دستگاه هشدار و پیش بینی افتادن مبنی بر اینترنت اشیا (IoT)

Internet of Things based Fall Prediction and Alerting Device

چکیده

مقدمه

روش شناسی

1- سامانه ی پیشنهادی

2- Twilio و اینترنت اشیاء

3- بستر اینترنت اشیای Thingspeak

نتایج و بحث

نتیجه گیری

منابع

چکیده

     بیش تر اوقات افراد کهنسال تنها زندگی می کنند یا به دلایل بسیار، از افراد جوان تر جدا هستند. از آنجا که آنان تنها زندگی می کنند، معمولاً بر زمین می افتند. این زمین خوردن منجر به مسائل گوناگونی مرتبط با سلامت می-شود و حتی به مرگ می انجامد. در این مقاله، یک دستگاه پیش بینی و هشداردهنده ی افتادن مبتنی بر اینترنت اشیاء نقش عمده ای در کمک کردن به این افراد کهنسال ایفا می کند، چرا که مراقبت و پرستاری مستمر و پیوسته از آنان دشوار است. افزون بر این، دستگاه پیشنهادی به شکلی طراحی شده است که هرگاه بیمار در آستانه ی افتادن باشد، با حس کردن مقدار مربوط به حسگرهای شتاب سنج و چرخش سنج و مقایسه ی آن ها با مقدار آستانه، زنگ مربوط صدای هشداردهنده ای تولید می کند تا موضوع را به بیمار منتقل کند. همچنین، این دستگاه پس از به زمین افتادن بیمار، پیام های هشداردهنده ای برای سرپرست می فرستد. نتیجه نشان می دهد که پیام به سرپرست بیمار هشدار می دهد و باعث می شود که بیمار کمک را به موقع دریافت کند. بدین ترتیب، مراقبت ویژه تضمین می شود تا از آن افراد مراقبت شود و می توان مانع از رخ دادن مسائل مربوط شد.

سامانه ی پیشنهادی

مدل های کنونی فاقد یک دکمه ی چُرت (خاموشی موقت) برای جلوگیری از هشدار کاذب هستند و هیچ گزینه ای برای هشدار دادن به افراد ناشنوا وجود ندارد. محدودیت زمانی برای دریافت پیام هشدار زمان می برد. بیش تر مدل-های کنونی به صورت دستگاه های پوشیدنی طراحی می شوند که می تواند باعث ناراحتی برای کاربر (استفاده کننده) شود. مدل های کنونی عمدتاً با بوردهای آروئینو طراحی می شوند که نسبت به رزبری پای نسبتاً کندتر هستند.

سامانه ی پیشنهادی در مقایسه با مدل های موجود دارای ارتقاهای زیر است:

• مدل پیشنهادی با دکمه ی چُرت برای جلوگیری از هشدار کاذب طراحی می شود.
• این مدل در هشدار دادن به افراد ناشنوا سودمند است چون با LED طراحی می شود.
• کاربرد Twilio تضمین می کند که پیام هشدار به موقع تحویل داده می شود.
• مدل پیشنهادی یک دستگاه تعبیه شده در ویلچر است که نمی تواند هیچ ناراحتی برای کاربر در پی داشته باشد.
• این سامانه با رزبری پای 3 مدل B+ طراحی می شود که سریع تر و دقیق تر است.

شکل 1 نمودار بلوکی این مدل پیشنهادی را نشان می دهد که هم شامل پیش بینی افتادن و هم سامانه ی هشداردهنده است.

     چند بخش وجود دارد که در این اثر مورد استفاده قرار می گیرند، مانند رزبری پای 3 مدل B+، حسگر شتاب-سنج و چرخش سنج (MPU6050)، زنگ فعال، دکمه ی فشار، پایداری کننده و غیره. این دستگاه بر پایه ی مقادیر ثبت شده توسط حسگر شتاب سنج و چرخش سنج که به سرپرست هشدار می دهند، عمل می کند. سامانه ی هشداردهنده در این دستگاه پیام افتادن را به نزدیکان بیمار منتقل می کند. دستگاه زمانی هشدار خود را فعال می کند که تشخیص دهنده ی افتادن سیگنال های دریافتی از حسگر شتاب سنج و چرخش سنج را بلادرنگ رصد کند و بدین وسیله هشداری مبنی بر این که او در حال افتادن است، برای بیمار فراهم می کند. این هشدار زمانی تولید خواهد شد که مقادیر حسگر از مقدار آستانه ی مشخصی فراتر روند یا زمانی که مقادیر با یک نرخ مشخصی در حال افزایش باشند. افزون بر این، دستگاه پیشنهادی شامل یک دکمه ی فشار است که بیمار می تواند آن را فعال کند تا هشدار را در صورت تولید یک هشدار کاذب قطع کند. چنانچه دکمه ی فشار ظرف 10 ثانیه فعال-سازی نشود، پیام به سرپرست بیمار فرستاده خواهد شد. کل این الگوریتم با استفاده از نرم افزار پایتون در درون محیط رزبری پای کدنویسی می شود.

Twilio و اینترنت اشیاء

     Twilio یک اَبَرتارنما از اتصالات میان ارتباطات راه دور و شبکه است که به متصل شدن بی وقفه ی مشتریان در هر نقطه ای و در هر زمانی کمک می کند. این فعال سازی با ایجاد یک حساب کاربری با استفاده از شناسه ی ایمیل سرپرست بیمار آغاز می شود و شماره ی تلفن سرپرست در این حساب لحاظ می شود. افزون بر این، SID حساب (Accounts SID)، توکن احراز هویت (Auth token) و شماره تلفن Twilio (Twilio phone number) در Twilio تولید خواهند شد. این موضوع را می توان در بخش کنسول این صفحه ی وب Twilio مشاهده کرد. شکل 2 صفحه ی وب کنسول در حساب Twilio را نشان می دهد. Twilio دارای کتابخانه هایی برای NodeJS است که با استفاده از آن می توان قابلیت کنترل با متن را برای رزبری پای خود فراهم کرد.

