Alireza Abdollahpouri

This research investigates the application of Graph Neural Networks (GNNs) as a novel approach to address the complex challenge of anti-money laundering (AML). By leveraging the inherent graph structure of financial transaction networks, GNNs offer the potential to identify intricate patterns indicative of fraudulent activities that traditional machine learning methods may overlook. The study focuses on a comparative analysis of four prominent GNN architectures—AGIN, GIN, Graph SAGE, and GAT—to assess their efficacy in discriminating between legitimate and fraudulent transactions. A real-world AML dataset was employed to train and evaluate the GNN models. The results demonstrate the superior performance of the AGIN model, achieving a notable accuracy of 0.9215, precision of 0.9348, recall of 0.9768, and AUC of 0.7787, significantly outperforming the other models. To enhance model performance, graph-based features, including node-level and graph-level metrics, were extracted and integrated into the feature space. These features provided valuable insights into the structural characteristics of the transaction network, enabling the models to capture complex relationships and patterns. To address the imbalanced nature of AML datasets, the NearMiss under sampling technique was employed to mitigate the impact of class imbalance on model performance. By balancing the distribution of fraudulent and non-fraudulent transactions, the study aimed to improve the models' ability to accurately identify suspicious activities. The findings of this research contribute significantly to the advancement of AML detection technologies. By demonstrating the effectiveness of GNNs in capturing complex patterns within financial transaction networks, this study offers valuable insights for financial institutions, law enforcement agencies, and policymakers in their efforts to combat money laundering. The proposed framework provides a foundation for future research and development in this critical area.

Graph Neural Networks (GNNs) have proven to be highly effective for various graph-related tasks, including link prediction. However, most existing GNN-based methods are designed for single-layer graphs, which include only nodes and links of a single type. This limitation poses a significant challenge, as many real-world applications, such as social networks, involve multilayer graphs with multiple types of edges between nodes. Addressing the need for effective multilayer link prediction is crucial for better performance and insights in these complex networks. To tackle this issue, we have proposed a novel method for multilayer link prediction using GNNs. Our approach begins with transformation multilayer networks into flat network by leverages three different kinds of features: graph features, community features, and embedding features. By integrating these features with the most effective GNN model, we can capture the intricacies of multilayer graphs. We employ a Multilayer Perceptron (MLP) as the decoding mechanism, which enhances the prediction process. This methodology ensures a comprehensive analysis of the multilayer graph structure, facilitating more accurate link predictions. We evaluated our proposed model on six real-world multilayer datasets, demonstrating its effectiveness in handling the complexities of multilayer link prediction. Our results show that our model outperforms other existing models, highlighting its robustness and reliability. The successful application of our method to these diverse datasets underscores its potential for broad applicability in various real-world scenarios, marking a significant advancement in the field of graph-based machine learning.

In many cases, the end user is not the only beneficiary of a recommender system, and we must pay attention to the needs and expectations of other stakeholders as well. This challenge arises especially in multilateral platforms such as online markets that bring buyers and sellers together in one place. The examples presented show that in some areas, users are not the only beneficiaries and other people and companies are also involved in the decision-making process and carrying out interactions. This is important because an exclusive focus on the needs and preferences of the end user may lead to unfavorable results for other stakeholders. To solve this problem, the proposed method of this research is to present a multi-stakeholder recommender system using a multi-objective evolutionary algorithm based on analysis in order to evaluate the effectiveness of the solution and compare it with existing works, from the criteria of average absolute error, variety of products and presentation coverage. providers have been used, the results of the research showed that the proposed method compared to the multi-objective genetic algorithm in ML100K and ML1M datasets with values of 38.17% and 49.79% respectively for provider coverage, 17.41% and 18.62% higher values for product diversity. , and presented only 55.12% and 52.58% loss of accuracy compared to genetic algorithm, which shows the better performance of the proposed method. In other words, the proposed method has covered a larger number of providers so that it has increased the services and satisfaction of the providers and the diversity of the proposed products.

In order to achieve justice in recommender systems, there may be more than one local maximum or local minimum solution, all of which will not necessarily be the global optimum of the given problem. Although multi-objective optimization algorithms can be the solution to these problems, these algorithms have problems such as getting stuck in the local optimum due to early convergence and the lack of an efficient mechanism to deal with the constraint. To solve these limitations, social competitive optimization algorithms are presented. One of the presented new algorithms based on political social competition is the political optimization algorithm. The political optimization algorithm is a mapping of the main stages of politics, including the allocation of constituencies, party change, election campaigns, inter-party elections and parliamentary affairs. The purpose of presenting this research is to improve multi-stakeholder recommender systems based on political optimization algorithm. In order to validate the proposed solution, we performed sets of experiments on two sets of MovieLens 100 K and MovieLens 1 M data. As a proposed method, PO_RS was compared with multi-objective algorithms (genetic and analysis-based) as well as the collaborative refinement method. The evaluation criteria were the average absolute error, the amount of provider coverage and the criterion of product diversity, the prediction error of the proposed PO_RS method in the data set MovieLens 100K is equal to 50% and in the MovieLens 1M data set it is equal to 46.29%, which has a better performance than other methods that have errors above 60%, but has less diversity than other methods. Also, the balance of the proposed method in The MovieLens 100K dataset is at a decent 49.91%.

Graph-based tripartite systems and link prediction are considered innovative approaches in the field of content recommendation to users. These systems utilize the interactions among users, products, and features as a tripartite graph and recommend suitable content to users by predicting new links within this graph. Link prediction here refers to predicting the likelihood of connections between users and products. These models can effectively capture the complexity of various relationships within the graph and calculate the probability of connections between elements. This information assists recommendation systems in offering products related to users' preferences with higher accuracy. The objective of this research is to enhance a recommendation system for sequential products using the graph-based tripartite approach and link prediction. The results indicate that graph-based tripartite and link prediction recommendation systems show significant improvements in prediction accuracy, content diversity, and the delivery of sequential content compared to user and product-based systems. These enhancements are attributed to the capability of these systems to understand complex interactions between users and products, as well as improving the prediction of crucial links within the tripartite graph. Furthermore, it was evident that graph-based tripartite recommendation systems typically outperform in prediction accuracy and content diversity due to their unique capabilities in modeling complex relationships and features.

The recommender system is presented to face the problems caused by the large amount of information and helps its users to get closer to their goal faster among the huge amount of information and find the best one based on their personal preferences. One of the problems of traditional recommender systems is its user-centeredness; This means that they are designed to meet the needs of the end user. However, in some areas, users are not the only beneficiaries of the system. For example, in a movie recommender system, users, writers, directors, and actors are potential stakeholders. Most collaborative filter recommender systems suffer from popularity bias. Therefore, if the recommender system considers only user preferences, it is likely to overrepresent popular providers and underrepresent less popular providers. To address this issue, other stakeholders should be considered in ranked lists. In this research, we show that hypergraph learning has the natural ability to manage a multi-stakeholder recommendation task. A hypergraph can model high-order relationships between different types of objects, and thus naturally tends to generate recommendation lists with multiple stakeholders in mind. We make recommendations based on the weighting of different stakeholders with due care to increase the coverage of underserved stakeholders in the recommendation list. The results show that the proposed approach copes with the popularity bias and provides more fair recommendations with respect to authors, users, actors and directors in the two datasets MovieLens and FilmTrust, with the least loss of accuracy.

