تاب خوردگی زمانی پویا عمیق کننده تکراری برای سری های زمانی

Iterative Deepening Dynamic Time Warping for Time Series

1. مقدمه
2. پس‌زمینه
3. روش جدید: انحراف زمانی پویای عمیق تکراری
3-1. کاهش ابعاد
4. ارزیابی تجربی
5. کارهای مربوطه
6. نتایج و کار آتی
منابع

1. مقدمه
سری‌های زمانی، شکل فراگیری از داده‌ها هستند که تقریباً در هر رشته علمی و کاربردهای تجاری اتفاق می‌افتد. اخیراً کارهای بسیاری در زمینه سازگاری الگوریتم‌های داده‌کاوی با پایگاه داده‌های سری زمانی انجام شده است. به عنوان مثال، داس و همکاران برای نشان دادن چگونگی آموختن قوانین ترکیبی سری زمانی تلاش کردند [7]. دبرگاس و هبریل در [8]، تکنیکی برای مقیاس‌گذاری الگوریتم‌های خوشه‌بندی سری زمانی در مجموعه داده‌های گسترده ارائه کردند. کغ و پازانی الگوریتم طبقه‌بندی سری زمانی جدید مقیاس‌پذیر را معرفی کردند [16]. تقریباً همه الگوریتم‌هایی که بر روی داده‌های سری زمانی کار می‌کنند، باید شباهت بین آنها را محاسبه کنند. فاصله اقلیدسی یا برخی از پسوندها یا اصلاحات آن به طور معمول مورد استفاده قرار می‌گیرد. با این وجود، همان‌طور که در بخش 2-1 نشان خواهیم داد، فاصله اقلیدسی ممکن است در اندازه‌گیری فاصله بسیار ناپایدار باشد.

دلیل اینکه فاصله اقلیدسی ممکن است نتواند ارزیابی بصری صحیحی از شباهت بین دو بخش ایجاد کند، این است که به انحرافات کوچک در محور زمان بسیار حساس است. شکل 1-A را در نظر بگیرید، دو دنباله تقریباً شکل کلی یکسانی دارند اما اشکال در محور زمان تراز نیستند. تراز غیرخطی نشان داده شده در شکل 1-B باعث میشود که اندازه فاصله بصری بیشتری محاسبه شود.

روشی که این امکان را برای تغییر الاستیک محور X فراهم می‌کند به منظور تشخیص اشکال مشابه با فازهای مختلف می‌باشد. چنین روشی مدتهاست که در جامعه پردازش گفتار شناخته‌شده است [26 و 29]. روش انحراف زمان پویا (DTW) توسط برند و کلیفورد به جامعه داده‌کاوی معرفی شد [4]. اگرچه آنها کاربرد این روش را نشان دادند اما اذعان کردند که پیچیدگی زمانی الگوریتم یک مشکل است و «… ممکن است عملکرد آن در بانک‌های اطلاعاتی بسیار بزرگ محدودیت باشد». با وجود ایراد روش انحراف زمان پویا، هنوز هم در زمینه‌های مختلف مورد استفاده گسترده قرار می‌گیرد. در بیوانفورماتیک، آچ و چورچ با موفقیت از روش انحراف زمان پویا در بیان داده‌های RNA استفاده کردند [1]. در مهندسی شیمی از آن برای هماهنگ‌سازی و نظارت بر فرآیندهای دسته‌ای در پلیمریزاسیون استفاده شد [14]. از روش انحراف زمان پویا با موفقیت برای تراز کردن داده‌های بیومتریک، مانند راه رفتن، امضاها و حتی اثر انگشت استفاده شد [11، 14، 22، 19]. محققان متعددی از جمله وولینگز و همکاران [30] و کیانی و همکاران [5]، استفاده از روش انحراف زمان پویا را برای تطبیق الگوی ECG نشان دادند. سرانجام در رباتیک، اوتس و همکاران نشان دادند كه روش انحراف زمان پویا را می‌توان براي خوشه‌بندي خروجي‌هاي حسي عامل مورد استفاده قرار داد [23].

2. پس‌زمینه
در این بخش با سه تجربه داده‌کاوی اصلی بر کاربرد انحراف زمان پویا متمرکز می‌شویم. برای تکمیل، الگوریتم انحراف زمان پویا کلاسیک را مرور می‌کنیم.

2-1. انحراف زمان پویا با فاصله اقلیدسی
اگرچه کاربرد انحراف زمان پویا به طور گسترده در بسیاری از حوزه‌ها نشان داده شده است [1، 5، 11، 14، 22، 23، 29 و 30]، برای تکمیل مثال‌های جالب مختصری در اینجا ارائه می‌دهیم. به طور خاص، متداول‌ترین سه وظیفه داده‌کاوی، دسته‌بندی، خوشه‌بندی و کشف قواعد متناظر، را در نظر می‌گیریم. در هر مثال، انحراف زمان پویا را با فاصله اقلیدسی که معمولاً بیشتر برای مقایسه اندازه فاصله برای سری‌های زمانی استفاده می‌شود، مقایسه می‌کنیم [2، 7، 8، 10 و 15].

2-1-1. دسته‌بندی
کارهای زیادی درباره دسته‌بندی سری‌های زمانی وجود دارد. چارچوب متداول پایگاه داده، سیلندر- بل- فونل است، این پایگاه داده ترکیبی در [28] معرفی و در [21، 13 و 9] و غیره مورد استفاده قرار گرفت. پایگاه داده شامل 3 دسته مسأله است، با دسته‌هایی که با استفاده از معادلات زیر تولید می‌شوند

بهینه سازی چند هدفه با استفاده از الگوریتم های تکاملی: مطالعه موردی مقایسه ای

Multiobjective Optimization Using Evolutionary Algorithms A Comparative Case Study

چکیده
1- مقدمه
2- الگوریتم‌های تکاملی چندهدفه
3- مسئله کوله‌پشتی
4- آزمایش‌ها
5- نتیجه‌گیری و چشم‌انداز آتی
منابع

چکیده
از سال 1985 چند روش تکاملی برای بهینه‌سازی چندهدفه توسعه یافته است که قادر به یافتن چند راه‌حل در یک دور اجرا (run) هستند. با این حال، اکثر مطالعاتِ مقایسه‌ای که در دسترس هستند، به صورت کیفی بوده و محدود به دو روش اصلی می‌شوند. در این مقاله یک مقایسه گسترده و کمّی عرضه شده است که از 4 الگوریتم‌ تکاملی چندهدفه برای مسئله 1/0 کوله‌پشتی (knapsack problem) استفاده می‌کند.

2- الگوریتم‌های تکاملی چندهدفه
مروری جامع بر الگوریتم‌های تکاملی در بهینه‌سازی چندهدفه در مقاله‌ای از فونسکا و فلمینگ صورت گرفته‌ است. نویسندگان این مقاله چند روش تکاملی را بررسی کرده‌اند که شامل روش‌های انباشت ساده، روش‌های جمعیتی غیرپارتو و روش‌های مبتنی بر پارتو می‌شود. همچنین روش‌های استفاده از القای همسایگی (niche) نیز آورده شده‌اند.

