و جوهای سراسری به جواب بهینه‌ای خواهد رسید، بنابراین با ترکیب این توابع سعی در بهبود شرایط عملیاتی دو الگوریتم برای اهداف مورد نظر مساله شد. به منظور ایجاد شبکه در این پژوهش از پارامترهای ایجاد شبکه در مقاله پایه استفاده شده است و در شبیهسازی از مجموعه داده LCG استفاده شد. محیط شبیهسازی در این پژوهش محیط شبیه‌ساز کلود سیم است. نتایج مقایسه نشان‌دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان میدهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
پرونده مقاله