هوش شناختی با بهینه سازی شبکه Ad-Hoc تطبیق پذیرخودرویی

Cognitive Intelligence with Adaptive MAC Vehicular Ad-Hoc Network Optimization

چکیده

I. مقدمه

II. تحقیقات مرتبط

III. VANET MAC انطباقی معرفی شده (ADMAC)

V. نتیجه و بحث

VI. نتیجه گیری

چکیده

تحویل موفق و منظم اطلاعات در شبکه تک کاره خودرویی (VANET) برای سیستم حمل و نقل هوشمند(ITS) بدلیل وجود ویژگیهای منحصر بفرد شبکه تک کاره خودرویی) (VANET از جمله تغییر سریع موقعیت و قطعی های متناوب چالش برانگیز هستند. طرح های کنونی از پارامترهای استاتیک در موقعیت های متغیر شبکه تک کاره خودرویی (VANET) استفاده می کنند که منجر به عدم تطبیق پذیری می شود. بدلیل تغییر سریع موقعیت و اختلال متناوب در VANET، یک طرح پروتکل بهینه سازی جدول بندی کنترل دسترسی متوسط شبکه تک کاره خودوریی(VANET) تطبیق پذیر(MAC) شناختی معرفی شده است که می تواند پارامترهای انتقالی را تغییر دهد و در آن تغییرات مختلف موقعیت شبکه تک کاره خودرویی (VANET) در اولویت است. Adaptive VANET MAC با نام AdMAC، نسبت تغییر سیگنال به نویز و مداخله (SINR) به عنوان شاخصی برای نشان دادن محیط انتقال شبکه تک کاره خودرویی(VANET) و تراکم ترافیک مطرح شده است. سپس نسبت تغییر سیگنال به نویز و مداخله (SINR) برای تعیین اندازه پنجره مباحثه VANET MAC استفاده می شود. شبیه سازی در شرایط ترافیک متراکم و غیر متراکم در منطقه شهری کوالالامپور مالزی انجام شده است. نتایج نشان می دهد که AdMAC معرفی شده دارای تطبیق پذیری بهتر از نظر سرعت موفقیت بسته بندی و میانگین تاخیر می باشد.

I. مقدمه

در شبکه تک کاره خودرویی (VANET) ، خودروها به صورت تصادفی با تحرک زیاد با تغییر موقعیت و انحرافات متوالی رانندگی می کنند (1). طرح های کنونی در شبکه تک کاره خودرویی (VANET) از پارامترهایی استفاده می کنند که پایایی انتقال، ثبات انتقال، تداخل و شرایط ترافیک را برای بهینه سازی اندازه پنجره مباحثه در نظر نمی گیرند (2). برای اطمینان از اینکه شبکه تک کاره خودرویی (VANET) از خرابی کمتر بسته بندی رنج می برد و به کمترین مقدار تاخیر می رسد، پارامترهای VANET MAC باید تطبیق یافته و بهینه سازی شوند تا مطمئن شد که عملکرد انتقال VANET MAC در موقعیت های مختلف و انحرافات متعدد حفظ می شود (3). اخیرا، شبکه تک کاره خودرویی (VANET)  توسط IEEE802.11p با اولویت طرح دسترسی کانال توزیعی ارتقا یافته(EDCA) کنترل می شود (4). طرح پیش فرض IEEE802.11p همچنان استاتیک تر است و این ویژگی باعث کمتر شدن کارایی در محیط های متغیر انتقال شبکه تک کاره خودرویی (VANET) می شود.

VI. نتیجه گیری

  شبکه تک کاره خودرویی (VANET) یک فناوری تازه پدیدار شده برای اطمینان از امنیت از طریق ارتباطات بین خودروها است. طرح کنونی VANET نشان دهنده عدم تطبیق پذیری در یک محیط متغیر انتقالی است که دلیل آن وجود پارامترهای استاتیک است. بنابراین، در این مقاله، یک پروتکل بهینه سازی تطبیقی جدید برای شبکه تک کاره خودرویی (VANET) تکاملی دینامیک در سیستم انتقال هوش (ITS) با نام AdMAC معرفی شده است. در AdMAC، نسبت تغییر سیگنال به نویز و مداخله (SINR) برای تنظیم اندازه پنجره مباحثه برای برنامه ریزی بسته ای استفاده می شود. اندازه بزرگ پنجره مباحثه برای شرایط انتقالی غیر کاربردی داده شده است تا بتوان بسته ها را قبل از انتقال شفاف کرد، در حالی که اندازه پنجره با غلظت پایین برای شرایط انتقال خوب داده می شود. شبیه سازی در ترافیک متراکم و غیر متراکم در منطقه شهری کوالالامپور در نقشه مالزی انجام شده است و از برنامه های Omnet++, SUMO, Veins و گوگل مپ استفاده شده است. نتایج نشان می دهد که روشAdMAC مطرح شده در محیط های انتقالی مختلف، تطبیق پذیری و بهینه سازی بهتر دارد و موفقیت سرعت بسته بندی بیشتر و میانگین تاخیر کمتر است.

Abstract

Successful and timely data delivery in evolutionary Vehicular Ad-Hoc Network (VANET) for Intelligent Transportation System (ITS) are particularly challenging due to the unique characteristics of VANET, such as fast topology change and frequent disruptions. The current VANET schemes use static parameters in an ever changing VANET topology, which results in lack of adaptability. Due to the fast topology change and frequent disruptions in VANET, a cognitive and adaptive VANET Medium Access Control (MAC) scheduling optimization protocol scheme, which is able to change its transmission parameters, to suit different topology change in VANET is preferable. In the proposed Adaptive V ANET MAC, namely AdMAC, change of signal to noise and interference ratio (SINR) is proposed as an indicator to represent VANET transmission environment and traffic density. The change of SINR is then used to determine the V ANET MAC contention window size. Simulation is conducted under congested and non-congested traffics, in the urban map of Kuala Lumpur, Malaysia. Results show that the proposed AdMAC has better adaptability, in terms of packet success rate and average delay.