رایانش ابری به عنوان یک مدل محاسباتی مبتنی برابرمی‌باشدکه خدمات متنوع از جمله برنامه‌های کاربردی، محاسبات، شبکه و ذخیره‌سازی را برای کاربران فراهم می‌نماید. برای دستیابی کاربر به امنیت بیشتر داده‌ها، در دسترس بودن، اجتناب از قفل شدگی میزبان و ارائه خدمات مطابق با توافق‌نامه سطح خدمات، استفاده از چند ابر به جای یک ابر به عنوان یک راه‌حل مناسب و البته چالش برانگیز پیشنهاد می‌شود. با رشد و توسعه سریع سرویس‌های ابری، تعادل بار به یکی از چالش‌های کلیدی در محیط‌های چندابری بین محققان و صنعت تبدیل شده است. عدم رعایت تعادل بار منجر به نقض توافق‌نامه‌ سطح خدمات، کاهش نرخ درآمد و هدر رفت منابع می‌شود. بنابراین، ارائه دهندگان خدمات ابری برای استفاده موثر از منابع توزیع شده و کسب رضایت کاربران، به دنبال یک تعادل کارآمد بین منافع مالی خود و رضایت کاربر از طریق تعادل بار مناسب هستند. تاکنون الگوریتم-های زیادی برای مسئله تعادل بار در محیط‌های چندابری ارائه شده است که می‌توان آنها را به دو دسته متمرکز و غیر‌متمرکز تقسیم بندی کرد. الگوریتم‌های متمرکز، تمامی درخواست‌های کاربران توسط یک واحد مرکزی دریافت می‌شود. محدودیت اصلی این رویکرد، معضل نقطه شکست واحد و عدم مقیاس‌پذیری آن است. اما در الگوریتم‌های غیرمتمرکز، چندین واحد مسئولیت توزیع بار را بر عهده دارند. اگرچه الگوریتم‌های غیرمتمرکز مقیاس‌پذیرو تحمل‌پذیر شکست هستند اما با توجه به آنکه هر واحد به طور جداگانه بار دریافتی را توزیع می‌کند، برقراری تعادل بار در آن پیچیده‌تر و چالش ‌برانگیزتر است. ناهمگنی منابع، تنوع در قیمت‌گذاری و رعایت کیفیت سرویس می‌تواند پیچیدگی این مسئله را بیشتر کند. تمرکز این تحقیق روی مسئله زمان‌بندی کارها در محیط‌های چندابری می‌باشد. مشارکت اصلی ما شامل موارد زیر است. ابتدا، یک معماری توزیع شده جهت توزیع کارهای کاربران در محیط‌های چندابری ارائه می‌شود. سپس یک مدل بهینه‌سازی برنامه‌ریزی غیرخطی صحیح مختلط با هدف بهینه‌سازی سود ارائه‌دهندگان ارائه می‌شود. مدل ارائه شده به گونه‌ای است که در آن معیارهای کیفیت سرویس از دیدگاه کاربران و رعایت عدالت در بین ارائه‌دهندگان ابر در نظر گرفته شده است. در ادامه، یک الگوریتم ابتکاری غیرمتمرکز برای حل مسئله پیشنهاد می‌گردد. الگوریتم پیشنهادی شامل دو بخش توزیع بار بین ارائه‌دهندگان و زمان‌بندی کارهای ارسال شده به هر ارائه‌دهنده می‌باشد. در بخش اول به منظور توزیع بار متناسب بین ارائه‌دهنده‌ها، به هر ارائه‌دهنده یک وزن متناسب با میزان منابع در دسترس و هزینه خدمات آنها تخصیص داده می‌شود و بر اساس آن ارائه‌دهنده مناسب انتخاب می‌گردد. دربخش دوم با هدف کسب رضایت کاربران، تخصیص منابع به کارها بر اساس مهلت زمانی کارها انجام می‌شود. در نهایت، برای ارزیابی کارایی الگوریتم پیشنهادی از شبیه‌ساز CloudSimPlus 4.0 استفاده شده است. نتایج حاصل از انجام آزمایش‌های متنوع و گسترده نشان می‌دهد که الگوریتم پیشنهادی در مقایسه با سایر روش‌ها عملکرد به مراتب بهتری از نظر بهره‌وری منابع، رعایت کیفیت سرویس، سود بدست آمده و عدالت بین سود ارائه‌دهندگان برخوردار است.

امروزه وبسایتهای شبکه های اجتماعی به یک منبع غنی از داده های ناهمگون مبدل شده است؛ ازاینرو تجزیه و تحلیل این دادهها میتواند منجر به کشف اطلاعات و روابط ناشناخته در این یک چالش مهم درزمینهی تجزیهوتحلیل دادههای » مشابه « شبکه ها شود. کشف جامعه متشکل از گره های شبکهه ای اجتماعی است، و بهطور گستردهای درزمینهی ساختار گرافی در این شبکهها موردمطالعه قرارگرفته است. شبکههای اجتماعی اینترنتی علاوه بر ساختار گرافی، حاوی اطلاعات مفیدی از کاربران درون شبکه میباشند؛ که استفاده از این اطلاعات میتواند منجر به بهبود کیفت کشف جوامع گردد. در این پایاننامه، برای تشخیص جوامع، از اطلاعات ارتباطی و اطلاعات محتوایی استفادهشده است. در این روش ابتدا با کاوش الگوی تکرارشونده، الگوهای پرتکرار را براساس عملیات کاربران پیدا میکند و جوامع کوچکی را تشکیل میدهد که هم ازنظر ساختاری و هم ازنظر عملیات مشابه باشند، سپس با انتشار برچسب، هر جامعه را با استفاده از ارتباطات اجتماعی و اطلاعات محتوایی گسترش میدهیم.

امروزه شبکه های پیچیده به طور گسترده و وسیعی برای توصیف سیستم های پیچیده مورد استفاده قرار می گیرد. روش های زیادی برای پیش بینی پیوند و استنتاج پیوند های ناموجود بر اساس توپولوژی شبکه موجود است، اما اثربخشی روش های پیش بینی پیوند فعلی اغلب به دلیل وجود نویز و یا پیوند های اشتباهی ( پرت) در شبکه های واقعی و همچنین تُنکبودن این شبکه ها کم بوده و در نوع خود محدود می باشند. از سویی دیگر، شبکه های دنیای واقعی حاوی اطلاعات سلسله مراتبی نسبتاً پیچیده ای با ویژگی های پنهان سطح پایین تر هستند. از این رو به دست آوردن اطلاعات چندلایه ای پنهان تر بر اساس روش های سطحی میسر نمی باشد. برای غلبه بر این چالش ها، ما دو روش پیشنهادی سطحی و عمیق برای پیش بینی پیوند بر اساس تجزیه ماتریسنامنفی خصمانه ارائه می دهیم که می توانند شبکه را با یک الگوریتم مبتنی بر آموزشی خصمانه بازسازی نمایند. برخلاف روش های مرسوم پیش بینی پیوند مبتنی بر تجزیه ماتریس، که بر روی توپولوژی گراف یا نویز خاصی تمرکز دارند، مدل های پیشنهادی حملات خصمانه ای را در نظر گرفته که به صورت آموزش خصمانه از پیش تعریف شده می تواند در مقابل نویزهای مختلف پایداری کند و مقاومت مدل را افزایش بخشد. علاوه بر این، برای حفظ ساختار محلی شبکه و استخراج میزان شباهت گره ها و اعمال آن در فضای جدید با ابعاد کم، از الگوریتم همسایگان مشترک استفاده شده و به طور همزمان از یک منظم ساز با نرم فروبنیوس برای جلوگیری از بیش برازش مدل های پیشنهادی استفاده می کنیم. همچنین به هدف بهینه سازی و یادگیری پارامترهای مدل پیشنهادی یکروش بیشینه-کمینه ساز کارآمد را ارائه داده و از آن بهره می گیریم. بر اساس مشاهدات و نتایجی که در بخش آزمایشات نشان داده شده است روش های پیشنهادی بر روی مجموعه داده دنیای واقعی و AUC اعمال شده و با روش های پایه و نوین پیش بینی پیوند بر اساس دو معیار مقایسه شده که نتایج حاکی از عملکرد بهتر روش های پیشنهادی است.

درک وکنترل شبکه های پیچیده مختلف از اهمیت بسزایی در انتشار اطلاعات و اتصال شبکه برخوردار است. شناسایی گرههای تاثیرگذار، تعریف شده به عنوان گرههایی که بیشترین قابلیت انتشار، نسبت به سایر گره های شبکه را دارند یک مسئله مهم است که کاربردهای مهمی مانند شناخت و شبیه سازی انتشار بیماری کرونا دارد. بدین ترتیب همواره روشهای جدید و کارآمدتر برای یافتن گره های اثرگذار، پیشنهاد میشوند. در این پایان نامه، با کمک یک ایده کاربردی، استراتژی خاصی از پیشگویی پیوند به نام پیشگویی پیوند معکوس را برای امتیازدهی به گره های شبکه، مورد استفاده قرار گرفته است با روشهای امتیازدهی پایه در پیشگویی پیوند) همسایگان مشترک، ضریب جاکارد، آدامیک آدار و الحاق ترجیحی( آزموده شده است. همچنین به منظور ارزیابی کارایی روش پیشنهادی و مقایسه آن با جدیدترین روشهای برتر، از مدل اپیدمی حساس-آلوده و برای اندازهگیری همبستگی بین روش پیشنهادی و فرایند انتشار از ضریب تاوکندال در پنج مجموعه داده استاندارد، کاراته کلوب ، دلفین، فوتبال، جاز و ایمیل استفاده شده است. نتایج بدست آمده نشان دهنده آن است که روش پیشنهادی ما برای یافتن گره های اثرگذار، عملکرد خوبی را نسبت به روشهای مقایسهای در پژوهش دارد. همچنین روش پیشنهادی به دلیل دارا بودن روشهای امتیازدهی مختلف در پیشگویی پیوند، قابل اعمال به شبکه ها با ویژگیهای متفاوت جهان کوچک و مقیاس آزاد است. علاوه بر آن امکان بهبود عملکرد روش پیشنهادی با به کارگیری توابع امتیازدهی قویتر و روشهای پیشرفته تر پیشگویی پیوند، میسر است.