روش‌های انباشتی به ترکیب‌کردن اهداف درون یک تابع نردبانی بالاتر مشغول‌اند که برای محاسبات شایستگی (fitness) از آنها استفاده می‌شود. این روش‌ها یک راه‌حل منفرد (single) فراهم می‌آورند و نیازمند داشتن دانش عمیقی هستند که معمولاً دردسترس نیست. روش‌های جمعیتی غیرپارتو قادر هستند تا راه‌حل‌های غیرمغلوبی را به صورت موازی پیدا کرده و بنابراین جمعیت اساساً برای راه‌حل‌های غیرمغلوب کنترل می‌شود. اما برعکس روش‌های پارتو، روش‌های جمعیتی غیرپارتو از مفهومِ غلبه (dominance) پارتو به طور مستقیم استفاده نمی‌کنند. الگوریتم‌های تکاملی پارتو، راه‌حل‌ها را بر اساس رابطه > مقایسه می‌کنند تا احتمالِ تولیدمثل هر فرد را محاسبه کنند. اولین بار این نوع مسئله شایستگی را گلدبرگ پیشنهاد داد.

از آنجایی که حفظ‌کردن تنوع موضوع مهمی در حوزه بهینه‌سازی چندحالته است، بسیاری از الگوریتم‌های تکاملی چندهدفه شامل تکنیک‌های نیچینگ (قرارگرفتن در همسایگی) می‌شود و بیش از همه از روشِ اشتراک‌گذاریِ شایستگی استفاده می‌شود. به اشتراک‌گذاشتن شایستگی (Fitness sharing) بر مبنای این ایده است که افراد حاضر در یک محیط خاص، باید منابع دردسترس را با یکدیگر شریک شوند. همانطور که در طبیعت نیز چنین است. بنابراین، شایستگی یک فرد معین به این نحو تعیین می‌شود که هرچه آن فرد بیشتر تضعیف شود، افراد بیشتری در همسایگی او قرار می‌گیرند. همسایگی بر اساس معیار فاصله سنجیده می‌شود و با شعاع همسایگی σshare نشان داده می‌شود. به اشتراک‌گذاشتن هم می‌تواند در فضای ژنوتیپ و هم در فضای فنوتیپ (شرایط محیطی) روی دهد.

استفاده از الگوریتم یادگیری ماشین در آموزش بازاریابی

Application of Machine Learning Algorithm in Marketing Education

چکیده

1 مقدمه

2 تحقیقات مرتبط

3 موقعیت فعلی ترکیب حالت بازاریابی

4 ایده بازاریابی پایگاه داده مبتنی بر الگوریتم یادگیری ماشینی

5 یادگیری ماشینی پنج دلیل برای بازاریابی آینده است

6 نتیجه گیری

منابع

چکیده

تکامل علمی و فناورانه بشر، شناخت فروشندگانی را که بیش از یک دهه قبل تنها با راه اندازی مغازه های کوچک آشنا بودند، دچار تغییر کرده است. در این دوره، تغییر از کسب و کارهای ساده مرتبط با مبادلات آنلاین پیچیده نه تنها توسعه علم و فناوری و پیشرفت چند برابری را نشان می دهد، بلکه همچنین تغییر در روش ها و ابزارهای بازاریابی را نشان می دهد. در زمینه بازاریابی در داخل و خارج از کشور، بازاریابی پایگاه داده بعنوان یک روش بازاریابی مقرون به صرفه در سالهای اخیر همانند یک فروشنده تازه کار در بازار فروش مورد توجه زیادی قرار گرفته است. با این حال، بازاریابی پایگاه داده بعنوان پیش بینی کننده بازار غیرقابل پیش بینی یا الکترونیک های نوترونی از طریق تحلیل داده ساده کامل می شود که به شیوه خاصی استفاده می شود. بنابراین، این مقاله مبتنی بر کاربرد الگوریتم یادگیری ماشینی در زمینه بازاریابی است. 

2- تحقیقات مرتبط
2-1- رویه های اصلی بازاریابی پایگاه داده
     بازاریابی پایگاه داده نه تنها می تواند مدیریت و کنترل کیفی جامع را ارائه دهد، بلکه همچنین یک مدل بازاریابی جدید را براساس فناوری اطلاعات توسعه می دهد، که در شیوه فعلی و تایید به سطح جدیدی رسیده است. با بهبود بازاریابی پایگاه داده، استفاده گسترده ای در خدمات تجاری، خدامت سفارش، بازاریابی کلان داده، سازمان های غیر انتفاعی و حتی تامین مالی تولید صنعتی شده است. بازاریابی پایگاه داده نیاز به کنترل کلان منطقی و برنامه بازاریابی متفکرانه دارد. بازاریابی پایگاه داده در طبقه بندی و موقعیت یابی کمی و دقیق تر است، و یک برنامه بازاریابی موثر است. باید اعتماد و «رابطه صمیمی» با مصرف کنندگان ایجاد شود [3]. این مورد رابطه انسان-ماشین را نشان می دهد، یک هسته مصنوعی ایجاد می کند، حقوق مصرف کنندگان و فروشندگان را ارزیابی می کند. همانطور که در شکل 2 نشان داده شده است، به طور کلی رویه های اصلی بازاریابی پایگاه داده را می توان به صورت زیر خلاصه کرد:

2-2- بررسی الگوریتم های یادگیری ماشینی
     یادگیری ماشینی روش خود تعلیمی و خود بهبودی و بهینه سازی عملکرد میزان زیادی از داده های موجود است. الگوریتم طبقه بندی یادگیری ماشینی عمدتا به دو فرایند تقسیم می شود: ایجاد و طبقه بندی مدل. ابتدا، الگوریتم طبقه بندی انتخاب می شود، و یک مدل طبقه بندی با آموزش پارامترهای مدل از طریق آموزش مجموعه داده بدست می آید، و سپس مدل آموزش دیده برای برچسب گذاری داده نمونه ناشناخته آموزش دیده استفاده می شود. یادگیری ماشینی عمدتا شامل طبقه بندی بدون نظارت و طبقه بندی نظارت شده می شود.

     طبقه بندی بدون نظارت عمدتا برای خوشه بندی استفاده می شود، یعنی بدون آگاهی از طبقه بندی مجموعه داده آموزشی به صورت خودکار قوانین را از مجموعه داده برای ایجاد خوشه ها پیدا کنید. هر خوشه را برای تشکیل یک طبقه علامت گذاری کنید.

