روش های کالبد سنجی (مقاله رایگان pdf)

چکیده

       امروزه اکثر سیستم های کامپیوتری از ID و رمز عبور کاربران به عنوان الگوهای دخول به سیستم استفاده می کنند تا کاربران را تصدیق نمایند. بهرحال، برخی از افراد الگوهای دخول به سیستمشان را با همکارانشان به اشتراک می گذارند و از این همکاران درخواست کمک در کارها را دارند، لذا این الگو را تبدیل به یکی از ضعیف ترین نقاط امنیت کامپیوتر می نماید. مهاجمان داخلی، کاربران معتبر یک سیستم هستندکه از داخل به سیستم حمله می کنند و چون اکثر سیستم های شناسایی تهاجم، شناسایی دیوارهای آتش و جداسازی رفتارهای مخرب تنها از خارج دنیای سیستم اجرا شده اند، شناسایی این مهاجمان داخلی سخت می باشد. علاوه بر این، برخی از مطالعات مدعی هستند که تحلیل تماس های سیستم (SCs) که با دستور تولید شده اندف می تواند این دستورات را شناسایی کند تا بوسیله ی آن حمله ها را دقیقا مشخص نماید. لازم به ذکر است که الگوهای حمله، ویژگی های یک حمله هستند. بنابراین، در این مقاله، یک سیستم امنیت، با نام شناسایی تهاجم داخلی و سیستم حفاظت (IIDPS) ارائه شده است تا عادات استفاده ی کاربران را به عنوان ویژگی های کالبد سنجی آنها رهگیری کند و بوسیله ی مقایسه ی رفتارهای مصرف کاربر با الگوهای جمع شده در پروفایل شخصیِ نگه دارنده ی حساب، مشخص نماید که نگه دارنده ی حساب یک کاربرِ معتبر وارد شده به سیستم است یا نه. نتایج تجربی نشان می دهد که دقت شناسایی کاربر IIDPS برابر با 94.29% است، در حالیکه زمان پاسخ کمتر از 0.45s است. این مسئله نشان می دهد که IIDPS می تواند یک سیستم محافظت شده را به طور موثر و کارآمد از حمله های خودی محافظت نماید.

طراحی چیدمان تسهیلات (مقاله رایگان pdf)

چکیده

         در این مقاله یک روش تحلیل پوششی برای داده های فازی شبیه سازی شده به صورت فازی یکپارچه (FDEA) –فرآیند تحلیلی سلسله مراتبی (AHP) برای مقابله با مشکلات طراحی جریان طرح بندی(FSFLD) با ورودی ها و خروجی های غیر فطعی ارائه شده است.ورودی ها و خروجی های غیر قطعی به عنوان عملیات،کیفی، و شاخص های وابسته غیر واضح مطرح می شوند.در ابتدا طرح های امکان پذیر پیشنهاد شده به وسیله یک بسته نرم افزاری تولید می شود. سپس ، AHP فازی برای سنجش وزن کیفی داده های غیر واضح مورد استفاده قرار می گیرد(نگهداری،در دسترس بودن،و انعاف پذیری).سپس شبیه سازی فازی را می توان برای ترکیب عدم قطعیت با زمان پردازش در فلو شاپ(Flow shop) با در نظر گیری تمامی گزینه های طرح بندی تولیدی با ورودی نا مشخص مورد استفاده قرار داد.خروجی شبیه سازی فازی یا شاخص های عملیاتی نا مشخص عبارتند از ،میانگین زمان انتظار در صف، میانگین زمان حضور در سیستم، و میانگین استفاده از ماشین آلات است.در نهایت ، FDEA برای یافتن طرح مطلوب جایگزین در میان تمامی جایگزین های ممکن و با توجه به شاخص های عملیاتی، کیفی و شاخص های وابسته به طرح (مانند فاصله،مجاورت و نسبت شکل) مورد استفاده قرار می گیرد.روش یکپارچه این مطالعه دقیق تر و کارآمد تر از مطالعات قبلی با ورودی های مبهم است.همچنین در این مقاله تجزیه و تحلیل جامعی در مورد مشکلات FSFLD با استفاده از شاخص های عملیاتی، درونی، فازی آورده شده است.اعتبار سنجی و تایید نتایج با استفاده از  DEA برای تجزیه و تحلیل مولفه های اصلی، و طبقه بندی عددی انجام شده است.ویژگی منحصر به فرد این مطالعه توانایی مقابله با ورودی ها و خروجی های متعدد غیر قطعی می باشد.همچنین از برنامه نویسی ریاضی فازی برای بهبود  طرح های پیشنهادی مطلوب استفاده شده است.علاوه بر آن این یک ابزار عملی است و می توان آن را بر روی نمونه های واقعی با در نظر گیری جنبه های نامشخص فرآیند تولید در داخل مشکلات FSFLD  به کار برد.