I. INTRODUCTION

In VANET, vehicles drive randomly with high mobility under fast topology change and frequent disruptions [1]. The current existing schemes in VANET use parameters that do not consider transmission reliability, transmission stability, interference and traffic conditions, to optimize contention window size [2]. In order to ensure VANET suffers less packet collisions and achieve minimum delay, VANET MAC parameters have to be adaptive and optimized, to ensure VANET MAC transmission performance is maintained, under ever changing topology and frequent disruptions [3]. Currently, VANET is governed by IEEE802.11p with Enhanced Distributed Channel Access (EDCA) priority scheme [4]. The default IEEE802.11p scheme is still very much static, which makes it less feasible, under varying VANET transmission environments.

VI. CONCLUSION

VANET is an emerging technology to ensure safety through communication between vehicles. The current VANET scheme shows lack of adaptability in an ever changing transmission environment due to its static parameters. Therefore, in this paper, a novel adaptive optimized scheduling protocol for MAC layer dynamic evolutionary VANET in intelligent transportation system (ITS), namely AdMAC is proposed. In AdMAC, change of SINR is used to determine traffic density and transmission environment. The change of SINR is then used to set the contention window size for packet scheduling. High contention window size is given to unviable transmission conditions to allow packets to clear before next transmission takes place, whereas low contention window size is given to good transmission conditions to allow more packet transmissions to take place. Simulation is conducted under congested and non-congested traffic in an urban Kuala Lumpur, Malaysia map, with the use of Omnet++, SUMO, Veins and open google map applications. Results show that the proposed AdMAC shows better adaptability and optimization, under varying transmission environment, with improved packet success rate and lower average delay.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

هوش شناختی با بهینه سازی شبکه Ad-Hoc تطبیق پذیرخودرویی

Cognitive Intelligence with Adaptive MAC Vehicular Ad-Hoc Network Optimization

تشخیص برنامه مخرب Android مبتنی بر مجوز با استفاده از یادگیری ماشین

Permission based Android Malicious Application Detection using Machine Learning

چکیده

1- مقدمه

2- پیش‌زمینه و کارهای مربوطه

3- متدلوژی مورد استفاده

4- نتایج تجربی

5- نتیجه‌گیری‌ها و امتیاز ویژگی

منابع

چکیده

از زمان راه‌اندازی تلفن‌های هوشمند، استفاده از آن‌ها به صورت تصاعدی در حال افزایش است. این تلفن‌ها تبدیل به بخش مهمی از زندگی ما شده‌اند. زندگی روزمره ما بسیار وابسته به تلفن‌های هوشمند است و ما از برنامه‌های مختلفی هم از فروشگاه بازی  و هم از برنامه‌های شخص ثالث استفاده می‌کنیم. اغلب اوقات، برنامه‌های دانلود شده از برنامه‌های غیر رسمی تهدید کننده هستند زیرا کنترل‌ها یا مکانیسم‌های لازم برای تایید اعتبار این برنامه‌ها وجود ندارند و ممکن است آلوده به بدافزار باشند. برنامه‌های آلوده شده توسط بدافزارها می‌توانند منجر به نشت اطلاعات شخصی کاربر شوند. ابزارهای ضد ویروس از روش‌های مبتنی بر امضا برای تشخیص بدافزارها استفاده می‌کنند اما پایگاه‌های داده آن‌ها نیاز به بروزرسانی‌های منظم دارند. در این مقاله، سیستمی را برای رده‌بندی برنامه‌های اندروید بر اساس مکانیسم‌های مورد استفاده توسط این برنامه‌ها ارائه می‌دهیم. ما از شش الگوریتم یادگیری ماشین برای رده‌بندی این برنامه‌ها در برنامه‌ّای بدخیم و خوش‌خیم استفاده کردیم. با مقایسه نتایج، کشف کردیم که الگوریتم رگرسیون لجستیک،  بهترین ابزار برای مجموع داده‌های ما است و دقت ۳۴/۹۹ درصد را فراهم می‌کند. 

2- پیش‌زمینه و کارهای مربوطه
     روش‌های مختلفی برای تشخیص بدافزار وجود دارند. رایج‌ترین روش، روش مبتنی بر امضا است. امضای نمونه‌های مخرب در یک پایگاه داده ذخیره می‌شود و این پایگاه داده سپس برای تشخیص بدافزار مورد استفاده قرار می‌گیرد. این روش تنها برای تشخیص بدافزارهای شناخته شده موثر واقع می‌شود. الگوریتم ML برای تشخیص بدافزار روز صفر معرفی شده است [۲، ۴]. با توجه به افزایش فعالیت‌های بدافزاری در جامعه اندروید، اقدامات پژوهشی زیادی توسط محققان در جهت تشخیص نمونه‌های بدافزاری اندروید انجام شده است. محققان از سراسر جهان از رویکردهای مختلفی برای رفع این مساله استفاده کرده‌اند. پیشرفت‌های بسیار و همچنین پویایی در این حوزه وجود داشته‌اند. تجزیه و تحلیل ایستای بدافزار شامل بررسی کد نمونه بدافزار بدون اجرای آن است. از سوی دیگر، تجزیه و تحلیل دینامیک بدافزار در واقع نظارت رفتار بدافزار در حین اجرای آن در محیط جعبه شنی است [۳]. بسیاری از رویکردهای تجزیه و تحلیل ایستای ارائه شده در [۵، ۶، ۷] بر اساس بدافزارهای از پیش شناخته شده بوده و برنامه‌ها را از طریق مهندسی معکوس محاسبه می‌کنند که به تجزیه برنامه‌های بسته‌بندی شده کمک کرده و جستجوی امضاها یا سایر اکتشافات نوشته شده در کد برنامه را ساده‌تر می‌سازد. برخی از محققان، از رویکردهای متفاوتی مانند [۸، ۹، ۱۰] پیروی می‌کنند که استفاده از توان توسط هر برنامه را کنترل کرده و مصرفی ناشناخته را به کاربر یا توسعه دهنده گزارش می‌دهند.