مسیریابی وزن پویا و الگوریتم کد نوری بر اساس شبکه نرم افزار محور (SDN)

Dynamic weight routing and optical-code algorithm based on SDN

چکیده
1 مقدمه
2 سیستم سوئیچینگ نوری چند دانه ای بر اساس SDN
3 الگوریتم توزین دینامیکی بر اساس منابع کد نوری و درجه تطبیق بین درخواست خدمات و کانال
4 شبیه سازی و تحلیل الگوریتم
5 نتیجه
منابع

چکیده
شبکه ‌های انتقال نوری در مسیر تکامل به سمت سوئیچ چند دانه ‌ای و مدیریت نرم ‌افزار قرار دارند، ولیکن لازم است که معماری صفحه کنترل موجود با نیازهای مدیریت چند خدماتی و شبکه با هم سازگار شوند. به همین منظور، الگوریتم توزین دینامیکی بر اساس منابع کد نوری و میزان تطابق آن با درخواست خدمات و شبکه در یک سیستم سوئیچینگ نوری چند سطحی، مطرح شده است. در این روش، کنترلگر شبکه تعریف‌ شده نرم ‌افزار (SDN) اطلاعات منبع شبکه را در زمان واقعی جمع آوری می‌کند، به صورت مداوم وزن هر مسیر را تغییر می‌دهد و از آن برای محاسبه مسیر استفاده می‌کند، مسیر سازگار تری را بر اساس توازن بار فراهم کرده و وزن ‌های منطبق شبکه را به جهت تخصیص منابع، ترکیب می‌کند. نتایج شبیه ‌سازی نشان دهنده این موضوع است که سیستم سوئیچینگ چند دانه ‌ای با الگوریتم مطرح شده قادر است به طور چشمگیری تولید قطعات کد نوری را کاهش داده و بهره گیری از منابع را بهبود بخشد. در پایان مقاله الگوریتم‌ های مسیریابی کد نوری شبیه‌ سازی و اجرا شده و کارکرد آنها قیاس و تحلیل شده است. نتایج شبیه‌ سازی بیانگر این است که نرخ انسداد الگوریتم تطبیقی در شبکه NSFNET در قیاس با الگوریتم سنتی 4٪ سیر نزولی داشته و استفاده از منابع کد نوری 9٪ بهبود یافته است.

2- سیستم سوئیچینگ نوری چند دانه ای بر اساس SDN
2-1 معماری شبکه مبتنی بر SDN
SDN روش جدیدی از معماری شبکه می باشد که به دست بنیاد شبکه باز (ONF) رهبری می‌شود. معماری کلاسیک SDN به لایه برنامه، لایه کنترلی و لایه داده تقسیم بندی می ‌شود. لایه برنامه خدمات گوناگونی را به استفاده کنندگان ارائه می‌دهد. لایه کنترلی یکی از حائز اهمیت ترین بخش ‌های معماری SDN می باشد. کنترلگر توابع شبکه را با یک رابط برنامه نویسی کاربردی (API) مجازی سازی می کند[6]. لایه داده برای جمع ‌آوری، هدایت و پردازش داده‌ ها می باشد [7].

طی سال‌ های گذشته، با توجه به مطالبات اقتصادی و تسهیلات نوآوری شبکه ‌ای، به‌تدریج SDN (T-SDN) به کار گرفته شده است [8]. T-SDN رابط، پروتکل و صفحه کنترلی شبکه انتقال نوری را توسعه داده و مدیریت سخت ‌افزار شبکه نوری تغییر‌پذیرتر را میسر می‌کند. مرجع [9] معماری طبق SDN خودکار ارائه کرده‌ که قادر است معیارهای کارکرد شبکه را بصورت دینامیکی برتری سازد.

بعد از بکار بردن SDN بر روی شبکه سوئیچینگ نوری چهار لایه ‌ای، صفحه داده از صفحه کنترل جدا سازی شده [10] و احتساب مسیر و اختصاص منابع به دست کنترلگر SDN پشتیبانی می ‌شود [10]، گره بر هدایت داده متمرکز می شود که به شدت کاهش فشار بر گره را در پی دارد. کنترلگر مورد نظر، حائز اهمیت ترین قسمت از SDN است، منبع [11] ساختار ‌بندی جدیدی از مطالعات پیشگام با موضوع حل مسئله جایابی کنترلگر‌ها (CPP) در SDN را از زوایای مختلف ارائه می ‌دهد.

طراحی یک شبکه حسگر بی سیم (WSN) ایمن و طولانی مدت جهت جمع آوری داده ها

Designing A Secure and Long-Lived WSN for Data Collection

چکیده

1- مقدمه

2- تحقیقات مرتبط

3- رویکرد پیشنهادی

4- نتایج شبیه سازی

5- نتیجه گیری

منابع

چکیده

کمینه سازی انرژی یکی از وظایف مهم در WSN است که از طریق فرایند خوشه بندی انجام میشود. خوشه بندی در WSN روشی کارآمد برای افزایش طول عمر شبکه است. در کار پیشنهادی فعلی، تمرکز اصلی بر طول عمر شبکه است که برای کاهش شکستهای گره و افزایش تحویل بسته های داده ضرورت دارد. در این مقاله، ساختاربندی سلسله مراتبی با استفاده از رویکرد خوشه بندی بر مبنای فرایند کارآمد تراکم داده انجام میشود. فرایند تراکم داده در دو فاز تعریف میشود. فاز اول، آرایش گرهها در خوشه را با استفاده از توزیع یکنواخت؛ و فاز دوم، انتخاب سرخوشه و تراکم داده را با کمک برنامه ریزی خطی تعریف میکند. هدف اصلی، کمینه سازی مصرف انرژی و افزایش اعتبار و استحکام شبکه حسگر می‌ باشد. در نهایت، عملکرد شبکه بر اساس مصرف پایین انرژی، تحویل بالای بسته های داده، و ازدحام پایین در WSN ارزیابی خواهد شد.

2- تحقیقات مرتبط
2-1 طول عمر شبکه مبتنی بر خوشه بندی
در مطالعاتی که تاکنون انجام شده اند، چندین رویکرد خوشه بندی آگاه به طول عمر شبکه پیشنهاد شده اند. سلسله مراتب خوشه بندی تطبیقی کم انرژی (LEACH) یکی از رویکردهای اصلی خوشه بندی در WSN است [5]. شبکه حسگر در LEACH، برخی گرهها را به چند خوشه تقسیم میکند و سرخوشه بر مبنای یک آستانه احتمال از پیش تعیین شده انتخاب میشود. سایر گرهها به نزدیکترین سرخوشه متصل میشوند تا خوشه ها را ایجاد کنند. که این امر، ارتباط مستقیم با ایستگاه مبداء را کاهش میدهد. در این پروتکل، سریعترین تحویل، ضمانت میشود اما موجب مصرف انرژی بیشتری در انتقال داده می‌گردد. رفرنس [6] روشهای خوشه بندی جدیدی مثل خوشه بندی مبتنی بر فاصله، چگالی و انرژی (DDEC) پیشنهاد میکند. DDEC برای بهبود عملکرد شبکه استفاده میشود و در انرژی، فاصله و چگالی باقیمانده دسته بندی میگردد، و شبکه را به خوشه هایی با همان تعداد عضو تقسیم میکند تا به موازنه بار دست یابد. نویسنده در می یابد که عملکرد DDEC از نظر گره زنده و مصرف انرژی، بهتر از عملکرد DDCHS است‌. رفرنس [7] خوشه بندی داده ها در یک شبکه حسگر بی سیم را که بر روی یک شبکه عصبی نقشه ویژگی خود ساماندهنده (SOFM) پیاده سازی شده اند شرح می‌دهد. WSN یکی از شبکه های ارتباطی نویدبخش برای ارزیابی و پایش محیط است. در این نوع شبکه، ارتباط از طریق سیگنالهای رادیویی برقرار میشود. از اینرو گره حسگر از ظرفیت ذخیره سازی، حس کردن و پردازش داده ها برخوردار است.

