فصلنامه تخصصی آرمان پردازش

چکیده پیشینه و اهداف: با پیشرفت شبکه‌های وسایل نقلیه و نیاز روزافزون به داده‌های دقیق و به‌موقع، چالش‌هایی مانند تأخیر در بازیابی داده‌ها و نگرانی‌های امنیتی به طور فزاینده‌ای مورد توجه قرار گرفته‌اند. روش‌های سنتی ذخیره‌سازی مبتنی بر ابر به دلیل فاصله زیاد بین وسایل نقلیه و سرورها، قادر به پاسخگویی به نیازهای زمانی و امنیتی نیستند. محاسبات لبه اگرچه راه‌حلی برای کاهش تأخیر است، اما به دلیل محدودیت‌های ذخیره‌سازی و مدیریت توزیع‌شده نیاز به بهبود دارد. پژوهش‌های پیشین عمدتاً بر یکی از جنبه‌های بهینه‌سازی (کاهش تأخیر یا افزایش امنیت) متمرکز بوده‌اند و کمتر به ترکیب این دو هدف پرداخته‌اند. هدف این مقاله ارائه مدل بهینه‌سازی نوآورانه ترکیبی با استفاده از یادگیری عمیق و زنجیره بلوکی که علاوه بر تضمین امنیت زمان و تاخیر را مد نظر داشته باشد. این هدف با بهبود محل کش و ذخیره سازی و بازیابی اطلاعات و ذخیره اطلاعات مهم در زنجیره بلوکی انجام شده است، تا مدل مقیاس‌پذیری و انعطاف‌پذیر در برابر تغییرات ترافیکی و تقاضای کاربران باشد.

روش‌ها‌: جامعه و نمونه شامل شبکه‌های وسایل نقلیه متحرک (VANETs) با در نظر گرفتن خدمت دهندههای لبه و گره‌های وسایل نقلیه است. که از مدل LSTM برای پیش‌بینی الگوهای ترافیکی و محبوبیت داده‌ها استفاده شده است و از زنجیره بلوکی با مکانیزم اجماع PoA و قراردادهای هوشمند برای ذخیره‌سازی امن داده ها استفاده شده است. ارزیابی عملکرد با معیارهای تأخیر، امنیت و مقیاس‌پذیری انجام شده است و با روش‌های موجود مانند Tabu Search, CCS-AGP, و Random Caching از نظر تأخیر و امنیت مقایسه شده اند

یافته‌ها: مدل پیشنهادی تأخیر را به طور قابل توجهی کاهش داده (۱۰٪ تا ۳۰٪ نسبت به روش‌های مورد مقایسه) است. استفاده از زنجیره بلوکی تنها ۸٪ تأخیر اضافی ایجاد کرد در حالی که امنیت را به سطح «بسیار بالا» رساند. و سیستم در برابر افزایش تعداد گره‌ها و حجم داده‌ها پایدار و مقیاس‌پذیر عمل کرد. نتایج شبیه‌سازی نشان داد که ترکیب یادگیری عمیق و زنجیره بلوکی توازن بهینه‌ای بین عملکرد و امنیت برقرار می‌کند.

نتیجه‌گیری: مدل پیشنهادی با ترکیب یادگیری عمیق و زنجیره بلوکی، نه تنها تأخیر را کاهش داده، بلکه امنیت و یکپارچگی داده‌ها را نیز تضمین کرده است.

چکیده شبکه‌های حسگر بی‌سیم (WSN) به دلیل قابلیت استقرار سریع، هزینه پایین و کاربردهای گسترده در حوزه‌هایی همچون اینترنت اشیا، پایش محیطی، کشاورزی هوشمند و سامانه‌های حیاتی، به یکی از فناوری‌های کلیدی در دهه‌های اخیر تبدیل شده‌اند. با این حال، محدودیت‌های سخت‌افزاری و نرم‌افزاری گره‌های حسگر، از جمله توان پردازشی و انرژی پایین، این شبکه‌ها را در برابر خرابی‌ها و اختلالات آسیب‌پذیر ساخته و موضوع اتکاپذیری را به چالشی اساسی بدل کرده است.