بیماران قلبی (مقاله رایگان pdf)

چکیده

        این پژوهش به مشکل زنجیره مراقبتهای اورژانسی در روند بیماران قلبی بستری شده می پردازد. هدف اولیه تعیین تعداد بهینه تختهای تخصیصی است با داشتن تعداد حداکثر بیمارانی که از امکان پذیرش آنها وجود نداشته است. هدف دیگر ارائه دید عمیقتری نسبت به ارتباط بین اختلاف طبیعی بین ورود بیمار و طول مدت اقامت آنها می باشد.تاکید اصلی بر نشان دادن دید غیر واقعی مدیریت بیمارستان در مورد میزان افزایش نرخ اشتغال تخت است. مقرون به صرفه بودن آن نباید نادیده گرفته شود. یک نتیجه مهم آن اینست که عدم پذیرش در کمکهای اولیه قلبی (FCA)از عدم وجود تختهای مراقبتی ناشی می شود. تغییرات هم در LOS و هم نوسانات تعداد ورود بیمار منجر به تفاوت بسیار زیاد در حجم بار کاری می شود. تکنیکهای تحقیق در عملیات به طور موفقی برای توضیح پیچیدگی و دینامیک در روند بستری اورژانس استفاده شده است. 

تصمیمات پرسنل (مقاله رایگان pdf)

 ما یک مدل چندصفتی به نام WholeSoldier Performance را ارائه می دهیم که عملکرد سربازان تازه وارد در ارتش ایالات متحده را اندازه گیری می کند؛ در حال حاضر هیچ سیستم ارزیابی عملکرد رسمی در محل وجود ندارد. این برنامه کاربردی برای تجزیه و تحلیل تصمیم گیری منحصر به فرد است که در آن ما از یک مقیاس ساخته شده مشترک و تابع مقادیر تک بعدی به منظور مطابقت با چارچوب طبیعی کاربران مدل و بر اساس نگرانی های عملکرد، برای همه صفات استفاده می شود. علاوه بر این، ما اعتبار مدل را برحسب تجزیه و تحلیل تصمیم گیری و روان سنجی در مدل هایی که برای ارزیابی های مکرر و معمول استفاده می شوند و در نتیجه مقادیر قابل توجهی از داده ها را تولید می کنند مورد بحث قرار می دهیم. ما تجسم داده ها را برای استفاده به منظور حمایت از تربیت و تصمیم گیری های بهتر برای تعلیم، تعیین ، حفظ، ترویج پرسنل و پرسنل فعلی جداگانه برجسته می نماییم. سرانجام، با ارائه یک روش برای استانداردسازی رتبه بندی و در نظر گرفتن مسئولیت ارزیاب ها برای تربیت زیردستان و همچنین شناسایی عملکرد آنها برای های سازمان بزرگتر، به نگرانی های مشترک فرهنگی مربوط به ارزیابی عملکرد در سازمان می پردازیم.

بردارهای پشتیبان (مقاله رایگان pdf)