مطالعات مختلفی در ارتباط با طول عمر شبکه بر مبنای تراکم داده انجام شده اند. رفرنس [8] مسیریابی تراکم سازگار را با هدف کاهش تاخیر برای شبکه های حسگر بی سیم چندلایه بررسی کرده است. این مطالعه دریافته است که تراکم داده روشی بسیار کارآمد بویژه در کاهش حجم داده های منتقل شده و افزایش طول عمر شبکه است. این مطالعه بطور ویژه نشان داده است که وقتی طول زمان انتظار، بزرگتر یا معادل با تراکم از پیش تعیین شده می‌باشد داده های بیشتری، اما به هزینه افزایش تاخیر، بازارسال میشوند. بنابراین هدف از شماهای AAR در مطالعه[8] ، ارسال داده ها به گرههایی با صفوف طولانی داده است به منظور تضمین اینکه صفوف طولانی از مقدار کوچکی از داده ها برخوردارند بنحوی که تراکم داده قابل اجراست و از اینرو تاخیر کاهش می یابد. همه پروتکل های تراکم ذکرشده در فوق به دستیابی به این اهداف کمک میکنند زیرا آنها با بکارگیری موثر پارامترهای مرجع در دسترس، بر مفهوم ارسال داده موفق اثر می‌ گذارند. مطالعات سابق نشان داده اند که همکاری، هماهنگی و مدیریت گرههای حسگر برای حل و فصل مساله ناکارآمدی انرژی که طول عمر شبکه را کاهش میدهد ضرورت دارند [9].

2-2 تراکم داده مبتنی بر طول عمر شبکه
مطالعات گوناگون به نتایجی درباره تراکم داده بر مبنای طول عمر شبکه دست یافته اند. یکی از این مطالعات در رفرنس [10] درباره مکانیسمهای تراکم داده در IOT، مروری نظام مند بر مطالعات پیشین انجام داده و توصیه هایی به محققان آینده ارائه نموده است. این مطالعه دریافته است که تراکم داده، یکی از موثرترین روشهای بکار رفته برای کاهش تعداد ارسال داده بین اشیاء است. این مطالعه همچنین دریافته است که ممکن است کاهش افزونگی داده در افزایش طول عمر شبکه و کاهش مصرف انرژی نقش داشته باشد. مطالعه [10] تحلیل نظام مندی از IOT در مکانیسمهای تراکم داده ارائه داده و دریافته است که سه مکانیسم اصلی وجود دارد: مکانیسم مبتنی بر خوشه بندی، مکانیسم مبتنی بر درخت، مکانیسم متمرکز. همچنین یک مقایسه مشروح از تکنیکهای برجسته نشان داده است که مکانیسم تراکم داده بکار رفته در IOT، برای بازدهی و کاهش افزونگی داده ها ضروری است. شبکه های حسگر اکنون با اصلاح نمایشهای چند رسانه ای، بعلت مشخصات ارزشمند و تنوع کاربردشان، استاندارد هستند. هنوز شبکه های حسگر حاوی گرههای بسیار کوچکی بوده و به باتریها وابسته هستند و همچنین توالی گرهها قابل توسعه نیست. بنابراین تحقیقاتی مفید با استفاده از روشهای کنترل تراکم داده بزرگ انجام میشوند که از الگوریتم بهینه سازی کلونی مورچگان و الگوریتم PSO برای انجام محاسبات نرم جهت افزایش طول عمر شبکه استفاده میکنند [11]. گرهها در شبکه های حسگر برای گردآوری اطلاعات به کمک رسانه بی سیم بکار میروند. اطلاعات تولید شده با کمک گرههای همسایه، بسیار زائد و تکراری هستند و موجب بار ترافیکی، تاخیر و ازدحام بزرگی میشوند که انرژی زیادی مصرف کرده و عمر شبکه را کاهش میدهد. بنابراین کارهای زیادی بر روی منابع داده گوناگون و روش صرفه‌جویی در انرژی با دوره نفهتگی کوچک بر اساس دریافت و ارسال داده انجام میشوند [12]. از آنجا که میزان تقاضای IOT بسیار بالاست بنابراین جمع آوری داده، رویه مهمی برای کاهش هدررفت انرژی گرههای شبکه جهت افزایش طول عمر شبکه است. بنابراین خوشه بندی داده ها و شناسایی کنشهای ناهنجار، که یک روش تراکم داده است که از رویکردهای گوناگون خوشه بندی مثل C-میانگین فازی استفاده میکند، نیز در بازار موجود است تا افزونگی‌ شبکه های حسگر بی سیم را کاهش دهد [13].

پیش‌بینی و مقایسه سلامت روانی در طول COVID-19 در میان جمعیت هندی و مراقبه گران راجیوگا با استفاده از الگوریتم های یادگیری ماشینی

Prediction and comparison of psychological health during COVID-19 among Indian population and Rajyoga meditators using machine learning algorithms

چکیده
1 مقدمه
2 سیستم های پیش بینی مبتنی بر یادگیری ماشینی
3 روش شناسی
4 نتایج
5 نتیجه گیری
منابع

چکیده
یکی از نگرانی های مهم در سرتاسر نقاط دنیا فراهم کردن مراقبت سلامت روان برای افرادی است که از اختلالات روانی رنج می برند. روان شناسی دیجیتال تاثیرات مثبتی زیادی در طول همه گیری ویروس کووید-19 به دنبال داشته است. برای مثال، روان شناسی دیجیتال میتواند افت سلامت روانی افراد و بروز مشکلات شدید مرتبط با بهداشت روانی را در مراحل اولیه پیش بینی و شناسایی کند. در نتیجه، در این مطالعه به دنبال شناسایی کردن افرادی هستیم که احتمال بروز مشکلات روانی در بین آن ها در طول دوران همه گیری بالاتر است. در راستای دست یابی به این هدف، در مطالعه خود برداشت های افراد مراقبه کننده راجا یوگا در مورد تاثیرات روانی دوران همه گیری و همچنین سطوح اضطراب، استرس و افسردگی آن ها را با دیگر افراد جامعه، مقایسه خواهیم کرد. علاوه براین، در این مطالعه با بهره گرفتن از الگوریتم های یادگیری ماشینی و داده نظرسنجی های آنلاین اجرا شده در بین افراد مراقبه کننده راجا یوگا و جمعیت عمومی تلاش میکنیم که اختلال های سلامت روان از جمله استرس، اضطراب و افسردگی را پیش بینی کنیم. در این مطالعه ما از الگوریتم های درخت تصمیم، جنگل تصادفی، بیز ساده، بردار پشتیبانی و همچنین الگوریتم k-نزدیک ترین همسایه برای پیش بینی کردن استفاده کردیم، زیرا این الگوریتم ها دقت بالاتری در پیش بینی اختلالات روانی به نمایش گذاشته اند. در بین این الگوریتم ها مشاهده کردیم که الگوریتم بردار پشتیبانی بالاترین دقت را برای داده ما تولید می کند. علاوه براین، الگوریتم بردار پشتیبانی بالاترین نمره F1 را نیز تولید کرده است. 