در این پژوهش، چارچوبی نوین مبتنی بر یادگیری ماشین کوچک (TinyML) برای افزایش اتکاپذیری و بهینه‌سازی مصرف انرژی در شبکه‌های حسگر بی‌سیم ارائه گردیده است. معماری پیشنهادی شامل چهار ماژول کلیدی تشخیص ناهنجاری، پیش‌بینی خرابی، فشرده‌سازی هوشمند داده و مسیریابی تطبیقی می‌باشد که با استقرار محلی در سطح گره‌ها، امکان پردازش سریع، کاهش بار ارتباطی و مدیریت هوشمند منابع را فراهم می‌سازد. نتایج شبیه‌سازی‌ها نشان داد که روش پیشنهادی علاوه بر افزایش طول عمر شبکه و کاهش چشمگیر مصرف انرژی، موجب بهبود کیفیت داده، پایداری ارتباطات و واکنش سریع به رخدادهای غیرعادی می‌گردد.

یافته‌های این تحقیق نشان می‌دهد که بهره‌گیری از یادگیری ماشین کوچک می‌تواند افق‌های جدیدی را در طراحی شبکه‌های حسگر بی‌سیم هوشمند بگشاید و بستر مناسبی برای توسعه کاربردهای آینده در مقیاس‌های کلان و محیط‌های پویا فراهم آورد.

چکیده یشینه و اهداف: در این پژوهش، یک روش نوین برای تشخیص پلاک خودروهای ایرانی معرفی می‌شود. برای تشخیص پلاک خودرو، روش‌های مختلفی پیشنهاد شده است که به مرور زمان بهبود یافته‌اند. امروزه، شبکه‌های عصبی عمیق به خصوص شبکه‌های عصبی کانولوشن و شبکه‌های بازگشتی به عنوان روش‌های پیشرو در تشخیص پلاک خودرو شناخته می‌شوند هدف از انجام این پژوهش ارائه روشی کارآمد شامل شناسایی محل پلاک با استفاده از الگوریتم‌های بینایی ماشین و جداسازی شناسه‌ها است.. چالش‌هایی نظیر تغییرات نور و سرعت خودرو در این تحقیق مورد بررسی قرار گرفته و راه‌کارهایی برای بهبود دقت و سرعت تشخیص ارائه‌شده است.

روش‌ها‌: در پژوهش حاضر، جهت افزایش دقت و پایداری مدل، یک مجموعه‌داده شامل 844 تصویر واقعی پلاک در شرایط متنوع نوری و زاویه‌ای تهیه و با روش‌های افزایش‌داده به 2024 تصویر گسترش یافت. مدل پس از تنظیم دقیق، قادر به شناسایی ناحیه پلاک و استخراج کاراکترهای فارسی با استفاده از ساختار CRNN است. این سیستم با کاهش خطا در شرایط چالش‌برانگیز نظیر تابش شدید، سایه، سرعت بالای خودرو و تنوع فونت، نسبت به مدل‌های YOLOv8 و YOLOS، بهبود عملکرد قابل توجهی نشان می‌دهد.

یافته‌ها:.در نهایت در این پژوهش، یک روش دقیق و کارآمد برای تشخیص پلاک خودروها مبتنی بر معماری YOLOv9 با دقت 98٪ ارائه گردید که نتایج کمی به‌دست‌آمده شامل دقت، فراخوان و امتیاز F1 نشان می‌دهد که مدل پیشنهادی گزینه‌ای مناسب برای کاربردهای زمان‌–‌واقعی در سامانه‌های نظارت تصویری، کنترل عبور و مرور و حمل‌ونقل هوشمند است.

نتیجه‌گیری: نتایج نشان می‌دهد، روش پیشنهادی می‌تواند به‌طور قابل توجهی دقت تشخیص پلاک‌ها را افزایش داده و به سیستم‌های حمل‌ونقل هوشمند و مدیریت ترافیک خودکار کمک کند.

چکیده ‏چکیده

پیشینه و اهداف: خطا در شبکه های توزیع فدرت بر اساس پارامترهای غیرفابل کنترل بوجود می آید. روش ‏سریعی که قادر به شناسایی و مکانیابی خطای شبکه های توزیع قدرت باشد برای نگهداری مطمئن این شبکه ‏ها حیاتی است. روشهای معمول با اندازه گیری ولتاژ انتقال دهنده ها کار می کنند اما روش پیشنهادی ‏استفاده از الگوریتمهای هوش مصنوعی برای تشخیص و تحلیل خطا در شبکه های توزیع قدرت است. ‏مجموعه ای از حسگرها برای دریافت ولتاژ و سایر داده ها تحت شرایط شبیه سازی استفاده شده است که ‏شامل خطا در مدارات کوتاه و مدارات باز است. روش پیشنهادی شامل متغیرهای اساسی مانند: نوع خطا، ‏معماری جایگزاری حسگر و فاصله است که بوسیله داده های اخذ شده کنترل می شوند. ‏