چکیده

       در یک دسته بندی SVM (ماشین بردار پشتیبان) افزایشی، داده های با بردارهای غیر پشتیبان عنوان بندی می-شوند( لیبل گذاری) که توسط دسته قبلی به عنوان داده های تمرینی در دسته بعدی همراه با داده های تایید شده توسط شرط KarusheKuhneTucker (شرایط کان تاکر) مورد استفاده قرار گرفته می شوند. این مقاله استراتژی نیمه تقسیم بندی انتخاب و حفظ بردارهای غیرپشتیبان از افزایش فعلی دسته بندی- که به عنوان بردارهای پشتیبان مناسب نامگذاری شدند(CSV)- را پیشنهاد می دهد که به احتمال زیاد به بردارهای پشتیبان در توسعه دسته بعدی تبدیل می شوند. همچنین این کار تحقیقاتی الگوریتمی را طراحی می کند که به عنوان بردار پشتیبان مناسب نامگذاری می شود که براساس الگوریتم SVM (CSV-ISVM) افزایشی می باشد به طوریکه استراتژی پیشنهادی را پیاده سازی می کند و کل فرایند دسته بندی SVM افزایشی تحقق می بخشد. این کار نیز تغییراتی را برای روش حلقه متمرکز پیشنهاد شده قبلی و استراتژی دسته معکوس پیشنهاد می دهد. عملکرد روش پیشنهادی با آزمایشات و همچنین مقایسه آن با تکنیکهای SVM دیگر ارزیابی می شود. نتایج تجربی و تحلیل عملکرد نشان می دهند که برای کشف نفوذ شبکه در زمان واقعی الگوریتم پیشنهادی CSV-ISVM از دسته بندی-های کلی ISVM بهتر می باشد.

نگاشت و کاهش (مقاله رایگان pdf)

چکیده 

     با توسعه تکنولوژی رایانه، افزایش قابل توجهی در رشد داد ه ها وجود دارد. دانشمندان با توجه به مقدار میزان افزایش نیازهای پردازش داده ها که در حوزه علم ایجاد می شوند همیشه غرق هستند. یک مسئله بزرگ در زمینه های مختلف استفاده از داده های با مقیاس بزرگ وجود دارد و این مسئله همیشه با پشتیبانی تصمیم-گیری مواجه است. داده کاوی تکنیکی است که می تواند الگوهای جدیدی را از مجموعه کلان داده ها پیدا کند. در طی این سال ها تمام زمینه های کاربردی مورد مطالعه و بررسی قرار گرفتند و بسیاری از روش های داده کاوی را توسعه داده اند. اما در سال های مقدار زیادی از داده ها، محاسبات و تجزیه و تحلیل آنها به طور قابل توجهی افزایش یافته اند. در چنین موقعیتی، اکثر روش های داده کاوی در عمل برای دسترسی به چنین کلان داده هایی از دسترس خارج شدند. الگوریتم موازی/همزمان و تکنیک های پیاده سازی به طور موثر کلید ارزیابی مقیاس پذیری و عملکرد مورد نیاز در تجزیه و تحلیل کلان داده ها در مقیاس بزرگ می باشند. تعدادی از الگوریتم های موازی دارای تکنیک های مختلف پیاده سازی هستند و می توانند: از نگاشت کاهش، MPI، بندها، و mash-up یا گردش کار که دارای ویژگی های عملکردی و قابلیت های متفاوتی هستند استفاده کنند. مدل MPI به طور موثر در محاسبه مسئله، به ویژه در شبیه سازی به دست می آید. در حقیقت استفاده از آن کار ساده ای نیست. نگاشت کاهش از یک مدل تجزیه و تحلیل داده ها در زمینه بازیابی داده ها است و به صورت فناوری ابر توسعه پیدا کرده است. تاکنون، چندین معماری نگاشت کاهش برای دست زدن به کلان داده ها توسعه پیدا کرده اند. معروف ترین آنها گوگل است. یکی دیگر از ویژگی های هادوپ این است که محبوب ترین نرم افزارها، نرم افزار منبع باز نگاشت کاهش است و توسط بسیاری از شرکت های فناوری اطلاعات مانند یاهو، فیس بوک، eBay و غیره مورد پذیرش قرار گرفته است. در این مقاله، ما به طور خاص روی هادوپ و اجرای موثر نگاشت کاهش به منظور تحلیل پردازش تمرکز می کنیم. 