2- سیستم های پیش بینی مبتنی بر یادگیری ماشینی
در این بخش در مورد نحوه کاربرد تکنیک های یادگیری ماشینی هوش مصنوعی در سیستم های بهداشت، بحث خواهیم کرد. این سیستم های پیش بینی برای تشخیص بیماری و ارزیابی بهداشت روان خلق شده اند.

1-2 پیش بینی بیماری
ژونگ و شیائو با بهره برداری از الگوریتم های یادگیری عمیق و گره همجوشی اصلاح شده توانستند یک سیستم ایده آل برای بهبود پیش بینی سلامت روان خلق کنند [15]. گره همجوشی در واقع الگویی برای ترکیب کردن اطلاعات در راستای خلق سیستم های پیش بینی بیماری و سلامت روان است. در صورتی که ما از یادگیری عمیق در کنار گره های همجوشی استفاده کنیم، می توان پیش بینی های دقیق بر مبنای حجم بزرگی از داده های سلامت تولید کرد. دقت مدل همجوشی پیشنهاد شده در تشخیص بیماری های مختلف تقریبا برابر با 73.21 درصد خواهد بود.

آمبیگا و همکارانش سیستم هوشمند پیش بینی سلامت را خلق کردند که عیب های سیستم قبلی را بر طرف می کند [16]. این سیستم یک معاینه پایه بر روی بیمار انجام می دهد و سپس بیماری های احتمالی در افراد را حدس می زند. این سیستم هوشمند در ابتدا سوالاتی در مورد علائم بیمار می پرسد. در صورتی که این سیستم بتواند بیماری فرد را صحیح تشخیص دهد، در ادامه یکی از دکترهای در دسترس در نزدیکی محل سکونت بیمار را پیشنهاد خواهد کرد. در صورتی که سیستم توانایی تشخیص مشکل فرد را نداشته باشد، مجموعه ای از سوالات را از بیمار می پرسد و سپس انجام آزمایش را پیشنهاد خواهد کرد. این سیستم در نهایت نتیجه تشخیص خود را بر مبنای مجموعه ای از داده های جمع آوری شده در گذشته ، ارائه خواهد کرد. سیستم هوشمند پیش بینی سلامت بر مبنای پایگاه داده اسناد پزشکی چندین بیمار عمل می کند. آقای داهیواد و همکارانش تکنیکی برای برای پیش بینی کردن بیماری ها بر اساس علائم افراد ارائه کردند [17]. آن ها به منظور تشخیص دقیق بیماری از الگوریتم های یادگیری ماشینی شبکه عصبی پیچشی و k-نزدیک ترین همسایه، استفاده کردند. باید اشاره کنیم که در این سیستم پیش بینی بیماری، عادات زندگی افراد و اطلاعات معاینات پزشکی آن ها در نظر گرفته میشود. در مجموع، الگوریتم شبکه عصبی پیچشی (CNN) دقت 84.5 درصد را در تشخیص بیماری های عمومی به نمایش می گذارد. این الگوریتم دقت بالاتری نسبت به تکنیک K-نزدیک ترین همسایه (KNN) دارد. علاوه براین، الگوریتم KNN نیاز زمانی و حافظه ای بیشتری نسبت به الگوریتم CNN دارد.

مروری بر الگوریتم های مکان یابی بر اساس رویکرد شبکه سازی تعریف شده نرم افزاری در شبکه حسگر بی سیم (WSN)

A review of localization algorithms based on software defined networking approach in wireless sensor network

چکیده
1 مقدمه
2 پیش زمینه
3 مکان یابی
4 روش های مکان یابی در SDWSN
5 نتیجه شبیه سازی برای برخی از روش های مورد استفاده در SDWSN
6 نتیجه گیری
منابع

چکیده

مکان یابی شبکه حسگر بی سیم (WSN ) چالش مهمی است، زیرا رابطه ای قوی بین داده های تجمیعی حسی و مکان منشا داده ها وجود دارد. تکنیک شبکه های مبتنی بر نرم افزار (SDN ) از الگوریتم مکان یابی پشتیبانی می کند و تمام محدودیت ها و محدودیت های شبکه را در نظر می گیرد. با استفاده از دانش شبکه جهانی ارائه شده توسط کنترل کننده های SDN، نتایج مطالعات قبلی نشان می دهد که عملکرد شبکه می تواند به میزان قابل توجهی بهبود یابد. این مقاله الگوریتم‌های مکان یابی را که اخیراً پیشنهاد شده اند بررسی می‌کند و نتایج شبیه‌سازی را برای هر روش مورد استفاده در شبکه‌های حسگر بی‌سیم نرم‌افزاری ( SDWSN) مورد بحث قرار می‌دهد تا بهترین راه برای یافتن گره‌های مکانی با بالاترین دقت و کمترین مصرف انرژی پیدا کند. این مقاله همچنین پارادایم شبکه نرم افزاری و چالش های WSNS را ارائه می دهد که توسط SDWSN ها حل شده اند.

2 پیش زمینه
• مفهوم SDN
شبکه نرم افزاری (SDN) یک پارادایم شبکه است که برای ساده سازی مدیریت و پیکربندی شبکه طراحی شده است. این شبکه صفحه جداسازی کنترل شبکه را از دستگاه های شبکه زیرین (صفحه داده) انجام می دهد، صفحه داده با اطلاعات کم یا بدون هوش تبدیل به دستگاه ارسال می شود. این شبکه جداسازی اطلاعات متمرکز شبکه را در کنترل کننده فراهم می کند که نمای کلی از شبکه دارد [7]. ویژگی منحصر به فرد SDN این است که قابلیت برنامه ریزی را از طریق جداسازی صفحات کنترل و داده امکان پذیر می کند و مدیریت شبکه را بسیار انعطاف پذیرتر می کند [8،81].

• صفحه داده (لایه زیرساخت): شامل عناصر شبکه مانند دستگاه های فیزیکی (کلید ها، روترها، نقاط دسترسی بی سیم و غیره) است که با ترافیک شبکه قرارداد دارند، ارسال بسته را در داخل شبکه کنترل می کند، در حالی که رفتار آن توسط صفحه کنترل تعیین می شود. در اصطلاح SDN این دستگاه ها به عنوان سوئیچ های شبکه نامیده می شوند [11،85].