امروزه دستگاه های اینترنت اشیا در همه جا رایج هستند و تعداد آنها به سرعت در حال افزایش است. این دستگاه ها حجم عظیمی از داده ها را تولید می کنند که باید به طور کارآمد پردازش شوند. از آنجایی که بیشتر دستگاه های اینترنت اشیا قابلیت قدرت محاسباتی و منابع ذخیره سازی محدودی دارند، درخواست های کاربران برای پردازش باید به دستگاه های محاسباتی قویتری منتقل شوند. رایانش مه-ابر یک پلتفرم امیدوارکننده برای پردازش وظایف اینترنت اشیا با نیازهای مختلف تبدیل شده است. با این حال، به دلایل زیادی از جمله مشخصات مختلف درخواست های کاربران، ناهمگونی دستگاه های محاسباتی، فاصله زیاد سرورهای محیط ابر با دستگاه های اینترنت اشیا و ساختار توزیع شده و توپولوژی شبکه لایه مه، نحوه زمانبندی وظایف دستگاه های اینترنت اشیا در این محیط یک مسئله چالش برانگیز است. برای مقابله با این چالش ها، ما دو مسئله مختلف را مورد بررسی قرار داده ایم. در مسئله اول، هر درخواست به صورت مجموعه ای از وظایف مستقل در نظر گرفته شده است. در حالی که در مسئله دوم، هر درخواست دارای یک وظیفه است. سپس هر دو مسئله با استفاده از برنامه ریزی خطی صحیح مختلط با هدف بهینه سازی مصرف انرژی و زمان نقض مهلت فرموله سازی شده اند. برای حل مسئله اول، الگوریتم های فراابتکاری گرگ خاکستری و ملخ پیشنهاد شده اند. اما برای حل مسئله دوم، یک الگوریتم ترکیبی مبتنی بر استراتژی ابتکاری و الگوریتم ژنتیک پیشنهاد گردیده است. به منظور ارزیابی کارایی الگوریتم های پیشنهادی، آزمایش های متعددی در محیط متلب انجام شده است. نتایج پیاده سازی نشان می دهد که الگوریتم های پیشنهادی از نظر مصرف انرژی، زمان خاتمه، تعادل بار و رضایت کاربران به مراتب بهتر از رقیبان خود عمل می کنند. به طور خاص الگوریتم های گرگ خاکستری و ملخ به ترتیب 27.11 ٪ و 29.43 ٪ عملکرد تابع هدف مسئله اول را که از دو معیار زمان نقض مهلت و مصرف انرژی تشکیل شده است در مقایسه با الگوریتم پروانه بهبود می بخشند.

دغدغهی اصلی سازمانها و کسبوکارهای امروزی، سودآوری بیشتر از طریق کشف خصوصیات و سلایق پنهان مشتریان است. این موضوع به بازاریابی دقیقتری در راستای محصولات و همچنین وفادارسازی مشتریان منجر میشود. بر این اساس بازاریابی به موقع و دقیق از طریق داده های تولید شده در مراودات واقعی و تراکنشهای مالی، انجام میپذیرد. این کار به کشف دانش، درک و پاسخگویی صحیح به نیازهای مشتریان برمبنای اهداف تجاری کسب و کارها، کمک بسزایی مینماید. ارتباطی که از این طریق با مشتریان ایجاد میشود به کمک تکنیکهای نوین داده کاوی و کشف الگوهایی ارزشمند از رفتارهای مشتریان به منظور فروش و سود بیشتر، کسب رضایتمندی مشتری، ایجاد روابط مؤثر با مشتریان و در نتیجه ایجاد وفاداری در آنها، انجام میگردد. لذا میتوان گفت که داده کاوی و استفاده از تکنیکهای یادگیری ماشین راه را برای مدیریت بازاریابی مدرن در سازمانهای تجاری بیش از پیش فراهم آورده است. در تحقیق حاضر دو مدل متفاوت برای خوشه بندی مشتریان یک فروشگاه خرده فروشی با تعداد خوشه های بهینه ارائه گردیده است و نتایج خوشه بندی به لحاظ کیفیت، سنجیده شده اند. بر همین اساس خوشه ها به روش RFM به دسته های مختلف تقسیمبندی شده، و برای هر کدام از بخشهای مشتریان، برنامه های وفادارسازی مناسب تهیه و به مدیران بازاریابی پیشنهاد میگردد. مدیران بازاریابی بر اساس همین بخشبندی های واقعی میتوانند برنامههای دقیقتری در راستای وفادارسازی، اجرای کمپینهای تبلیغاتی، حفظ رضایت مشتریان، کسب سود و کاهش هزینه ها و همچنین جلوگیری از ریزش بازار تسخیر شده، پیشنهاد داده و اجرا نمایند.

Complex networks play an important role in modeling and analyzing complex systems such as the social system, biological system and information system. In real world, some networked systems can be better modeled as a multilayer structure, where there are relationships among nodes in multiple layers. Multilayer networks with similar nodes across layers are also known as multiplex networks. Various approaches have been introduced to predict links in networked structures, which can be generally categorized into two classes: similarity-based and learning-based. Link prediction in multiplex network is used to predict interlayer links between layers. Given the structure of a network, a link prediction algorithm obtains a rank of links and identify those that are likely to be spurious, which are established between two non-adjacent nodes between the layers of the network. Interlayer link prediction is used to predict links in one of the layers, taking into account the structural information of other layers. The proposed Interlayer link prediction method in multiplex network aims at identifying whether the accounts in different OSNs belong to the same person ,which may have different usernames, photographs, and profiles. We develop an algorithm that aims to predict links between nodes in high-order network structure and also to improving the accuracy and performance of interlayer link prediction. The algorithm offers the advantages of power-law degree distribution; they also can effectively associate with accounts belong to same user across different network layers. It also predicts link between nodes across different network layers. Experimental results on both synthetic and real-world networks confirm outperformance of the proposed method in terms of prediction accuracy in comparison with similar methods.

The hierarchical property of the DWT offers the possibility of analysing a signal at different resolutions (levels) and orientations. This multiresolution analysis gives both space and frequency localization, and different orientations extract different features of the frame, such as vertical, horizontal, and diagonal information. Through wavelet analysis, an original image can be decomposed into an approximate image LL and three detail images LH, HL and HH. Using wavelet analysis on the approximate image again, four lower-resolution sub-band images will be got, and among them, the approximate image hold most of the information of the original image, while the others contain some details such as the edge. Generally speaking, edges and textures will be represented by large coefficients in the high frequency sub-bands, and they are well localized within the sub-band. In practice, wavelet analysis is performed using multilevel filter banks. The DWT of an image has two parts: an approximation part (this is an image with smaller dimensions) and a detail part (this is a set of images with smaller dimensions containing the details of the original image). Hence the DWT gives the access to the details of the original image.

در سالهای اخیر گرایش محققین به کاوش و بررسی شبکههای پیچیده به شدت افزایشیافته است. این امر زمانی آغاز شد که محققین دریافتند که بسیاری از شبکه های پیچیده استخراج شده از سیستمهای مصنوعی و طبیعی، ویژگیهای مشترکی رادارند که آنها را از گرافهای تصادفی متمایز میسازد. یکی از مباحث مهم در نظریهی شبکهها بحث استحکام و امنیت در این شبکهها می باشد؛ بطوری که اخیراً پایداری شبکه در اثر شکست آبشاری 2 موردتوجه قرارگرفته است. در این نوع شبکه های ازکارافتاده، یک گره میتواند باعث ازکارافتادن گره های همسایه شده و این روند ازکارافتادن در پهنه بالایی از شبکه ادامه پیدا میکند. زمانی که به یک گره حمله 9 شود باعث میشود شبکه دچار اختلال شود وسپس، توزیع مجدد بار ممکن است شکست را گسترش دهد و باعث شکستهای آبشاری شود و کل شبکه را بهزانو درآورد. بررسی ها نشان داد که عوامل مختلفی در شکست آبشاری شبکه های پیچیده تاثیرگذار است که با وجود مشکل شکستهای آبشاری میتوان با طراحی بهتر و استراتژی مناسب کنترل شود. این پژوهش در همین راستا سعی نموده با بررسی عواملی مانند نوع حملات، بار اولیه گرهها، ظرفیت 4 گرهها، تعداد اتصالات و اندازه شبکه، تأثیرگذاری هرکدام در میزان ناپایداری و شکست آبشاری در شبکه را بررسی نماید. یکی از فاکتورهای مهم میزان شکست آبشاری درجه گره ها و میزان اتصال آنهاست به عبارت دیگر توپولوژی شبکه است که به عنوان ایده ضرایب آلفا و بتا در این پژوهش متغیر در نظر گرفته شده است. ایده بعدی که مورد بررسی قرار گرفت اندازه شبکه بود که چقدر می تواند در میزان شکست آبشاری تاثیرگذار باشد و شبکه را دچار اختلال کند که نتایج آزمایشات، کارآیی روشهای پیشنهادی و بهبود روشهای قبلی را نشان میدهد.