     بسیاری از رویکردهای تجزیه و تحلیل پویای مورد استفاده در [۱۱، ۱۲، ۱۳]، به طور پیوسته الگوی تماس‌های سیستم را کنترل می‌کنند. سایر رویکردها مانند [۱۵، ۱۶]، رویکرد روش‌های مبتنی بر امضای جهانی را اجرا کرده‌اند که قادر به مقایسه برنامه مورد بررسی با بسیاری از بدافزارهای شناخته شده یا سایر اکتشافات کرده‌اند. به تازگی محققان شروع به استفاده از داده‌کاوی و یادگیری ماشین (ML) برای رده‌بندی و تشخیص بدافزارها کرده‌اند [۱۷، ۱۸، ۱۹، ۲۰]. این روش‌ها قادر به تشخیص بدافزار روز صفر هستند.

     در [۱۲]، چارچوبی بر اساس ML با عنوان Crowdroid ارائه می‌شود که قادر به تشخیص بدافزارهای روی تلفن‌های هوشمند اندروید بر اساس تماس‌های سیستم و فرکانس آن‌ها است. به طور مشابه، در [۲۱]، یک سیستم تشخیص نفوذ بر اساس یادگیری ماشین ارائه می‌شود. این سیستم به طور پیوسته رفتار کاربر و همچنین رفتار تلفن هوشمند را با مشاهده پارامترهای خاص، با دامنه از فعالیت‌های حسگر تا استفاده از CPU، کنترل می‌کند. این مدل از ۸۸ ویژگی استفاده می‌کند که همراه باهم رفتارهای سیستم را در راستای ریشه‌یابی سیستم و استفاده خارجی از سیستم لینکوس توصیف می‌کنند. یک مدل خوشه‌بندی مبتنی بر یادگیری ماشین در [۲۲] استفاده شده است که تماس‌های کارکردی ایستا از موانع را برای تشخیص ناهنجاری‌ها تجزیه و تحلیل می‌کند. سیستم عامل Symbian از این نوع تکنیک استفاده کرده است. این چارچوب از یک مشتری، یعنی سیستم تشخیص ناهنجاری از راه دور ، استفاده می‌کند که قطعه را نظارت و متجسم‌سازی می‌کند. 

NB-WiFI : بلوتوث کم انرژی و IEEE 802.11 تجمیع شده برای پشتیبانی از اینترنت اشیا

NB-WiFi: IEEE 802.11 and Bluetooth Low Energy combined for Efficient Support of IoT

چکیده

I. دیباچه

II. بحث پیش‌زمینه در BLE و IEEE 802.11

A. BLE – مؤلفه‌های کلیدی

B. IEEE 802.11ax – مؤلفه‌های کلیدی

III. لایه فیزیکی NB-WiFi

A. ارسال به زمین

B. ارسال به ماهواره

IV. نتایج شبیه‌سازی

A. تنظیمات شبیه‌سازی

B. ارسال به ماهواره

C. ارسال به سمت زمین

V. نتیجه‌گیری

چکیده

 ویژگی‌های دو استاندارد غالب برای پهناهای بدون مجوز، IEEE 802.11 و فناوری بلوتوث بی‌سیم، برای دستیابی به یک‌لایه فیزیکی (PHY) با چندین ویژگی مطلوب برای اینترنت اشیا تجمیع شده‌اند. PHY ارائه‌شده‌ای که به‌عنوان WiFi پهنای باریک مورد خطاب قرار داده می‌شود، می‌تواند توسط فرستنده و گیرنده OFDM در دسترس در یک نقطه دسترسی (AP) IEEE 802.11 مورد پشتیبانی قرار گیرد. علاوه بر این، NB-WiFI استفاده هم‌زمان از برنامه‌های IoT با نرخ داده پایین را و پهنای باند نرخ داده بالا را با استفاده از فناوری IEEE 802.11ax پشتیبانی می‌کند. این کار برمبنای IFFT/FFT منفرد در AP است. در گره حسگر، سخت‌افزار بلوتوث کم انرژی (BLE) را می‌تواند مجدداً استفاده کرد و آن را برای پیاده‌سازی حالت دوگانه BLE و NB-WiFi متناسب کرد. عملکرد PHY ارائه‌شده برای یک کانال AWGN شبیه‌سازی‌شده و در مقایسه با گیرنده BLE معمولی، بهبود حساسیت 10 db را به دست آورده است. این بهبود ناشی از نرخ داده پایین‌تر است.

I- دیباچه

در این کار، لایه فیزیکی (PHY) جدیدی بر مبنای ترکیب مزایای کلیدی استانداردهای بلوتوث کم انرژی (BLE) و IEEE 802.11 ارائه کرده‌ایم. اسامی این مزایای کلیدی، بازدهی توان BLE و دسترسی‌پذیری وسیع زیرساخت IEEE 802.11 است. این لایه را WiFi پهنای باریک (NB-WiFi) PHY می‌نامیم. برای فعال‌سازی دستگاه‌های کم‌هزینه و سلول‌های سکه‌ای عامل IoT، مدوله سازی سازگار (اگر عیناً نباشد) با کلید گذاری تغییر فرکانس گاوسی (GFSK) شده است. این موضوع به فروشندگان امکان استفاده مجدد طراحی‌های مجموعه تراشه BLE را داده و شرایط کار در چندین حالت را (حالت BLE و حالت IoT) برای دستگاه‌های IoT فراهم می‌کند. برای تأکید روی دسترسی‌پذیری گسترده 802.11، NB-WiFi با طراحی واحد دسترسی چندگانه فرکانس متعامد (OFDMA) از استاندارد 802.11ax آینده، سازگار شده است. سازگاری OFDMA طیفی از بازدهی را ارائه می‌دهد درحالی‌که امکان استفاده مجدد از سخت‌افزار در نقاط دسترسی (AP) پشتیبانی‌کننده از IEEE 802.11ax را نیز فراهم می‌کند.