• صفحه کنترل: لایه ای قدرتمند در شبکه است که تصمیم کنترل کننده را در خود جای داده و مسیریابی را برای ترافیک در شبکه فراهم می کند. این لایه مسئول پیکربندی صفحه ارسال است. عملکردهای صفحه کنترل عبارتند از کشف و نگهداری توپولوژی، انتخاب مسیر بسته و مکانیسم های شکست مسیر [12، 29-34]. پروتکل های مسیریابی مختلف مانند RIP، OSPF، BGP و EIGRP توسط صفحه کنترل اجرا می شوند [35-39، 13].

• صفحه برنامه: این صفحه در بالای پشته SDN قرار دارد که شامل تمام برنامه هایی است که از خدمات ارائه شده توسط کنترل کننده برای اجرای وظایف مربوط به شبکه بهره برداری می کنند. نمونه هایی از برنامه های شبکه عبارتند از متعادل سازی بار، مسیریابی، مجازی سازی شبکه و غیره [11،14،40،41].

یادگیری ماشین و آموزش پیش پزشکی

Machine learning and pre-medical education

چکیده
1. مقدمه
2. اهمیت آموزش یادگیری ماشین
3. مسیر پری مدیکال پنجره ای مناسب را برای آموزش یادگیری ماشینی فراهم می کند
4. توصیه های درسی
5. نتیجه گیری
منابع

چکیده
     فن آوریهای مبتنی بر یادگیری ماشین و هوش مصنوعی (AI) به طور قابل توجهی به رویه های مختلف مدیریت پزشکی و مراقبت کمک می کنند. این احتمال وجود دارد که نسل بعدی متخصصان مراقبت های بهداشتی با مجموعه ای از نوآوری های تحت پشتیبانی هوش مصنوعی مواجه شوند و ممکن است در طی مدت تصدی حرفه ای خود وقت کافی برای یادگیری در مورد چارچوب های یادگیری ماشین که هدایت این سیستم ها را بر عهده دارند نداشته باشند. آموزش پزشکان و ارائه دهندگان مراقبت علاقمند با دوره های پایه مناسب در خصوص یادگیری ماشین به عنوان بخشی از تحصیلات دانشگاهی، احتمالاً آنها را در آینده به پزشکان و ارائه دهندگان مراقبت پیشرفته ای تبدیل خواهد کرد.

اهمیت آموزش یادگیری ماشین
     در آوریل 2018، سازمان غذا و داروی ایالات متحده (FDA)، بازاریابی اولین دستگاه سلامت دیجیتال را که از AI برای تشخیص دیابت چشمی (DR) در بزرگسالان استفاده می‌کرد، تایید کرد (2). نرم افزار هدایت شده توسط یک الگوریتم AI ، می تواند تصاویر دیجیتالی شبکیه چشم بیمار را پردازش کند و احتمال DR خفیف یا شدیدتر را مشخص کند. FDA داده های حاصل از مطالعه تصاویر شبکیه را که از 900 بیمار مبتلا به دیابت در 10 مرکز مراقبت های اولیه به دست آمده بود، ارزیابی کرد. در این مطالعه، الگوریتم AI در 87.4 % از مواقع DR فراتر از خفیف را به درستی شناسایی کرد و توانست به درستی بیمارانی را که در 89.5 % مواقع DR فراتر از خفیف نداشتند شناسایی کند. این نرم‌افزار را می‌توان در یک محیط مراقبت اولیه نصب کرد تا پزشکان بتوانند غربالگری اپورتونیستی DR را در طول معاینات عادی بیمار انجام دهند. از زمان این تایید، چندین دستگاه و الگوریتم پزشکی مبتنی بر هوش مصنوعی دیگر نیز مورد تایید قانونی قرار گرفته اند (3) و بسیاری از آنها در دست اقدام هستند تا مورد بررسی قرار گیرند و به طور بالقوه تأییدیه FDA را دریافت کنند. بدیهی است که “کاربران نهایی” بیشتر این دستگاه ها پزشکان یا سایر ارائه دهندگان مراقبت هستند. سوالی که مطرح می شود این است که آیا باید انتظار داشت که پزشکان همچنان کاربران نهایی ساده ای باشند یا اینکه آیا باید در مورد الگوریتم های یادگیری ماشینی که می تواند به طور بالقوه ای تصمیم گیری تشخیصی در عمل بالینی را تسهیل کند، آموزش ببینند. اگر ارائه دهندگان مراقبت لزوماً با علوم محاسباتی و داده ها آشنا نباشند، در این صورت احتمال زیادی وجود دارد که این فن اوری ها ارزش خود را از دست بدهند.

     پزشکان و سایر ارائه دهندگان مراقبت نیز نقش مهمی در محافظت از بیماران و سایر ذینفعان خود در برابر مشکلات و کاربرد نامناسب فن اوری های یادگیری ماشین دارند. مهم است که ارزش واقعی یادگیری ماشین را از تبلیغات مبالغه آمیز فیلتر کنید، زیرا ارائه دهندگان مراقبت باید از اشتباهات یادگیری ماشینی، استفاده غیراخلاقی و ناخواسته و همچنین گزینه های پرهزینه تر آگاه باشند تا بتوانند بیماران را مدیریت کنند. به عنوان مثال، یک مطالعه اخیر نشان داد که سیستم های هوش مصنوعی برای تشخیص کووید-19 با استفاده از رادیوگرافی قفسه سینه می توانند از میانبرهای جعلی حتی در صورت آزمایش روی مجموعه داده های خارجی اطلاع پیدا کنند، بنابراین لازم است از پروتکل‌های اعتبارسنجی قوی‌تر و تکنیک‌های قابل تفسیری برای ارزیابی سیستم‌های هوش مصنوعی پزشکی استفاده شود (4). از سوی دیگر، این مطالعات، مشکلات رایج مربوط به توسعه مدل‌های هوش مصنوعی پزشکی (5)، و مسائل بالقوه اجباری بودن توضیح مدل به عنوان یک نیاز برای استقرار بالینی (6) را نشان داده اند. در مورد موضوعات مختلف دیگر، از جمله اهمیت و اعتبار مدل، اخلاق و اعتماد (7)، حریم خصوصی و امنیت (8) و همچنین هزینه و کارایی بحثهای مختلفی انجام شده است (9). شواهد بدست آمده از همه این مطالعات، باید جامعه بالینی را ترغیب کند تا به درک خوبی در یادگیری ماشین دست یابد (10) و بدین ترتیب آنها را قادر سازد تا با استفاده روزافزون از این فن اوری ها در مراقبت های بهداشتی به راحتی برسند.