There are several obstacles against soil cultivation, which encourages indoor farming using techniques such as hydroponics, where the required nutrients are absorbed more efficiently. In the present study, a hydroponic system was designed for a very advantageous plant known as Arugula, which is highly sensitive to light intensity for its nitrate absorption to be controlled properly. The technique utilized for monitoring the growth environment was the Internet of Things, involving data transmission over the Internet with no need for human-computer interaction. The data collected by the sensors on the variables temperature, humidity, and light intensity were sent to a Raspberry Pi board via the Message Queuing Telemetry Transport communication protocol. After the sensed data were received, data analysis techniques were employed for specification of the differences between them and, hence, of the light with positive effects on the plant growth. For that purpose, the system was divided into seven boxes, each containing a number of LEDs of different colors providing artificial light, which were turned on and off twice a day, and there was also a control box only with sunlight. A total of 7878.5 packets, out of the 8,352 possible, were sent, which indicated a reliability of 94.33 percent. The maximum and minimum values reported by the sensors for the entire greenhouse included 32 and 9 for temperature, 95 and 22 for humidity, and 35605 and 0 for light intensity. The obtained data could be viewed on a web page on a daily, monthly, or real-time basis and for specific boxes.

در سال های اخیر اینترنت اشیاء بطور چشمگیری مورد توجه قرار گرفته است و طبق پیش بینی سیسکو تا سال 2025 تعداد دستگاه های متصل به اینترنت از 75 میلیارد دستگاه بالاتر می رود که این دستگاه های IoT در لحظه حجم زیادی از داده را تولید می کنند. برای پیشگیری از تنگناها و پردازش و ذخیره سازی این حجم عظیم از داده، رایانش ابری پیشنهاد شد که بازهم با مشکل تاخیر و امنیت اطلاعات روبرو بودیم. سپس برای حل برخی از این مشکلات پارادایم مه پیشنهاد شد که تا امروز تحقیقات بسیاری روی این روش صورت گرفته است اما هنوز با چالشهایی مواجه است. مساله جایابی سرویس یک مساله NP-Hard است. بنابراین بررسی بهترین استراتژی مکان یابی برای چنین زیر ساخت های بزرگی که شامل تعداد زیادی از دستگاه های IoT و گره-های مه هستند، و پشتیبانی از تعداد زیادی سرویس IoT ممکن است منجر به یک انفجار ترکیباتی شود (برحسب زمان پردازش و فضای حافظه). یک راه برای حل این مساله استفاده از شیوه های اکتشافی مبتنی بر روش های تقسیم و غلبه و روشهای فرااکتشافی مبتنی بر هوش جمعی می باشد. ما در این پایان نامه روشی ارائه می نماییم که منجر به کاهش تاخیر و هزینه برای تخصیص و استفاده از منابع می شود. برای این کار، در ابتدا شبکه گره های مه را با توجه به مقدار مرکزیت بینابینی یال ها، به زیرگراف های مختلفی تقسیم می کنیم و همزمان و به صورت موازی عملیات جایابی سرویس را انجام می دهیم. برای جایابی، گره هایی در داخل هر زیرگراف که دارای بیشترین مرکزیت نزدیکی هستند را بعنوان کنترل کننده انتخاب می کنیم. محاسبه تاخیر براساس کوتاهترین مسیر بین گره کنترل کننده و گره مورد نظر که جایابی در آن انجام شده صورت می گیرد. از سه الگوریتم اکتشافی که عبارتند از "ارتقا یافته اولین برازش"، " ارتقا یافته بهترین برازش" و " ارتقا یافته بدترین برازش" برای این کار استفاده می-کنیم. سپس جهت ارزیابی روش پیشنهادی، جایابی بر اساس اجرای الگوریتمهای مذکور را روی یک گراف مصنوعی و یک گراف واقعی اجرا نموده نتایج حاصل شامل تاخیر شبکه و درصد اتلاف منابع در سه استراتژی مذکور را مقایسه نمودیم. در نهایت روش های مذکور با سه نوع الگوریتم ژنتیک با معیارهای برازندگی متفاوت مدیریت تاخیر و منابع مقایسه شده است.

در طی سالهای اخیر رایانش ابری بیشتر مورد توجه قرار گرفته اند بدین جهت بسیاری از سازمانهای بزرگ مراکز داده را در جهت برآورده ساختن نیازهای خود به کار میگیرند. شبکه های مرکز داده عموماً مسیرهای ارتباطی زیادی بین هر جفت از میزبانها برای دستیابی به پهنای باند دو بخشی بالا برای الگوهای ارتباطی دلخواه دارند؛ با اینحال، پروتکلهای مسیریابی موجود پشتیبانی کمی از مسیریابی تطبیقی بار-حساس میکنند. از اینرو، ما الگوریتم پیشنهادی خود را ارائه می دهیم که یک الگوریتم متمرکز و مبتنی بر جریان است. سیستم ما برای هدایت جریانهای فیلی برنامه ریزی شده و برای جریانهای موشی از مکانیسمECMP استفاده میکند. الگوریتم ما با استفاده از سیستم متمرکز بر ترافیک کل شبکه نظارت کرده و با استفاده از جستجوی دو طرفهای که انجام میدهد میزان بار روی هر مسیر را سنجیده و در آرایه ای نگه میدارد؛ سپس، ترافیک را از مسیرهایی با بار زیاد به مسیرهایی با بار کم انتقال میدهد. این عمل مانع از بروز تنگنا در مسیرهای مرکز داده خواهد شد. آزمایشات گسترده نشان میدهد که در مقایسه با دیگر الگوریتمهای زمانبندی موجود از جملهECMP و Static ،DiFS مکانیسم ارائه شده ما میتواند گذردهی سیستم را بهبود بخشیده و تأخیر کمتری را داشته باشد و در تمامی الگوهای ترافیکی عملکرد بسیار بهتری از خود نشان میدهد.

پدیدههای جویی زیادی همانند مه، هیز، گردوغبار، میست، بارش و.. وجود دارند که باعت کاهش دید و یا افت کیفیت تصاویر دوربینهای ما میشوند. در سالهای اخیر پدیده گردوغبار مشکالت عمدهای را در بسیاری از نقاط دنیا بوجود آورده است. ذرات معلق شن، ماسه، نمک و یا خاک که بصورت تودهای عظیم به وسیله باد و یا جریانات کم فشار از سطح زمین ارتفاع گرفته و گاها تا هزاران متر باال میروند، که یکی از مشکالت عمده این پدیده جویی کاهش دید ناشی از آن میباشد. این ذرات همانند سدی در برابر انتقال مناسب نور بازتابش یافته از اجسام و نور محیط به لنز دوربین عمل میکنند. در سالهای گذشته کارهای زیادی با استفاده از قوانین فیزیک اپتیک در زمینه بهبود کیفیت و دید در تصاویر دارای پدیدههای جویی انجام شده است که عموما بر روی مه و یا هیز کار کردهاند اما روشهای ارائه شده قبلی در حالتی که گردوغبار باعث افت کیفیت تصاویر شده باشد جواب مناسبی را تولید نمیکنند زیرا اساسا ماهیت فیزیکی ذرات گردوغبار با هیز و مه بسیار متفاوت است. از این رو در این پژوهش ما روشی را ارائه دادیم که با استفاده از آن بتوانیم تصاویر دارای گردوغبار را بخوبی بازیابی کنیم. اساس روش ما در این کار، تخمین مناسب نور محیط و تابع انتقال با استفاده از قوانین فیزیک اپتیک و استفاده از یک فیلتر مناسب جهت برجسته سازی جزئیات در تصاویر میباشد. اگرچه کارهای زیادی در زمینه بهبود کیفیت تصاویر دارای گردوغبار انجام نشده است و چند کار محدود قبلی عموما با استفاده از روشهای فیلتر رنگ سعی در بهبود کیفیت اینگونه تصاویر داشتهاند اما روش ما با استفاده از قوانین فیزیک سعی در بازیابی اینگونه تصاویر را دارد میتوان گفت که این موضوع یک زمینه کاری جدید میباشد. هرچند تمرکز اصلی ما در این پژوهش بر روی تصاویر داری گردوغبار است اما نتایج آزمایشات و تصاویر بازیابی شده توسط روش ما در مقایسه با سایر روشها حذف هیز نشان میدهد که نتایج روش ما در زمینه حذف هیز نیز بخوبی عمل میکند و دارای قدرت زیادی میباشد. همچنین نتایج آزمایشات بر روی تصاویر دارای گردوغبار نشان میدهد که روش ما در مقایسه با سایر روشهای حذف گردوغبار بسیار مناسبتر عمل میکند. در ادامه کار به دلیل نبود تصاویر واحد گردوغبار با مقدار غلظت مشخص عددی، مدلی را جهت تولید گردوغبار بر روی تصاویر همگن نیز ارائه دادیم که با استفاده از آن میتوان مقدار گردوغبار مشخصی را با غلظت عددی تعیین شده به تصاویر دو بعدی اضافه کنیم که با استفاده از آن میتوان هر میزان غلظت دلخواه گردوغبار را به تصاویر اضافه نمود