V- نتیجه‌گیری

این مقاله یک NB-WiFi را ارائه می‌دهد. یک PHY که هدف آن برنامه‌های IoT است. این طراحی امکان پیاده‌سازی با پیچیدگی کم را فراهم کرده و عملکرد پیوند ایده آلی را ارائه می‌دهد. علاوه بر این، دو ویژگی کلیدی را دارا هست. اول، بیشترین استفاده مجدد از سخت‌افزاری که پیش‌ازاین در BLE و IEEE 802.11 در دسترس بوده را امکان‌پذیر می‌کند. دوم، امکان عملیات هم‌زمان با استاندارد 802.11ax را مورد هدف قرار داده است. این موضوع همزیستی خوبی با دیگر سامانه‌های 802.11 و همچنین استفاده کارآمد از طیف را تضمین می‌کند. باوجود استفاده مجدد از سخت‌افزار BLE و IEEE 802.11ax، عملکرد ایدئال نشان داده شد. این موضوع نشان می‌دهد که PHY نشان داده‌شده می‌تواند روی طراحی مجموعه تراشه‌های موجود در توسعه سامانه‌های IoT مقرون‌به‌صرفه و کم‌توان تأکید داشته باشد.

Abstract

Key features of the two dominating standards for the unlicensed bands, IEEE 802.11 and Bluetooth Wireless Technology, are combined to obtain a physical layer (PHY) with several desirable features for internet of things (IoT). The proposed PHY, which is referred to as Narrow-band WiFi (NB-WiFi) can be supported by an OFDM transceiver available in an IEEE 802.11 access point (AP). In addition, NB-WiFi supports concurrent use of low data rate IoT application and high data rate broadband using IEEE 802.11ax technology, based on a single IFFT/FFT in the AP. In the sensor node, Bluetooth Low Energy (BLE) hardware can be reused, making it suitable for dual mode implementation of BLE and NB-WiFi. The performance of the proposed PHY is simulated for an AWGN channel, and it achieves about 10 dB improved sensitivity compared to a typical BLE receiver, due to the lower data rate.

I- INTRODUCTION

In this work we propose a new physical layer (PHY) based on combining key advantages of the Bluetooth Low Energy (BLE) [1], [2] and the IEEE 802.11 standards, namely the power efficiency of BLE and the wide availability of IEEE 802.11 infrastructure. We denote this PHY Narrow-Band WiFi (NB-WiFi). To enable low cost and coin cell operated IoT devices, the modulation is compliant with, although not identical to, Gaussian Frequency Shift Keying (GFSK). This allows vendors to re-use BLE chip-set designs and provides the IoT devices the possibility to operate in multiple modes; one BLE mode and one IoT mode. In order to leverage on the wide-spread availability of 802.11, NB-WiFi is made compatible with the Orthogonal Frequency Division Multiple Access (OFDMA) design of the upcoming 802.11ax standard [3],[4]. The OFDMA compatibility provides spectrum efficiency, while allowing re-use of hardware in Access Points (APs) supporting IEEE 802.11ax.

V- CONCLUSIONS

This paper introduced NB-WiFi, a PHY targeting IoT applications. The design allows low complexity implementations and provides excellent link performance. In addition it possesses two key features. First, it enables maximum reuse of hardware already available in BLE and IEEE 802.11. Second, it targets the possibility of concurrent operation with the upcoming 802.11ax standard. This ensures good coexistence with other 802.11 systems, as well as efficient spectrum use. Excellent performance was demonstrated, although reuse of hardware from BLE and IEEE 802.11ax was assumed. This shows that the proposed PHY could leverage on existing chipset designs in the development of low cost and power efficient IoT systems.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

NB-WiFI : بلوتوث کم انرژی و IEEE 802.11 تجمیع شده برای پشتیبانی از اینترنت اشیا

NB-WiFi: IEEE 802.11 and Bluetooth Low Energy combined for Efficient Support of IoT

اندازه گیری نرخ اشتباه BIT در شبکه فیبر نوری از طریق تحلیلگر اترنت

Bit error rate measurements of fiber optic network through ethernet analysers

چکیده

1. مقدمه

2. عوامل تاثیرگذار بر نرخ خطای بیت

3. توصیف سیستم

A. تحلیلگر اترنت

B. کابل فیبر نوری تک حالته

C. واحد رابط سبک (LIU)

D. نرم افزار ReVeal MTX

4. روند آزمایش

A. اندازه گیری عملکرد نرخ خطای بیت با استفاده از پورت های فیبر نوری

B. اندازه گیری عملکرد توان عملیاتی با استفاده از پورت های نوری

C. تست عملکرد استاندارد RFC 2544 در انتهای به انتهای شبکه فیبر نوری

D. اندازه گیری توان عملیاتی و عملکرد RFC 2544 با استفاده از پورت های الکتریکی مسی/ RJ45

5. نتایج و نتیجه گیری ها

منابع

چکیده

این مقاله عملکرد انتها به انتهای یک شبکه فیبر نوری  (FON) تک حالته را توصیف می کند که به منظور کارگیری سیستم نظارت بدون سرنشین  (USS) برای شناسایی و ردیابی  اهداف متحرک زمینی و دریایی پیاده سازی شده است. فیبرهای نوری کاربرد گسترده ای در ارتباطات فیبر نوری دارند چرا که امکان ارسال در فواصل طولانی تر و با پهنای باند (نرخ داده) بیشتر را نسبت به دیگر شکل های ارتباطی فراهم می کنند. نرخ خطای بیت  (BER) پارامتر نهایی شاخص کلیدی در ارزیابی شبکه فیبر نوری از نظر داده دیجیتال از یک مکان به مکان دیگر است. در این مقاله علاوه بر نرخ خطای بیت، توان عملیاتی  و تست RFC 2544 نیز بر بستر شبکه فیبر نوری با استفاده از تحلیلگرهای اترنت دو پورته VeEX انجام می شود. هر دو پورت فیبر و مسی تحلیلگرهای اترنت برای دستیابی به پارامترهای معیار عملکرد شبکه فیبر نوری به کار گرفته می شوند. به غیر از اندازه گیری های نرخ خطای بیت با استفاده از تحلیلگرهای اترنت، بازتابنده نوری حوزه زمان  (OTDR) برای بررسی اتلاف سیگنال نوری بر بستر شبکه فیبر نوری مورد استفاده قرار گرفته است. تحلیل عملکرد نرخ خطای بیت در نرخ داده های مختلف و عوامل تاثیرگذار بر نرخ خطای بیت نیز در این مقاله مورد بحث قرار گرفته است.