امنیت در شبکه حسگر بیسیم: نگاه فعلی

Security in Wireless Sensor Network: A Current Look

چکیده

1 مقدمه

2 معماری شبکه حسگر بی سیم (WSN)

3 مسائل امنیتی شبکه حسگر بی سیم (WSN)

4 طبقه بندی لایه ای حملات به شبکه حسگر بی سیم (WSN)

5 الگوریتمهای رمزنگاری سبک وزن

6 مسائل پژوهشی

7 نتیجه گیری

منابع

چکیده

     شبکه حسگر بی سیم (WSN) برای خودکار سازی و بهبود قابلیتهای جمع ‌آوری اطلاعات در پروژه ‌های شاخصی از قبیل پایش پزشکی، صنایع، تحقیقات و آزمایشات علمی، کارخانه ها، حمل و نقل و غیره استفاده می‌ شود. بازی واقعیت افزوده (AR )، واقعیت مجازی (VR)، دستگاه های پوشیدنی، شهرهای هوشمند، و کشاورزی هوشمند، برخی از برنامه های جدیدتر آن هستند. دولتها نیز در برنامه های نظامی خود، از شبکه حسگر بی سیم (WSN) برای جمع آوری داده ها و اطلاعات استفاده می کنند. گره های WSN در سطح گسترده ای استفاده می شوند، و از آنجاییکه ارزان، پودمانی، قابل برنامه ریزی، قابل پیکره بندی و اد هاک هستند، می توانند در یک محیط باز با اتصال بی سیم و غیره نیز استفاده شوند. این ویژگیها سبب شده که WSN به آسانی مورد حمله مهاجمان قرار بگیرد. داده های جمع آوری شده توسط WSN برای افراد یا سازمانها، داده های خصوصی یا حساسی هستند. از این رو، امنیت مسئله مهمی در تحقیقات WSN در نظر گرفته می شود. در این مقاله، یک مرور اجمالی بر امنیت WSN را ارائه می دهیم. ابتدا WSN و معماری آن را معرفی می کنیم. سپس، در مورد طبقه ‌بندی لایه ‌ای حملات امنیتی و تکنیکهای کاهشی محتمل به بحث می پردازیم تا بتوانیم حملات و شدت آنها را درک کنیم. برای حفظ امنیت WSN، الگوریتمهای رمزنگاری سبک وزن را از نظر شایستگی، عملکرد، نیاز به باتری و موارد دیگر مورد تحلیل و بررسی قرار می دهیم.

معماری شبکه حسگر بی سیم (WSN)
     پشته های شبکه به صورت لایه ‌هایی تقسیم می‌ شوند تا پیچیدگیها و مسئولیتها در لایه ‌های مختلف را از هم تفکیک کنند، و همچنین اشکال ‌زدایی و نگهداری آسان ‌تر از پشته ها را میسر سازند. مدل OSI و TCP/IP از بارز ترین پشته های شبکه هستند. پشته شبکه WSN نیز همانند مدل OSI که در شکل 1 نشان داده شده به صورت معماری پنج لایه ای تقسیم می شود.

• لایه فیزیکی در WSN همانند مدل OSI است و پایین ترین لایه در پشته شبکه است. این لایه، لینکی را برای ارتباط بین موتها و دریافت/ ارسال داده ها بصورت دو دویی ایجاد می کند. علاوه براین، وظایفی همچون جستجوی گستره مناسب فرکانس برای انتقال داده ها، تولید فرکانس حامل برای ارسال داده ها، منحرف کردن سیگنالها، مدولاسیون سیگنالها، رمزنگاری داده ها و دریافت سیگنال داده ها را بر عهده دارد.
• لایه لینک داده ها وظایف مختلفی را بر عهده دارد که عبارتند از: مالتی پلکس سازی سیگنال داده ها، تشخیص تصادم، تشخیص چارچوب داده ها، کنترل خطا، کنترل دسترسی به یک محیط انتقال (MAC) و ارائه ارتباطات مطمئن نقطه به نقطه و یک نقطه به چند نقطه.
• لایه شبکه وظایفی مانند تخصیص آدرس شبکه را بر عهده دارد، که مبتنی بر داده یا مکان هستند نه یک شماره I.D منحصربفرد، به این دلیل که اندازه شبکه WSN می تواند بسیار بزرگ باشد، ارتباط بین شبکه ای با شبکه های خارجی دارد و ارسال بسته های داده را مدیریت و کنترل می کند.
• لایه حمل ملزم به ارائه اطلاعات برای نقل و انتقال مطمئن بسته های داده است. مسیریابی بسته های داده توسط لایه شبکه از طریق اطلاعات عبوری از لایه حمل انجام می شود. اگرچه قابلیت اطمینان انتقال داده ها از مبدا به مقصد را با توجه به عدم وجود یک طرح منحصربفردآدرس دهی جهانی، مقیاس پذیری شبکه، اتلاف توان و موارد دیگر نمی توان مانند قابلیت اطمینان لایه انتقال در مدل OSI تضمین کرد. اما لایه حمل WSN می تواند یک قابلیت اطمینان متمرکز را تضمین کند.
• بالاترین لایه در پشته WSN ، لایه کاربرد است. این لایه، چگونگی ساختار بندی و قالب بندی داده ها را قبل از ارسال به گره های دیگر در شبکه کنترل می کند و قالب و ساختار داده هایی که از گره های دیگر دریافت می شوند را تعیین می کند. این لایه به عنوان یک واحد قابل برنامه ریزی عمل می کند که همه لایه های دیگر موجود در WSN را جدا می کند و اجرای برنامه های مختلف و تعامل کاربر با آن را میسر می سازد.

یکپارچه سازی فرایند مسیریابی مبتنی بر اینترنت اشیاء برای مدیریت زنجیره تامین غذا در شهرهای هوشمند پایدار

Integration of IoT based routing process for food supply chain management in sustainable smart cities

چکیده

1- مقدمه

2- آثار مرتبط

3- روش شناسی

3-1 شبکه ی زنجیره ی تأمین غذای مبتنی بر اینترنت اشیاء

3-1-1 تولیدکننده ی غذا

3-1-2 مرکز انبار کارخانه ی تولیدی

3-1-3 صنعت پردازش و بسته بندی غذا

3-1-4 انبار تأمین غذا و مرکز توزیع

3-1-5 فروشگاه

3-1-6 مصرف کننده

3-1-7 رایانش ابری

3-1-8 پیمانه ی ردیابی و پیگیری آلودگی غذا

3-1-9 پیمانه ی مولد مسیر وسایل نقلیه (VRG)