ساختار جوامع یکی از خاصیتهای مهم شبکههای پیچیده است که کشف آن نقش عمدهای در درک ساختار توپولوژیکی شبکه داشته و در حوزههای بسیاری از جمله علوم اجتماعی، زیستشناسی و دیگر علوم کاربرد دارد. در سالهای اخیر تشخیص جامعه توجه بسیاری از محققان را به خود جلب کرده است. به طورکلی یک جامعه به مجموعهای از گرههای گراف گفته میشود که ارتباطاتشان با یکدیگر متراکمتر از بقیهی گرههای گراف است. تاکنون روشهای تکاملی بسیاری برای مسئلهی تشخیص جوامع ارائه شدهاند که با چالشهایی مانند ناتوانی در شناخت جوامع با اندازههای مختلف، دقت پایین و نیاز به تعداد واقعی جوامع بهعنوان دانش پیشین روبرو هستند.در این پژوهش دو روش تکاملی مبتنی بر الگوریتم ژنتیک، برای مسئلهی تشخیص جامعه پیشنهاد شده است. تا به حال تشخیص جامعه به عنوان یک مسئله تکهدفه یا چندهدفه در رویکردهای مبتنی بر تکاملی مطرح شده است، ازآنجایی که هر هدف، جنبه ای از ویژگی شبکه را پوشش میدهد، تحقیق در مورد این مسئله با بیش از دو هدف میتواند منجر به یافتن بهترین ساختار جامعه شود. در روش پیشنهادی اول، که بر تشخیص جوامع مجزا تمرکز دارد، مسئلهی تشخیص جامعه به عنوان یک الگوریتم بسیارهدفه فرموله شده و با بهینهسازی هم-زمان چندین هدف سعی در پیدا کردن ساختار دقیقتر جامعه شده است. در روش پیشنهادی دوم، یک الگوریتم تکاملی مبتنی بر مفهوم کلیک برای تشخیص جوامع هم پوشان در شبکه های پیچیده پیشنهاد شده است. نوآوری روش پیشنهادی دوم تغییر بازنمایی مورداستفاده در روش اول است بهگونهای که قابل اعمال بر شبکههای همپوشان نیز باشد. هیچ یک از دو روش پیشنهادی نیازی به دانستن تعداد واقعی جوامع بهعنوان دانش پیشین ندارند.اثربخشی روش پیشنهادی اول با یک الگوریتم تکهدفه و یک الگوریتم چندهدفه بر هردو مجموعه-ی مصنوعی و واقعی مقایسه شده است که نتایج حاکی از آن است که الگوریتم فوق در شبکه های مصنوعی در مجموع 80% موارد و در شبکه های واقعی 75% موارد نسبت به دو روش دیگر برتر بوده است. روش پیشنهادی دوم نیز با سه الگوریتم شناختهشدهی تشخیص جوامع همپوشان مقایسه شده است که نتایج آزمایشات روی شبکههای مختلف، دقت معقول و کارایی مناسب روش دوم را در هر دو شبکهی مصنوعی و واقعی تأیید میکند.

امروزه بعلت دسترسی آسان به اینترنت معامله در بورس آسان شده است. بنابراین افراد زیادی به این بازار روی آورده اند. بازار بورس علاوه بر این که فرصتهای زیادی در اختیار سرمایه گذاران میدهد، خطرات بزرگی هم برای آنها نیز دارد به خاطر نوسانات قیمتها که معلول عواملی مانند رشد شرکتها، سیاست خارجی کشور، سفته بازی، تورم و ... در صورت عدم تحلیل مناسب بازار بورس و سهام، سرمایه گذار دچار ضرر و زیان میشود. بنابراین، استفاده از ابزارهایی که بتوان بوسیله آن وضعیت کلی بازار، ارتباط شرکتها با یکدیگر، اثر شرکتها روی بازار، جایگاه شرکنها و گروههای صنعتی نسبت به یکدیگر را در بازار دید و بررسی کرد میتواند ریسک سرمایه گذاری را کم کند و به سرمایهذگذار این امکان را دهد که با دید بازتری سرمایه گذاری کند. نکته جالب این است قیمت سهام شرکتهای مختلف روی یکدیگر تاثیرگذار هستند به طوری که تغییر قیمت یکی ازآنها باعث تغییر قیمت سهام دیگر شرکتها میشود. در نتیجه شرکتها به یکدیگر وابستگی هستند. بنابراین یکی از ابزارهایی که در تحلیل بازار و شرکتها می تواند مفید باشد علم شبکه های اجتماعی است. شبکه اجتماعی سهم ها را بعنوان گره در نظر میگیرد و با استفاده از تکنیک های مختلف بین این گره ها ارتباط بر قرار میکند و سپس یک گراف را بوجود می آورد و بعد به کمک الگوریتم ها مختلف، میتواند بصورت های گوناگون، سهم ها را به گروه های مختلف تقسیم کند و با استفاده از این گروه بندی و به کمک شاخص های مرکزیت موقعیت یک سهم را نسبت به سهم های دیگر پیدا کند. با ثبت تغییر موقعیت گره ها در طول زمان می توان تاثیر عوامل مختلف روی بازار را بررسی نمود. همچنین با زیر نظر داشتن موقعیت یک صنعت در بازار و شاخص قیمت آن، میتوان تا اندازه ای رشد یا کاهش شاخص بازار بورس را حدس زد.

رشد روز افزون اطلاعات کاربران را ملزم به صرف هزینه و زمان زیادی برای پیدا کردن گزینه های موردعلاقه خود کرده است. از این رو برای کمک به انتخاب بهترین گزینه ممکن از میان حجم وسیع اطلاعات، سیستم های توصیه گر ظهور کردند. سیستم های توصیه گر درکاربردهای زیادی از قبیل تجاری، پژوهشی، پزشکی وگردشگری استفاده قرار می گیرند. یکی از مشهورترین سیستم های توصیه گر، سیستم های پالایش گروهی هستند که بر اساس شباهت رتبه دهی کاربران عمل می کنند. در سیستم های پالایش گروهی بکارگیری اطلاعات اجتماعی و به عبارت دیگر، اطلاعات مربوط به دوستان کاربر که به عنوان اطلاعات اعتماد شناخته می شوند، می توانند جهت ارائه توصیه های دقیق تر به کاربران مورد استفاده قرار گیرند. تجزیه ماتریس یکی از روش-های مبتنی بر مدل در سیستم های پالایش گروهی است. به علت تنکی داده ها برآورد دقیق مقادیر رتبه دهی های نامعلوم برای روش-های فعلی کار دشواری است. در این پایان نامه چهار روش جدید به منظور بهبود کارایی سیستم های توصیه گر مبتنی بر تجزیه ماتریس معرفی شده است. روش پیشنهادی اول با کاهش واریانس و به کارگیری خوشه بندی سبب بهبود تنوع و دقت در ارائه ی توصیه ها گردیده است. در روش پیشنهادی دوم ماتریس های فاکتور نهان کاربر و آیتم با روش تجزیه مقادیر منفرد برای مقداردهی شده اند که تنکی داده ها و مقیاس پذیری الگوریتم را پوشش داده است. روش پیشنهادی سوم با استفاده از شباهت کاربران مورد اعتماد، روش پیشنهادی دوم را بهبود داده است. در روش پیشنهادی چهارم با تعریف مفهوم درجه اعتماد در سیستم های توصیه گر مبتنی بر اعتماد،کارایی سیستم در بهبود دقت پیش بینی افزایش یافته است.

امروزه شبکه های اجتماعی به عنوان یک رسانه بسیار مهم، جهت گسترش اطلاعات، نوآوری ها، ایده ها و نفوذ میان افراد مورد توجه قرار گرفته اند. با وجود تعداد بسیار زیاد کاربران، چگونگی انتخاب کاربران مناسب جهت بازاریابی با کمترین هزینه و بیشترین سود، از اهمیت ویژه ای برخوردار است. روش های کنونی رتبه بندی، اغلب کاربرانی را به عنوان کاربر مؤثر انتخاب می کنند که از لحاظ موقعیت ساختاری بهتر هستند. این روش ها، تعاملات میان کاربران، شباهت و هزینه آن ها را در نظر نمی گیرند. در این پایان نامه، پنج روش پیشنهادی ارائه می گردد. در راهکار پیشنهادی اول، یک معیار مرکزیت جدید، ساده و کارا برای گراف شبکه های اجتماعی بزرگ، بدون جهت و بدون وزن ارائه می گردد، که در آن ابتدا گراف شبکه اجتماعی به بخش های کاملاً مجزا که هیچ ارتباطی با هم ندارند، تقسیم می شود و مهمترین کاربر در هربخش به صورت محلی شناسایی می شود. اساس روش پیشنهادی ذکر شده تزریق اطلاعات به بخش های مختلف گراف شبکه اجتماعی است، که در آن رتبه بندی بر اساس نقش پل بودن کاربران انجام می گردد. انتخاب کاربرانی که مقدار انتشار مشابه دارند ولی از لحاظ فردیت کاربران یکسانی را فعال می-کنند، یکی دیگر از ضعف های روش های قبلی است، لذا در راهکار پیشنهادی دوم، یک مدل بهینه-سازی یک و دو هدفه دقیق با بهره وری از مفهوم کمترین شباهت و بیشترین سود ممکن ارائه می شود، جهت کاربرد مدل ذکر شده در شبکه های اجتماعی بزرگ، فضای جستجوی مسئله به صورت گراف بازنمایی شده و مدل ذکر شده با ارائه روشی بر مبنای الگوریتم بهینه سازی کلونی مورچگان حل می-شود. با توجه به اینکه الگوریتم ارائه شده در راهکار پیشنهادی دوم فقط زمانی کاربرد دارد که تعامل میان کاربران موجود باشد، بنابراین در روش پیشنهادی سوم، الگوریتمی دو هدفه NSGA2 با تغییر توابع هدف، جهت کاربرد در شبکه های اجتماعی ساده، بدون وزن و بدون جهت ارائه می گردد. در راهکار پیشنهادی چهارم، یک مدل انتشار جدید جهت کاربرد در گراف های نفوذ با وزن منفی،که در آن میزان انتشار نودهای مثبت و میزان انتشار نودهای منفی در نظر گرفته می شود، ارائه می-گردد. در روش پیشنهادی پنجم، الگوریتمی نیمه محلی وزن دار بر روی گراف نفوذ ایجاد شده از تعاملات میان کاربران، ارائه می گردد و با مدل ارائه شده در راهکار پیشنهادی چهارم ارزیابی می-گردد. عملکرد ر