1. مقدمه 

      سازمان ها از چندین مقادیر که داده های ساختاری بسیار دشواری دارند و از تکنولوژی DBMS برای پردازش و تجزیه و تحلیل داده ها استفاده می کنند. این نوع مسئله با شرکت های مبتنی بر وب مانند فیس بوک، یاهو، گوگل و لینکدین همیشه مواجه است و نیاز به پردازش داده های با حجم بسیار زیاد و هزینه کافی مستر (ارباب) دارند. تعداد زیادی از این سازمان ها سیستم های غیر  رسمی خود را برای غلبه بر این موضوع توسعه داده اند. به عنوان مثال، گوگل، نگاشت کاهش و سیستم فایل گوگل را توسعه داده است. همچنین یک سیستم DBMS به نام بیگ تیبل (جدول بزرگ) نیز ساخته شده است. امکان جستجو در میلیون ها صفحه نیز وجود دارد و نتایج در آن به صورت میلی ثانیه یا کمتر به منظور کمک به الگوریتم هایی که هر کدام از سرویس های جستجو را در یک چارچوب نگاشت کاهش گوگل به ارمغان می آورند برگردانده می شوند ]1[. این یک مسئله چالش برانگیز در تحلیل داده های بزرگ نیز است. کلان داده ها برای کار کردن بسیار بزرگ هستند و بنابراین یک کار بزرگ برای تجزیه و تحلیل کلان داده ها انجام می شود. تکنولوژی های موجود در تجزیه و تحلیل کلان داده ها به سرعت در حال تکمیل شدن هستند و به طور قابل توجهی علاقه زیادی به رویکردهای تحلیلی مانند هادوپ، نگاشت کاهش و Hive و توسعه نگاشت کاهش در برابر ارتباط DBMS دارند.

      استفاده از چارچوب نگاشت کاهش به طور گسترده در جهت مقابله با کلان داده ها بسیار موثر بوده است. در چند سال گذشته، نگاشت کاهش به عنوان رایج ترین نمونه محاسباتی موازی، تحلیل کلان داده ها به نظر می-رسید.

این مقاله در نشریه الزویر منتشر شده و ترجمه آن با عنوان نگاشت و کاهش در سایت ای ترجمه به صورت رایگان قابل دانلود می باشد. جهت دانلود رایگان مقاله فارسی و انگلیسی روی عنوان فارسی (آبی رنگ) کلیک نمایید.
منبع:

MapReduce: Simplified Data Analysis of Big Data

بررسی هادوپ (مقاله رایگان pdf)

چکیده

      تجزیه و تحلیل کلان داده ها و مقدار زیادی از داده ها در سال های اخیر به یک بینش جدید تبدیل شده اند. روز به روز داده ها با سرعت چشمگیری در حال رشد هستند. یکی از تکنولوژی های کارآمد و موثر که با کلان داده-ها برخورد می کند هادوپ است و در این مقاله آنها را مورد بحث و بررسی قرار می دهیم. هادوپ، برای پردازش از کلان داده ها، که از مدل زمانبندی نگاشت کاهش است استفاده می کند. هادوپ از زمانبندی های مختلفی برای اجرای موازین شغلی استفاده می کند. زمانبندی به طور پیش فرض (First In First Out) زمانبندی FIFO است. زمانبندی با گزینه های مختلف پیشدستی و غیرپیشدستی توسعه پیدا می کند. نگاشت کاهش از محدودیت هایی که دست پیدا کرده است عبور می کند. بنابراین برای غلبه بر محدودیت های نگاشت کاهش، نسل بعدی نگاشت کاهش با عنوان YARN توسعه پیدا می کند (منابع انتقال دهنده دیگر). بنابراین، این مقاله یک بررسی از هادوپ، و استفاده از چند روش زمانبندی و به طور مختصر مقدمه ای بر YARN را ارائه می دهد. 

کلان داده ها (مقاله رایگان pdf)

چکیده

      استفاده روز افزون از سیستم های فعال شده اینترنت (IOT) منجر به مقادیر فراوانی از داده ها با ساختارهای مختلف شده است. اکثر راه حل های کلان داده ها در بالای سیستم اکو هادوپ یا از سیستم  فایل توزیع شده (HDFS) استفاده می شوند. با این حال، بررسی های ناکارآمدی در این سیستم در هنگام برخورد با داده ها نشان داده شده اند. برخی از تحقیقات این مسائل را برای نوع خاصی از داده های گراف برطرف می کنند، اما امروزه اطلاعات بیشتری از داده ها قابل دسترس هستند. چنین مسائلی مربوط به عملکردهایی می شوند که منجر به مسائل بزرگی از جمله فضای بزرگ تر مورد نیاز در مراکز داده، و از بین رفتن منابع (مانند مصرف انرژی)، و مشکلات زیست محیطی (مانند انتشار بیشتر کربن) نیز می شود. ما یک ماژول اطلاعاتی را برای سیستم اکو هادوپ ارائه می دهیم. ما همچنین یک روش رمزگذاری توزیع شده را برای الگوریتم های ژنتیک ارائه می دهیم. چارچوب ما این امکان را می دهد تا هادوپ بتواند توزیع داده ها و قرار دادن آنها براساس تجزیه و تحلیل داده های خوشه ای را مدیریت کند. ما قادر هستیم طیف گسترده ای از انواع داده ها را مدیریت کنیم و همچنین قادر هستیم زمان استفاده از منابع پرس وجو را بهینه کنیم. ما آزمایش هایی را که در مجموعه داده-های متعدد انجام شده اند را از طریق LUBM ایجاد می کنیم.  