روشها: این مقاله دو الگوریتم را نمایش می دهد: یک شبکه عصبی مصنوعی و یک سیستم استنتاج انطباقی ‏فازی-عصبی. هر دوی این الگوریتمها دارای پارامترهای زیادی هستند که نیاز به تنظیم دارند. هرچند مقدار ‏هرکدام از آنها بر روی کارآیی تاثیر می گزارد ولی هدف اصلی این مقاله نحوه استفاده از الگوریتمها است. ‏مراحل الگوریتمها در مقاله توضیح داده شده است. نتایج الگوریتمها به همراه داده های استفاده شده نشان ‏داده شده است.کارآیی بدست آمده تحت متغیرهای شرایطی فراخوانده شده در فاصله 200 تا 800 متری ‏قابل اعتبار هستند. ‏

یافته ها: نتایج شبیه سازی نشان می دهد که طبقه بندی ‏ANFIS‏ دارای درستی بهتری در طبقه بندی ‏‏(97%) و خطای کمتری در تقریب فاصله (0.5%) است. هردو الگوریتم ‏ANN‏ و ‏ANFIS‏ بسیار سریع ‏آموزش می بینند (1‏‎ ms‏) بعلاوه ‏ANFIS‏ پایداری بیشتری دارد. نتایج حاصل از این یافته ها، با یکدیگر ‏مقایسه شده است.‏

نتیجه گیری: طرحی که نمایش داده شده است مقاوم، قابل محاسبه خطا در سیستمهای مدیریت بلادرنگ ‏و قابل تجمیع حسگرها در یک شبکه توزیع قدزت را دارد. ‏

چکیده تجارت سیار به عنوان دستاورد جدیدی از خدمات تجارت الکترونیک، دارای مزایای متعدد و منحصر به فردی همچون، دسترس پذیری، موضع یابى، فوریت، قابلیت،  شخصی سازی و شناسایی می باشد. امروزه اغلب کسب و کارها بکارگیری تبلیغات اجتماعی تلفنهای همراه را به عنوان اصلی ترین راه جهت کمک به ارتباط با مشتریان به منظور دست یابی به اطلاعات و ارتقای آن در نظر گرفته اند. شرکتهای کسب و کار محور از سرویس‌های اینترنتی و شبکه های اجتماعی به منظور حمایت از محصولات خویش و یا خدمات دهی به مشتری به عنوان انتخابی جدید استفاده می کنند. جاگذاری تبلیغات لحظه ای و به روز در وب سایت‌های شبکه­های اجتماعی عامل  مزیت رقابتی در افزایش حجم بازدید مشتریان خواهند شد. تجارت سیار دارای ابعاد، مولفه های عملیاتی، کارکردها و مدل های پذیرش مختلفی است که در این مقاله قصد داریم به این جنبه ها بپردازیم.

چکیده  
امروزه رایانش ابری به دلیل خدمات انعطاف پذیر و ویژگی برجسته مبتنی بر پرداخت خدمات به میزان استفاده، انتخاب و برگزیده هر سازمان مبتنی بر فناوری اطلاعات و ارتباطات است. برخی شبکه­های مبتنی بر رایانش ابری به علت فقدان زیرساخت ثابت و مدیریت متمرکز با چالشهای امنیتی مختلفی روبرو هستند. با این وجود، امنیت و حریم شخصی سیستمهای رایانش ابری به دلیل معماری توزیع شده­ی آنها و آسیب پذیری در برابر ورودی­های ناخواسته مشکل اساسی رایانش ابری است. نقش سیستمهای شناسایی حمله­های ناخواسته در امنیت ابر بسیار مهم است زیرا مانند یک لایه­ی پیشگیرانه­ی امنیتی عمل می­کند و علاوه بر شناسایی حمله­های شناخته شده می­تواند بسیاری از حمله­های ناشناخته را کشف کند. در این مقاله قصد داریم این سیستم های را بررسی نموده و رویکردهای مقابله با چالش نفوذ در خدمات رایانش ابری را توصیف نمائیم.