با رشد روزافزون مستندات متنی، انتخاب اطلاعات مطلوب در زمان محدود کار دشواری است. با استفاده از ابزارهایی نظیر خوشه بندی، می توان این حجم انبوه اطلاعات را مدیریت نمود. خوشه بندی فرآیندی است که در آن مجموعه ای از نمونه داده ها به گروه های مجزایی از خوشه ها تقسیم می شوند. به طوری که، نمونه های یک خوشه تا حد امکان به یکدیگر شبیه بوده و با نمونه های دیگر خوشه ها، متفاوت باشند. خوشه بندی در زمینه های بسیاری از جمله شناسایی الگو، یادگیری ماشین، داده کاوی و بازیابی اطلاعات کاربرد دارد. در این پایان نامه، چهار روش جدید خوشه بندی برای مستندات متنی ارائه شده است که در این روش ها به منظور انتخاب زیرمجموعه ی موثری از ویژگی ها، از روش کاهش بعد پراکندگی داده استفاده می شود. در روش پیشنهادی اول، یک تابع هدف جدید مبتنی بر خوشه بندی فازی به همراه آنتروپی وزن ویژگی ها ارائه شده است. وزن دهی در این روش به صورت سراسری است. از جمله مزیت های این روش می توان به بروزرسانی وزن ویژگی ها در طی فرآیند خوشه بندی و مقابله با نویز اشاره کرد. از آنجایی که در مسائل واقعی جهان، وزن هر ویژگی در خوشه های مختلف، متفاوت است، در دو روش پیشنهادی دوم و سوم، وزن دهی ویژگی ها به صورت محلی انجام می شود. لازم به ذکر است که تفاوت روش پیشنهادی دوم و سوم در معیار شباهتشان می باشد. در روش پیشنهادی سوم از معیار شباهت غیراقلیدسی استفاده می شود. این امر باعث می شود، در مواقعی که نویز بیش از اندازه وجود دارد، خوشه بندی با دقت بهتری انجام شود. در روش پیشنهادی چهارم از ترکیب الگوریتم زنبور عسل و وزن دهی سراسری استفاده شده است. بدین ترتیب، علاوه بر این که از مزایای الگوریتم های هوش جمعی بهره می برد، با وزن دهی ویژگی ها دقت خوشه بندی نیز بهبود پیدا می کند. عملکرد روش های پیشنهادی در مجموعه داده های عددی و متنی مورد ارزیابی قرار گرفته است. در این ارزیابی، عملکرد روش های پیشنهادی با 9 روش خوشه بندی شناخته شده و بر اساس معیارهای ارزیابی مختلف بررسی شده است. نتایج آزمایشات، کارایی روش های پیشنهادی و بهبود روش های خوشه بندی قبلی را نشان می دهند.

بسیاری از سیستم های واقع در جهان مانند شبکه های اجتماعی انسانی، شبکه های حمل ونقل، و اینترنت، به وسیله ی شبکه های پیچیده نمایش داده می شوند. این شبکه ها ویژگی های مهمی دارند. یکی از این ویژگی ها که توجه خاصی را به خود جلب کرده، ساختار جامعه است. در سال های اخیر، تلاش های تحقیقاتی به سمت شناسایی ساختار جوامع شبکه های پیچیده، افزایش یافته است. کشف ساختار جامعه، نقش عمده ای در درک ساختار توپولوژیکی شبکه دارد. این مسئله می تواند به استخراج اطلاعات مهم از شبکه، کمک کند. در این پایان نامه، دو روش جدید تشخیص جامعه ی ، مبتنی بر تغییریافته ی الگوریتم بهینه سازی ازدحام ذرات ارائه می شود. در روش اول، ابتدا مجموعه ای از راه حل های تصادفی تولید می شود. سپس راه حل ها در فضای جستجوی مسئله، با هدف بهینه کردن یک تابع کیفیت مناسب، حرکت می کنند. نوآوری ما در الگوریتم بهینه سازی ازدحام ذرات، تغییر استراتژی حرکت راه حل هاست. روش پیشنهادی دوم بر اساس استراتژی جستجوی روش پیشنهادی اول، ارائه شده است. در روش دوم، مفهوم بهینه سازی چندهدفه را به کار می بریم، که در آن دو تابع هدف مناسب انتخاب می-شود. سپس با استفاده از یک روش مناسب، به حل مسئله ی بهینه سازی چندهدفه می پردازیم. عملکرد روش پیشنهادی اول، با سه روش تشخیص جامعه ی دیگر مقایسه شده است. نتایج آزمایشات بر روی مجموعه داده های مصنوعی و واقعی، بهبود چشمگیری را ازنظر سرعت همگرایی و ماژولاریتی، در مقایسه با سه روش دیگر نشان می دهد. روش پیشنهادی دوم را با شش روش شناخته شده ی دیگر مقایسه کرده ایم. نتایج آزمایشات روی شبکه های مختلف، دقت بالای روش دوم را در شناسایی جوامع واقعی این شبکه ها تأیید می کند.

در سال های اخیر با رشد سریع تعدادکاربران اینترنت و ظهور برنامه های جدید، ترافیک اینترنت به شدت در حال رشد است. در نتیجه، مسئله شناسایی برنامه های روی شبکه به یک کار پیچیده تبدیل شده است. تشخیص و طبقه بندی جریان ها و برنامه ها روی ترافیک شبکه اینترنت نقش مهمی در امنیت و مدیریت شبکه دارد. به طور سنتی، تکنیک های طبقه بندی ترافیک به بازرسی مستقیم بسته های جریان وابسته هستند؛ مانند روش های مبتنی بر شماره های پورت شناخته شده و روش های بازرسی Payload. این روش ها محدودیت های بزرگی مانند استفاده از شماره پورت پویا به جای شماره پورت شناخته شده در روش مبتنی بر شماره پورت و Payload رمزگذاری شده در روش مبتنی بر بازرسی Payload دارند. تکنیک بعدی برای طبقه بندی جریان های ترافیک اینترنت، روش مبتنی بر رفتار میزبان های شبکه است. این روش به دلیل اینکه فرض می کند در هر لحظه تنها یک برنامه روی هر میزبان شبکه در حال اجرا است، ضعف بزرگی در طبقه بندی برنامه ها دارد. اخیرا، با توجه به محدودیت های روش های قبلی، از الگوریتم های یادگیری ماشین به منظور بهبود دقت طبقه بندی جریان های ترافیک اینترنت، استفاده شده است. الگوریتم های یادگیری ماشین با استفاده از اطلاعات آماری جریان ها روی بسته ها، توانایی بالایی در دسته بندی جریان های ترافیک اینترنت دارند. در اینجا، ما الگوریتم یادگیری ماشین جنگل تصادفی بهبودیافته که جزء الگوریتم های یادگیری تحت نظارت است را برای طبقه بندی برنامه های ترافیک اینترنت پیشنهاد کرده ایم. الگوریتم جنگل تصادفی بهبودیافته، یک طبقه بند گروهی است با مجموعه ای از درختان تصمیم که توسط مجموعه داده های تصادفی انتخاب شده، رشد می کنند. برای ارزیابی روش پیشنهادی از شش طبقه بند دیگر یادگیری ماشین شامل: الگوریتم شبکه عصبی چندلایه، ماشین بردار پشتیبان، درخت تصمیمC4.5، الگوریتم نزدیکترین همسایه، بیز ساده و جنگل تصادفی ساده برای مقایسه استفاده کرده ایم. عملکرد روش پیشنهادی را از نظر معیارهای ارزیابی مختلف مورد بررسی قرار دادیم. نتایج آزمایشات بر روی مجموعه داده جریان های ترافیک واقعی UNIBS نشان می دهد که روش پیشنهادی عملکرد بهتری نسبت به سایر الگوریتم ها ارائه می دهد و دقت طبقه بندی آن روی هرکدام از برنامه های مجموعه داده نسبت به سایر الگوریتم ها بالاتر است و میانگین دقت طبقه بندی روی همه ی