1. مقدمه

بازتابنده نوری حوزه زمان (DRDO) به طور فعالانه در طراحی و توسعه انواع مختلف خودروهای زمینی بدون سرنشین  (UGV) برای کاربردهای مختلف به کار گرفته شده است. اولین خودروی زمینی بدون سرنشین هندی به نام MUNTRA   با استفاده از جدیدترین فناوری ها توسط موسسه تحقیق و توسعه خودروهای نظامی  (CVRDE) در چنای طراحی و توسعه داده شده است. 

موسسه CVRDE مجموعه خودروهای MUNTRA که از راه دور هدایت می شوند را براساس کلاس BMP II خودروهای مسلح آبی خاکی برای ماموریت های عملیاتی ویژه نظارت بدون سرنشین، شناسایی مواد شیمیایی بیولوژیکی هسته ای  (NBC) و تشخیص مین توسعه داده است. 

Abstract

This paper describes the end-to-end performance of single mode Fiber Optic Network (FON), implemented for Unmanned Surveillance System (USS) application for the detection and tracking of land and sea based moving targets. Optical fibers are widely in fiber optic communications which permits transmission over longer distances and at higher bandwidths (data rates) than other forms of communication. Bit Error Rate (BER) is the ultimate key index parameter in assessing the FON for transmission of digital data from one location to another location. In this paper, in addition to BER, throughput and RFC 2544 testing were also performed over the FON using dual port VeEX ethernet analyzers. Both the fiber and copper ports of ethernet analyzers were exercised for obtaining the performance metric parameters of FON. Apart from BER measurements using ethernet analyzers, Optical Time Domain Reflectometer (OTDR) has also been used for checking the optical signal loss over FON. The performance analysis of BER at different data rates and the factors affecting BER are also discussed in this paper.

I. INTRODUCTION

DRDO has been actively involved in the design and development of various types of UGVs for different applications. The first Indian tracked unmanned ground vehicle, named as MUNTRA (Mission Unmanned TRAcked) with the state-of-art technologies was designed and developed by the Combat Vehicles Research & Development Establishment (CVRDE), Avadi, Chennai.

CVRDE has developed the teleoperated MUNTRA series of tracked UGVs on the BMP II class of armoured, amphibious vehicles for specific operational missions of unmanned surveillance, NBC reconnaissance and mine detection.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

اندازه گیری نرخ اشتباه BIT در شبکه فیبر نوری از طریق تحلیلگر اترنت

Bit error rate measurements of fiber optic network through ethernet analysers

امنیت موبایل اندروید با شناسایی و طبقه بندی بدافزار بر اساس مجوزها با استفاده از الگوریتم های یادگیری ماشینی

Android mobile security by detecting and classification of malware based on permissions using machine learning algorithms

چکیده

1- مقدمه

2- کارهای مربوطه

3- مجموعه داده ها

4- برنامه های اندروید و رویکرد مجوز آن

5- نتایج تجربی

6- نتیجه گیری و مسیر پژوهشی آینده

منابع

چکیده

     اندروید، سهم عمده‌ای در بازار برنامه‌های تلفن همراه دارد. تلفن‌های همراه اندروید تبدیل به هدف آسانی برای مهاجمین شده‌اند. دلیل اصلی آن، بی‌توجهی کاربر در فرایند نصب و استفاده از برنامه‌ها است. بدافزارهای اندروید را می‌توان بر اساس مجوزهایی که از کاربر درخواست می‌کند شناسایی کرد. الگوریتم‌های یادگیری ماشین متعددی در تشخیص بدافزارهای اندروید بر اساس فهرست مجوزهای فعال شده برای هر برنامه مورد استفاده قرار می‌گیرند. این مقاله به مطالعه عملکرد برخی از الگوریتم‌های یادگیری ماشین مانند نایوبیز، J48، جنگل تصادفی، رد‌ه‌بندی چند-کلاسی، و پرسپترون چند-لایه‌ای می‌پردازد. داده‌های برنامه ۲۰۱۵ و ۲۰۱۶ گوگل پلی استور برای برنامه‌های نرمال استفاده می‌شوند و مجموعه‌های داده بدافزاری استاندارد در ارزیابی به کار می‌روند. مشاهده شده است که رد‌ه‌بندی کننده چند-سطحی دارای عملکرد بهتری نسبت به سایر الگوریتم‌ها در زمینه درستی رد‌ه‌بندی است. رد‌ه‌بندی نایوبیز تا جایی که به زمان مصرف مدل مربوط می‌شود عملکرد بهتری دارد.