3-2 مدل مسیریابی وسایل نقلیه بر مبنای مستعمره ی مورچگان

3-2-1 شبکه ی جاده و وسایل نقلیه

3-2-2 مسیریابی وسایل نقلیه ی پویا با بهینه سازی مسیر مستعمره ی مورچگان

3-2-3 اعلان هشدار

4- نتایج و بحث

4-1 گردآوری داده ها

4-2 تحلیل صحت سامانه ی DPSTT

4-2-1 سناریوی 1

4-3 سناریوی 2

4-4 تحلیل مقایسه ای میان DVRACRO پیشنهادی و الگوریتم موجود بر مبنای زمان پیمایش

4-5 تحلیل مقایسه ای میان DVRACRO پیشنهادی و الگوریتم موجود بر مبنای زمان اجرا

5- نتیجه گیری

منابع

چکیده

رشد شتابان جمعیت در محدوده های کلانشهری فشار فزاینده ای به مناطق شهری وارد کرده است. راهبرد محوری در قبال شهرهای هوشمند باید شامل راه حلی برای زندگی کلانشهری و محیط بوم شناختی باشد. یکی از حوزه های کاربردی مهم اینترنت اشیاء در شهرهای هوشمند، صنعت غذا است. سامانه های اینترنت اشیاء به پایش، تحلیل، و مدیریت صنعت غذای بلادرنگ در شهرهای هوشمند کمک می کنند. در این پژوهش، ما یک زنجیره ی تأمین غذای پویای مبتنی بر اینترنت اشیاء برای شهرهای هوشمند  پیشنهاد می کنیم که نه تنها کیفیت غذا را تضمین می کند بلکه مسیریابی وسایل نقلیه ی هوشمند و نیز رهگیری منشأ آلودگی در مواد غذایی را فراهم می آورد. افزون بر این، یک راهبرد گردآوری داده های حسگرهای هوشمند بر مبنای اینترنت اشیاء مورد استفاده قرار می گیرد که کارایی و صحت شبکه ی زنجیره ی تأمین را با حداقل ابعاد مجموعه داده بهبود می بخشد و با ارائه ی یک الگوریتم مسیریابی وسایل نقلیه، منشأ آلودگی مواد غذایی آلوده در بازارها رهگیری می شود. مدل پیشنهادی ما با یک ارزیابی جامع و فراگیر مورد ارزشیابی قرار می گیرد و در این راستا از مقیاس ها عملکردی گوناگونی همچون پیگیری صحت، تأخیر، زمان اجرا، و زمان پیمایش استفاده می شود. نتایج نشان می دهد که سامانه ی پیشنهادی در مقایسه با رویکردهای موجود عملکرد بهتری دارد.

5- نتیجه گیری

در این مقاله، ما شبکه ی زنجیره ی تأمین غذای مبتنی بر اینترنت اشیاء را ارائه می کنیم که به طور کارامدی محصول غذایی آلوده در درون شبکه ی زنجیره ی تأمین را ردیابی و رهگیری می کند و نیز منشأ محصول غذایی آلوده را تعیین می کند. افزون بر این، ما همچنین مسیریابی وسایل نقلیه ی پویا با استفاده از الگوریتم مستعمره ی زنبور عسل را ارائه می کنیم تا زمان پیمایش و اجرای طی حمل و نقل را به حداقل برساند. در اثر پیشنهادی، ما نخست سامانه ی DPSTT را پیش نهادیم که محصول غذایی آلوده و منشأ اصلی را با استفاده از رویکرد نمونه گیری و تقسیم بندی پویای مبتنی بر برآورد بیز ردیابی و رهگیری می کند و سپس گراف جهت دار غیرمدور (DAG) و طرح پیمایش جست وجوی اول عمق (DFS) محصول غذایی را ردیابی و پیگیری می کند. بر اساس تحلیل نتایج، چنین برمی آید که الگوریتم ردیابی و پیگیری DPSTT ما به صحت ردیابی 3/95 درصدی تحت نرخ نمونه گیری کمینه ی 6/7 درصدی در مقایسه با رویکرد سنتیِ نمونه گیری کلی دست می یابد. افزون بر عملکرد بهتر در زمینه ی صحت ردیابی و پیگیری، ما تحلیل مقایسه ای مدل های مسیریابی پویای پیشنهاد با الگوریتم های موجود ازجمله الگوریتم حریصانه و تخصیص تصادفی بر مبنای پارامترهای مقایسه ای شامل زمان اجرا، زمان پیمایش، و تأخیر را نشان می دهیم. تحلیل ارزیابی عملکرد نشان می دهد که مدل پیشنهادی بهترین مسیر بهینه را پیشنهاد می کند که کم ترین زمان پیمایش، کم ترین تأخیر، و کم ترین زمان اجرا را فراهم می آورد. در این مقاله، ما پیشنهاد کردیم که همه ی اطلاعات منابع مواد غذایی با یک انبار مرکزی مقایسه شود و این منابع فراداده به شکل یکنواخت و یکدستی نظام مند شوند. در آینده، این مقاله را می تواند به نحو زیر گسترش و تعمیم داد: 1) انجام وظایف رایانش ابری در خود لبه ی شبکه برای بهینه سازی بیش تر تأخیر و مصرف کم تر انرژی. 2) کاربرد عملی و واقعی زنجیره ی تأمین غذا در یک جامعه به عنوان بستر آزمایش برای یک مدیریت کلانشهری.

Abstract

The rapid growth of population in metropolitan areas has put incremental pressure on urban cities. The centric strategy towards smart cities are expected to cover solution for metropolitan life and ecological environment. One of the significant application areas of IoT in smart cities is the food industry. IoT systems help to monitor, analyze, and manage the real-time food industry in smart cities. In this research, we proposed an IoT based Dynamic Food Supply Chain for Smart Cities which not only ensures the food quality but also provides intelligent vehicle routing as well as tracing sources of contamination in FCM. Furthermore, a smart sensor data collection strategy based on IoT is utilized which would improve the efficiency and accuracy of the supply chain network with the minimized size of dataset and vehicle routing algorithm is introduced and tracing the contamination sources of infected food in the markets. Our proposed model is evaluated with the comprehensive evaluation and used various performance metrics such as tracing accuracy, delay, execution time, and traveling time. The results show that the proposed system outperforms when compared with existing approach.

5. Conclusion

In this paper, we present IoT based Food Supply chain network that efficient trace and track the contaminate food product within supply chain network and also determine the source of contaminated food product. Moreover, we also present dynamic vehicle routing using Bee Colony algorithm to minimize the traveling and execution time during transportation. In the proposed work first, we proposed DPSTT system that trace and track the contaminated food product and root source using Bayesian estimation based dynamic sampling and portioning approach and later trace and track the food product DAG graph and DFS traversal scheme. From result analysis, it is indicated that our DPSTT tracing and tracking algorithm achieve tracing accuracy of 95.3% under minimum sampling rate of 7.6% in comparison to traditional global sampling approach. In addition to outperforming tracing accuracy, we demonstrate comparison analysis of proposed dynamic routing models with existing algorithms including greedy and random allocation based on comparison parameters including execution time, traveling time, and delay. The performance evaluation analysis illustrates that the proposed model suggests the best optimal path that provides minimum traveling time, minimum delay and minimum execution time. In this work, we supposed that all source information of foodstuff is compared by a central repository and these metadata sources are systematized in a uniform way. In future, this work can be extended by (1) performing cloud computation tasks at the network edge itself for more delay optimization and less energy consumption. (2) Real-world application of the provenance of the food supply chain in a community as our testing bed for megacity management.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یکپارچه سازی فرایند مسیریابی مبتنی بر اینترنت اشیاء برای مدیریت زنجیره تامین غذا در شهرهای هوشمند پایدار

Integration of IoT based routing process for food supply chain management in sustainable smart cities