چکیده امروزه، تلویزیون یک رسانه محبوب و پرکاربرد است. با گسترش و پیشرفت علم، تلویزیون نیز تغییراتی را در خود مشاهده کرده است. از جمله این تغییرات، بهبود در اندازه، کیفیت و افزایش تعداد کانال ها است. علیرغم همه این پیشرفت ها، تلویزیون تنها رسانه ای بود که، همچنان یکطرفه باقی ماند و تنها ارتباط از سمت سرویس دهندگان به سمت سرویس گیرندگان، بود. کاربران تلویزیون، متمایل بودند همانند سرویس های اینترنتی، امکان تعامل با تلویزیون را داشته باشند. به همین دلیل، تلویزیون وارد دنیای جدیدی شد و توانست با استفاده از سرویس های اینترنتی، سیستمی جدید را به وجود آورد. این سیستم که IPTV، نامیده می شود، امکان ارتباط دو طرفه بین کاربر و تلویزیون را فراهم آورد. در این بین، تعداد و تنوع محتوای ارائه شده توسط تلویزیون نیز، افزایش یافت و همین امر سبب به وجود آمدن مشکلاتی برای کاربران شد. تعداد زیاد کانال ها باعث می شد که کاربر در انتخاب و پیدا کردن محتوای مورد علاقه خود، به مشکل برخورده و زمان زیادی را صرف این کار کند. جهت مقابله با این مشکل، سیستم های توصیه گر پیشنهاد شدند. در سیستم های توصیه گر، با استفاده از رفتار کاربر در گذشته و آیتم هایی که مشاهده کرده است، علاقیات کاربر را تشخیص داده و بر اساس علاقیات آن، کانال هایی را به آن، توصیه می کنیم. برای توصیه آیتم به کاربر فعال، با استفاده از تکنیک خوشه بندی ابتدا، کاربران را در گرو هایی مشابه، قرار داده و سپس با توجه به رفتار کابران موجود در گروهی که کاربر فعال به آن تعلق دارد، آیتم هایی را برای توصیه، انتخاب کردیم. تعداد کاربران موجود در یک گروه، زیاد است، به همین دلیل با استفاده از معیار پیرسون، ما کاربرانی را انتخاب کردیم که دارای تشابه بیشتری با کاربر فعال بودند. بعد از بررسی رفتار کاربر مشابه به کاربر فعال، با تکنیک رتبه بندی، آیتم های منتخب را، رتبه دهی کرده و در نهایت به کاربر پیشنهاد کردیم. در روش دوم، علاوه بر در نظر گرفتن معیار ییرسون، جهت انتخاب کاربران مشابه، از روابط دوستی بین کاربران نیز، استفاده شد. نتایج نشان داد که استفاده از معیار پیرسون و روابط دوستی بین کاربران، سیستم را به کارائی بالاتری می رساند.

زبان کردی در دسته زبان های هند و اروپایی می باشد، توسط ساکنان مناطق وسیعی در کشورهای ایران، عراق، ترکیه و سوریه مورد تکلم قرار می گیرد. علی رغم جمعیت بالای متکلمان زبان کردی، این زبان در دسته زبان های کم منبع قرار دارد و چندان مورد توجه پژوهشگران حوزه پردازش زبان به ویژه بازیابی اطلاعات و پردازش زبان طبیعی قرار نگرفته است. بر همین اساس، با هدف ارائه راه حل و رفع مشکل تنک بودن منابع، اخیرا پروژه پردازش زبان کردی (KLPP) در دانشگاه کردستان و علوم تحقیقات شروع به کار کرده است. هدف اصلی این پروژه ارائه منابع و ابزارهای ضروری برای پردازش متون زبان کردی می-باشد. این گزارش، خروجی یک پایان نامه ارشد را که در چارچوب KLPP به انجام رسیده است، گزارش می کند. اولین خروجی این پروژه مجموعه پێوان است، که شامل تعداد زیادی از اسناد نوشته شده به سورانی و کرمانجی – دو شاحه اصلی زبان کردی- می باشد. این مجموعه یک منبع زبان شناسی غنی محسوب می شود و بصورت گسترده در تمامی بخش های پایان نامه به عنوان مجموعه داده مورد استفاده قرار گرفته است. به دنبال ساخن این مجموعه اسناد، ما مجموعه آزمون پێوان را به عنوان یک سنگ محک برای سیستم های بازیابی اطلاعات کردی، ایجاد می کنیم پس از تولید مجموعه آزمون پێوان، به اهداف دیگر پایان نامه یعنی تطبیق روش های انتخاب ویژگی برای زبان کردی می پردازیم. تا کنون مطالعات بسیار اندکی به منظور دسته بندی متون کردی صورت گرفته است، به همین منظور در این پروژه سعی شده روش های انتخاب ویژگی که تاثیر بسزایی در دسته بندی مناسب متون دارند با زبان کردی تطبیق داده شود، هم چنین روش های مختلف مورد بررسی قرار گرفته تا منطبق ترین روش با ساختار زبان کردی انتخاب شود. دسته بندی متون مراحل مختلفی مانند روش های استخراج ویژگی، وزن دهی به ویژگی های استخراجی، انتخاب آن، ساخت بردار اسناد و در نهایت اجرای الگوریتم های دسته بندی بر اساس بردار اسناد می باشد. ویژگی های انتخابی نقش بسزایی در کارایی دسته بندی متون دارند و کاملا وابسته به ساختار زبان متون می باشند، به همین دلیل در این پروژه ابتدا دو مجموعه داده طبقه بندی برای زبان کردی تهیه شده است، سپس پیش پردازشی متناسب با این زبان بر روی متون صورت گرفته است. در ادامه به تجزیه اسناد برای استخراج ویژگی های مناسب می پردازیم. روش های مختلف انتخاب ویژگی

در اکثر کاربردهای شبکه های هوشمند مجهز به حسگرهای بی سیم، امکان شارژ کردن باتری گره ها به صورت مداوم وجود ندارد و در شرایطی غیر ممکن می باشد. بنابراین، پروتکل های طراحی شده برای این نوع شبکه ها باید از نظر انرژی کارآمد باشند. هدف اصلی در این نوع از شبکه ها کاهش انرژی مصرفی باتری و در نتیجه افزایش طول عمر باتری و زنده ماندن بیشتر شبکه های هوشمند است. خوشه بندی، یکی از رویکردهای اصلی برای طراحی پروتکل های با انرژی کارآمد و مقیاس پذیر در شبکه های هوشمند با حسگرهای بی سیم است. خوشه بندی گره ها یک راه طبیعی برای دسته بندی گره های نزدیک به هم، به منظور استفاده از داده های مرتبط و حذف داده های افزونه می باشد. این کار از طریق تجمیع و حذف داده های تکراری دریافت شده در سرخوشه ها یا گره های واسط، حجم کلی داده های ارسالی به ایستگاه پایه به طرز قابل توجهی کاهش می دهد و در مصرف انرژی و منابع صرفه جویی خواهد کرد. هدف اصلی از انجام این پایان نامه، افزایش طول عمر شبکه هوشمند بادی و کاهش تأخیر در انتقال اطلاعات است. شبکه مذکور شامل تعدادی توربین بادی است که هر کدام از آنها مجهز به یک حسگر بی سیم می باشند. دو چالش اصلی در این زمینه مصرف سریع انرژی باتری موجود در حسگرهای بی سیم و تأخیر زیاد در انتقال داده ها است. ابتدا به تعریف شبکه های فرضی با داشتن تعداد گره های مشخص که محل قرارگیری آنها ثابت است، می پردازیم. در ادامه، کل معیارهای مؤثر در افزایش طول عمر شبکه را در قالب روابط ریاضی نمایش می دهیم. از جمله این معیارها، می توان به اندازه زمین، تعداد توربین های موجود در زمین بادی، تصادم، تأخیر حاصل از تصادم و درصد موفقیت در انتقال داده ها اشاره نمود. با استفاده از روش پیشنهادی، باعث کاهش مصرف انرژی باتریها و در نتیجه حداکثر نمودن درصد موفقیت در انتقال داده ها به ایستگاه پایه شده ایم. در ادامه، عملکرد روش های پیشنهادی را بر روی شبکه های متنوع با معیارهای مختلف بررسی کرده-ایم. نتایج آزمایش ها نشان می دهد که روش پیشنهادی از نظر انرژی مصرفی جهت انتقال داده ها، کاهش تأخیر، ترافیک داده و همچنین زنده ماندن بیشتر شبکه، دارای عملکرد مناسبی است.