2- کارهای مربوطه
     شالتز و همکاران [۷]، اولین کسانی بودند که مفهوم تشخیص بدافزار در داده‌کاوی را با استفاده از الگوریتم‌ یادگیری ماشین نایو بیز ارائه دادند. آن‌ها نتیجه ۱۱/۹۷ درصد را گزارش داده‌اند. یکی از اولین کارها در زمینه تشخیص بدافزار اندروید با استفاده از برنامه، [۸، ۹] هستند که الگوریتم‌های یادگیری ماشین برای رد‌ه‌بندی برنامه‌های اندروید به منظور تشخیص بدافزارها را اجرا کرده‌اند. فرداوسی و همکاران [۱۰] از الگوریتم یادگیری ماشین درخت تصمیم‌گیری J48 برای شناسایی بدافزارها استفاده کردند. آن‌ها نتیجه ۹۷ درصد را گزارش دادند. سباستین و همکاران [۱۱] با استفاده از ویژگی‌های مختلف به عنوان مقاصد، ۰۲/۹۶ درصد را با الگوریتم یادگیری ماشین جنگل تصادفی گزارش دادند. دیوار آتش و IDS نیز نقش مهمی در امنیت دارند. وارما و همکاران [۱۲] از بهینه‌سازی متسعمره مورچه (ACO) برای شناسایی ناهنجاری‌های در پیکربندی قانون آتش استفاده کردند. وارما و همکاران [۱۳] از مینیمم‌سازی ویژگی فازی-ناهموار و جستجوی ACO در بهینه‌سازی انتخاب ویژگی برای سیستم تشخیص نفوذ (IDS) زمان-واقعی استفاده کردند. ثابت شده است که درختان تصمیم در مسائل رده‌‌بندی امنیت شبکه بسیار کارامد هستند [۱۳]. سیدیکوی و همکاران [۱۴] از الگوریتم یادگیری ماشین جنگل تصادفی برای شناسایی بدافزار استفاده کردند. آن‌ها نتیجه ۶/۹۶ درصد را گزارش دادند. اندرسون و همکاران [۱۵] از ماشین بردار پشتیبانی (SVM) برای تشخیص بدافزار استفاده کردند. آن‌ها نتیجه ۰۷/۹۸ را گزارش دادند. برای شناسایی بدافزارها در داده‌های برنامه اندروید نیاز به شناسایی کارامدترین تکنیک است. این مطالعه، چند الگوریتم یادگیری ماشین را مقایسه کرده و بهترین الگوریم را شناسایی می‌کند.

3- مجموعه داده‌ها
     مجموعا ۳۲۵۸ برنامه اندروید جمع‌آوری شدند که در میان آن‌ها ۲۹۹۹ مورد برنامه نرمال و ۱۹۹۹ برنامه بدافزار بودند. داده‌های برنامه گوگل پلی استور ۲۰۱۵ و ۲۰۱۶ برای جمع‌آوری برنامه‌های نرمال [۱۶] و مجموعه داده‌های بدافزار استاندارد [۱۷] برای ارزیابی مورد استفاده قرار گرفتند.

A. بدافزارها
     هر نرم‌افزار یا برنامه با رفتار بد، بدون مجوز و غیر قانونی، بدافزار نامیده می‌شود. یک کاربر تلفن همراه به سختی می‌تواند مقاصد برنامه را بر اساس مجوزهای آن شناسایی کند. کاربران اغلب برنامه‌هایی را از منابع غیر مجاز نصب کرده و با مشکل مواجه می‌شوند. برنامه‌های بدافزار معمولا توسط مهاجمین به منظور سرقت اطلاعات اعتباری معاملات مالی، ایمیل‌ها، اطلاعات شبکه اجتماعی، اطلاعات کلیدی، تصاویر دوربین، اطلاعات سیستم فایل محلی، و غیره برنامه‌نویسی می‌شوند [۱۸]. بنابراین، نیاز به یک برنامه امنیتی تلفن همراه است که بتواند برنامه‌های بدخیم را توسط مجوزهای درخواستی آن‌ها شناسایی کند.

 ST-Hash: یک شاخص زمانی و مکانی موثر برای داده های خط سیر انبوه در پایگاه داده NoSQL

ST-hash: An efficient spatiotemporal index for massive trajectory data in a NoSQL database

چکیده

1-مقدمه

2- کارهای مرتبط

3- روش شاخص گذاری ST-Hash

A-کد باینری یک نقطه خط سیر

B- رشته Base64 یک نقطه خط سیر

4- رابط پرس و جو برای شاخص ST-Hash

A-جستار نقطه زمانی و مکانی

B- جستار برد زمانی و مکانی

C- جستار دایره زمانی و مکانی

D- رابط جستار مبتنی بر وب سرویس

5- نتایج عملکرد و بحث

A-طرح ذخیره سازی داده های خط سیر در پایگاه داده MongoDB

B- مقایسه عملکرد براساس جستارهای برد زمانی و مکانی

C- مقایسه عملکرد براساس جستارهای دایره زمانی و مکانی

D- مقیاس پذیری روش شاخص گذاری ST-Hash

6- نتیجه گیری ها

چکیده

با توسعه تکنولوژیهای موقعیت یابی و افزایش محبوبیت دستگاههای آگاه از موقعیت، حجم های بزرگی از داده های خط سیر جمع آوری شده اند. به هر حال، مدیریت کارآمد و موثر و دسترسی به داده های خط سیر انبوه به عنوان یک چالش بزرگ باقی می ماند. پایگاه داده (دیتابیس) NoSQL نوظهور یک راهکار نویدبخش برای این چالش فراهم کرده است. اما اغلب پایگاه های داده NoSQL کنونی شاخص گذاری زمانی و مکانی مستقیم داده های خط سیر انبوه را پشتیبانی نمی کنند. این مقاله یک روش شاخص گذاری خط سیر نوین برای تسریع جستارهای (پرس و جوهای) زمانی و مکانی زمان بر داده های خط سیر انبوه ارائه می کند. این روش الگوریتم به طور گسترده مورد استفاده ژئوهش را جهت برآورده سازی الزامات برای هردوی آپدیت های بسیار مکرر و عملیاتهای پرس و جوی خط-سیر یعنی پرس و جوی نقطه ای دقیق و پرس و جوی برد (طیف) زمانی و مکانی بسط می دهد. این شاخص ST-Hash در پایگاه داده NoSQL (MongoDB) پیاده سازی شده و مورد ارزیابی قرار گرفته است. نتایج تجربی نشان می دهند که شاخص ST-Hash پیشنهادی می تواند به طور گسترده عملکرد پرس و جو (جستار) را بهبود ببخشد و مقیاس پذیری عملکرد نیرومند روی داده های ورودی با اندازه های مختلف نشان دهد.