مدیریت داده های بیمار (مقاله رایگان pdf)

چکیده 

      زمان یکی از سخت ترین جنبه های برای رسیدگی در  برنامه های کاربردی در دنیای واقعی ، به ویژه در سیستم های پایگاه داده است. سیستم های مدیریت پایگاه داده نسبی پیشنهاد شده توسط Codd پشتیبانی بسیار کمی از مدیریت داده های متغیر با زمان و نظریه معناشناسی موقتی ارائه نموده اند. بسیاری از الحاقات موقتی برای مدل نسبی پیشنهاد شده اند و برخی از آنها نیز اجرا می شوند. سیستم پیشنهادی مبتنی هستی شناختی برای اصطلاحات مراقبت از سلامتی شامل اطلاعات حیاتی بیماران، فعالیت ها و همچنین داده های درمان است. ما یک مدل مفهومی موقتی را برای هدایت ویژگی های متغیر با زمان در مدل پایگاه داده نسبی با ویژگی های موقتی حداقل پیشنهاد خواهیم داد. تعریف، مدیریت مدل ارائه شده آسان است و ویژگی های مهم را در مدل نسبی موقتی هدف می گنجاند. علاوه بر این ما باید پیاده سازی مدل را بر اساس اطلاعات بیمار را توضیح دهیم و همچنین تجزیه و تحلیل مورد نیاز را ارائه دهیم: گردش کار برای مدیریت بیماران در محیط بیمارستان. در پاسخ به افزایش هزینه مراقبت های بهداشتی، قابل اعتماد بودن ، حفظ حریم خصوصی ، امنیت و تغییر انتظارات در مورد کیفیت مراقبت های بهداشتی ، مدیریت داده ها در بهبود خدمات بهداشتی بسیار مهم است.

مسیریابی حمل و نقل (مقاله رایگان pdf)

چکیده

      اقدامات ایمنی جایگزین (SSMs) به طور گسترده ای برای ارزیابی پتانسیل تصادف انجام شده است، که برای توسعه اقدامات موثر ایمنی ضروری  است. بر خلاف SSM های موجود، که عمدتا بر ارزیابی مانور خودروی طولی تمرکز می کند، آن منجر به  تصادف پشت به پشت می شود،  این مطالعه روش جدیدی را برای برآورد ریسک تصادف معرفی می کند در حالی که یک وسیله نقلیه تغییر مسیر می دهد، تحت عنوان شاخص ریسک تغییر مسیر (LCRI) .  اشاره می شود. یکی از ویژگی های جدید روش پیشنهادی، ترکیب مقدار زمان قرار گرفتن آن در معرض  خطر احتمالی تصادف و میزان شدت سقوط انتظار با استفاده از تجزیه و تحلیل درخت خطا (FTA) برای ارزیابی ساختار است. تعاملات خودرو بین یک وسیله و وسایل نقلیه مجاور در خط شروع و خط هدف، از نظر احتمال تصادف  در طول  احتمال تصادف مورد بررسی قرار می گیرد. داده های مسیریابی خودرو از یک جریان ترافیکی حاصل شده که این اطلاعات  با استفاده از یک هواپیمای بدون سرنشین در یک  آزادراه عکس گرفته شده است، که آن برای بررسی کاربرد روش پیشنهادی استفاده می شود. این مطالعه ویژگی های تغییرات خطی اجباری و اختیاری مشاهده شده در بخش منطقه کار و یک بخش عمومی از آزادراه را با استفاده از LCRI مقایسه می کند. انتظار می رود که نتیجه این مطالعه در ارزیابی اثربخشی عملیات ترافیکی مختلف و استراتژی های کنترل از نظر ایمنی تغییر مسیر ارزشمند و مفید خواهد بود.