حجم زیاد اطلاعات آنلاین منجر به این شده تا کاربران انرژی و زمان زیادی را صرف پیدا کردن محصولات مورد علاقه خود کنند. با این حال، آنها در اکثر موارد قادر به دریافت نتایج رضایت بخشی نیستند. سیستم های توسیه گر اخیراً در کاربردهای زیادی از جمله، توصیه کتابها در سایت آمازون، ویدئو در یوتیوب و ارائه نتایج در صفحات وب مورد استفاده قرار گرفته اند. در این بین سیستم های پالایش گروهی، شهرت بسیاری را در سیستم های توصیه گر دارا بوده و برای ارائه توصیه به کاربران از آیتم هایی که قبلاً توسط کاربرانی مشابه رتبه داده شده اند استفاده می کنند. بکارگیری اطلاعات اجتماعی و به عبارت دیگر، اطلاعات مربوط به دوستان کاربر که به عنوان اطلاعات اعتماد شناخته می شوند، می توانند در سیستم های پالایش گروهی به عنوان اطلاعات اضافی جهت ارائه توصیه های دقیق تر به کاربران مورد استفاده قرار گیرد. در واقع اساس سیستم های توصیه گر مبتنی بر اعتماد، جستجوی افراد مورد اعتماد با توجه به انتشار اعتماد در شبکه اعتماد می باشد. در نتیجه، استفاده از اطلاعات اجتماعی و در نظر گرفتن شبکه اعتماد ایجاد شده توسط کاربران دقت و کیفیت سیستم های توصیه گر را بهبود خواهد داد. در این پایان نامه دو روش جدید به منظور بهبود کارایی سیستم های توصیه گر مبتنی بر اعتماد معرفی شده است. در واقع با استفاده از اطلاعات اجتماعی، علاوه بر رفع ضعف های مربوط به سیستم های پالایش گروهی، میزان دقت و پوشش بهبود پیدا کرده است. برای این منظور در روش پیشنهادی اول، از مفهوم تسلط پارتو به منظور بررسی میزان تأثیر کاربران مورد اعتماد در سیستم های توصیه گر مبتنی بر اعتماد استفاده شده و میزان دقت در این سیستم ها با حفظ میزان پوشش، بهبود داده شده است. علاوه بر این در روش پیشنهادی دوم، با ترکیب مفهوم تسلط پارتو، اعتماد، اطمینان و شباهت در سیستم های توصیه گر مبتنی بر اعتماد، کارایی این سیستم ها در بهبود دقت و پوشش بر روی کاربران و آیتم ها افزایش یافته است.

اخیرا جهان شاهد رشد سریع فناوری بی سیم و افزایش تقاضا برای سرویس های ارتباطی بی سیم با سرعت بالا بوده است. ارسال اطلاعات روی رسانه بی سیم اولین و اساسی ترین چالش است که ارائه دهند گان سرویس در یک شبکه ارتباطی با آن روبرو هستند. پهنای باند به عنوان یک منبع مهم در ارسال اطلاعات در نظر گرفته می شود و تخصیص بهینه آن بسیار مهم است. یکی از راه های استفاده بهینه از پهنای باند استفاده از فناوری multicast است. زمانی که چندین کاربر در همان سلول یا سلول های همسایه به محتوای یکسانی نیاز دارند، multicasting به این کاربران اجازه می دهد تا گروه هایی را تشکیل دهند و پهنای باند تخصیص یافته را به اشتراک بگذارند. این در مقابل مخابره unicast است که کاربران نمی توانند منابعشان را به اشتراک بگذارند و تعداد زیادی مخابره- به تعداد کاربران- برای پوشش کامل سلول لازم است. انتقال تصاویر متحرک (مانند ویدئو ، IPTV و سایر خدمات چندرسانه ای) از مواردی هستند که به پهنای باند زیادی نیاز دارند. OFDMA/OFDM یک تکنیک رضایت بخش برای شبکه های بی سیم پهن باند است. OFDM می تواند تاثیر مضر محوشدن چند مسیری فرکانس انتخابی را به وسیله انتقال سیگنال ها روی تعدادی کانال با پهنای باند کم ، که دارای سطوح محوشدگی متفاوت هستند، کاهش دهد. در شبکه های بی سیم مبتنی بر OFDMA، انتساب زیرحامل ها به کاربران و تخصیص توان به زیرحامل ها، با نام تخصیص منابع OFDMA تعریف می شود، که به طور موثر بر عملکرد شبکه تاثیر می گذارد. در شبکه هایی که امکان multicast وجود دارد مساله متفاوت خواهد شد. در مساله تخصیص منابع OFDMA، منابع به کاربران به روشی تخصیص داده می شود که یک هدف بدست آید درحالی که مجموعه ای از محدودیت ها برآورده شود. ماکزیمم کردن نرخ انتقال کاربران یا مینیمم کردن توان ارسالی مورد نیاز کل ، نمونه هایی از تابع هدف و سایز فریم و یا توان ارسالی هم نمونه ای از محدودیت ها می باشند. مساله تخصیص بهینه منابع OFDMA، یک مساله NP-Complete است که می تواند یک راه حل محلی (نزدیک به بهینه) داشته باشد که یا به وسیله الگوریتم های جستجوی هیورستیک (مانند الگوریتم ژنتیک ، شبکه عصبی و...) یا برنامه نویسی غیر خطی بدست می آید. در این پایان نامه یک الگوریتم ژنتیک برای ساخت burst برای شبکه های WiMAX مبتنی بر OFDMA پیشنهاد می شود که ساختار burst های

شبکه های سنتی توزیع برق توان تولیدی نیروگاه ها را با عبور از شبکه های انتقال و توزیع به دست مصرف کنندگان می رسانند. در این شبکه ها ارتباط به صورت یکطرفه از تولید کننده به مصرف کننده می باشد. تلفات در این شبکه ها زیاد بوده و امکان کنترل هوشمند وجود ندارد. به همین دلیل شبکه های انرژی الکتریکی هوشمند به عنوان راه حل جایگزین مطرح می گردد. این شبکه دارای ارتباط دو طرفه جریان الکتریکی و داده می باشد که امکان استفاده از انرژی های تجدیدپذیر را فراهم می آورد. یکی از نیازمندیهای شبکه های هوشمند برق جمع آوری داده از شبکه می باشد. یکی از تکنولوژی های مخابراتی مورد نظر برای این کاربرد شبکه حسگر بی سیم می باشد که در این پایان نامه مورد بررسی قرار می گیرد. این شبکه از تعداد زیادی گره حسگر کوچک و کم هزینه تشکیل شده اند که امکان جمع آوری داده جهت نظارت و کنترل را برای شبکه های هوشمند فراهم آورده است. کارایی شبکه های حسگر بی سیم شدیداً به طول عمر و حفظ پوشش شبکه ای آن ها وابسته است. یکی از مهمترین چالش ها در شبکه های حسگر بی سیم طراحی مکانیزم مسیریابی کارآمد از نظر انرژی، برای افزایش طول عمر شبکه به دلیل محدودیت ظرفیت انرژی گره های شبکه است. از موثرترین و پرکاربردترین روش های مسیریابی، روش های مبتنی بر خوشه بندی بوده اند. امروزه، در شبکه های حسگر، پروتکل های مسیریابی مبتنی بر خوشه بندی از طریق تقسیم گره های همسایه به خوشه های مجزا و انتخاب سرخوشه های محلی برای ترکیب و ارسال اطلاعات هر خوشه به ایستگاه مبنا مورد استفاده قرار می گیرند. در این پایان نامه به بررسی فرصت ها و چالش ها شبکه های حسگر در شبکه های هوشمند می پردازیم و سعی در بهبود طول عمر شبکه حسگر داریم. پروتکل های مختلف مسیریابی را مورد بررسی قرار داده و با در نظر گرفتن مزایا و معایب آنها الگوریتم مسیریابی جهت بهبود عملکرد پیشنهاد می کنیم.

در این رساله هدف بررسی و ارزیابی پارامترهای کیفیت سرویس انواع ترافیک در شبکه هوشمند می باشد. همچنین به بحث درباره شبکه های سنتی و بهبود این شبکه ها که به شبکه های هوشمند منجر می شود می- پردازیم. این شبکه ها در صنعت برق بیانگر نسل جدیدی از سیستم های قدرت است که مبنای آن افزایش بهره وری و بهبود عملکرد زیرساختهای موجود با استفاده از فناوری اطلاعات و ارتباطات می باشد. در ادامه پایان نامه مزایا و چالش های شبکه هوشمند را مورد بررسی و ارزیابی قرار می دهیم. سپس انواع ترافیک در شبکه های هوشمند را معرفی کرده که خود به دو نوع ترافیک همسان و ترافیک غیر همسان تقسیم می شوند و هر کدام از آنها زیر مجموعه هایی دارند. در شبیه سازی که در این رساله انجام شده مراحل کار بر اساس ترافیک همسان می باشد، همسان از لحاظ لغوی به معنای وجود مشخصات یکسان از یک پدیده در مقیاس- های متفاوت زمان و مکان است. در نهایت پارامترهای کیفیت سرویس را معرفی، و به نیازمندیهای کیفیت سرویس ترافیک صوتی و ویدئو اشاره می کنیم. شبیه سازی ترافیک صوتی و ویدئویی را برای چندین کاربر مختلف انجام داده، در رابطه با ترافیک کنترلی این ترافیک چون ثابت است و تصادفی نیست نیازی به شبیه سازی ندارد، طی سناریویی به معرفی آن می پردازیم.