1-مقدمه

در حال حاضر، اغلب دستگاههای موبایل دارای توانایی های موقعیت یابی و ارتباطات بیسیم هستند. آنها می توانند به طور پیوسته خطوط سیر دستگاه را ثبت کنند و به طور دینامیک موقعیت ها را به یک سرور دور افتاده گزارش کنند [1 و 2]. داده های خط سیر عمومی تاریخچه حرکتی اشیاء متحرک همانند اشخاص، وسایل نقلیه یا یک پرواز هستند. آنها دارای مشخصه های زمانی و مکانی معمول هستند. هر داده خط سیر به طور معمول حاوی مختصات دوبعدی/سه بعدی، یک مهر زمانی همراه با آن و یک توالی از خصوصیات و ویژگی ها همانند سرعت، جهت، شتاب، دما و غیره است. داده های خط سیر برای تجزیه و تحلیل پیچیده در میان قلمروهای مختلف از جمله پایش زیست محیطی [1]، مدیریت ترافیک [3]، تجزیه و تحلیل تصویر ماهواره ای [4] و امنیت داخلی مورد استفاده قرار گرفتند.

6- نتیجه گیری ها

مدیریت داده های خط سیر حجم بالا یک مسئولیت چالش برانگیز در زمینه های بسیاری می باشد. تکنولوژی پایگاه داده نوظهور NoSQL یک راهکار برای مدیریت متفاوت این حجم عظیم داده های خط سیر نوید می دهد اما اغلب پایگاههای داده NoSQL کنونی به طور مستقیم از روش شاخص گذاری روی داده های زمانی و مکانی پشتیبانی نمی کنند. برای پرداختن به این مسئله، این مقاله یک روش شاخص گذاری خط سیر نوین برای تسریع پردازش جستارهای زمانی و مکانی ارائه می کند. این روش الگوریتم ژئوهش به طور گسترده مورد استفاده را برای برآورده-سازی الزامات ارتقاء فرکانس بالا و عملیاتهای جستار (پرس و جوی) خط سیر معمول بسط می دهد. راهکار شاخص گذاری ST-Hash در MongoDB، پایگاه داده معمول NoSQL، پیاده سازی شده است. نتایج تجربی نشان می دهند که روش شاخص گذاری پیشنهادی می تواند به طور قابل توجه عملکرد پرس و جو را بهبود بخشد. به طور همزمان، این روش مقیاس پذیری نیرومند براساس اندازه های داده ورودی مختلف نشان می دهد. وقتی که اندازه داده های ورودی هدف از 10 گیگابایت به 80 گیگابایت افزایش می یابد، زمان پرس و جو پایدار باقی می ماند. کار آینده روی پشتیبانی پرس و بیشتر پیچیده تمرکز خواهد کرد و امکانپذیری روش ST-Hash را در سناریوهای بسیار پیچیده همانند کاوش الگو، شبیه سازی ترافیک و غیره ارزیابی خواهد کرد.

Abstract

With the development of positioning technologies and the increasing popularity of location-aware devices, large volumes of trajectory data have been accumulated. However, efficient management and access to massive trajectory data remains a big challenge. The emerging NoSQL database has provided a promising solution for this challenge. But most of the current NoSQL databases do not support direct spatiotemporal indexing of massive trajectory data. This paper presents a novel trajectory indexing method to accelerate time-consuming spatiotemporal queries of massive trajectory data. This method extends the widely-used GeoHash algorithm to satisfy the requirements for both high-frequent updates and common trajectory query operations, e.g. exact point query and spatiotemporal range query. This ST-Hash index was implemented and evaluated in a NoSQL database (MongoDB). Experimental results show that this proposed ST-Hash index can greatly improve the query performance and exhibits robust performance scalability over different input data sizes.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 :ST-Hash یک شاخص زمانی و مکانی موثر برای داده های خط سیر انبوه در پایگاه داده NoSQL

ST-hash: An efficient spatiotemporal index for massive trajectory data in a NoSQL database

مدل سازی تصادفی و تحلیل مرکز داده رایانش ابری

Stochastic Modelling and Analysis of Cloud Computing Data Center

چکیده

1. مقدمه

2. مدل مرکز داده ابری

3. تحلیل نظری

A. مدل صف بندی توازن بار

B. مدل صف بندی مرکز داده ابری

4. نتایج شبیه سازی و عددی

5. نتیجه گیری

چکیده

مراکز داده یا دیتاسنتر ابری (CDC) یکی از بخشهای اصلی خدمات اینترنتی امروز به حساب می آیند. موسسات و کسب و کارهای سرتاسر جهان برای محاسبات روزمره و عملیات های IT شان بر مراکز داده تکیه می کنند. در حقیقت، هر بار که اطلاعاتی را بررروی اینترنت جستجو می کنیم یا از یک اپلیکیشن بررروی تلفن های هوشمندمان استفاده می کنیم، به مراکز داده دسترسی می یابیم. در CDC، اکثر منابع محاسباتی به صورت ماشین های مجازی (VM) نمایش داده شده است که در ماشین های فیزیکی (PM) نگاشته شده اند. یکی از متریک های کلیدی برای CDC، عملکرد می باشد. این مقاله، یک مدل تصادفی مبتنی بر نظریه صف بندی برای کمک به مطالعه و تحلیل عملکرد در CDC مطرح می نماید. پلتفرم های CDC با یک سیستم صف بندی باز مدلسازی شده اند که از آن می توان برای برآورد کیفیت مورد انتظار خدمات (QoS) استفاده نمود و آنچه ابر می تواند عرضه نماید را تضمین می کند. در اینجا، با ارائه مثالهای عددی نشان می دهیم که مدل چگونه می تواند تعداد نمونه های VM مورد نیاز برای تامین پارامترهای QoS را برآورد نماید. به ویژه، زمان پاسخ، نرخ حذف بسته ها و بهره برداری از CPU را ترسیم نموده و درعین حال نرخ ورود درخواست ورودی را برای تعداد متفاوتی از نمونه های VM تغییر می دهیم. سپس مدل تحلیلی را با استفاده از DES (شبیه ساز رویداد گسسته) ارزیابی متقابل می نماییم. نتایج تحلیل و شبیه سازی نشان می دهد که مدل پیشنهادی با تغییر نرخ درخواست ورود می تواند تعداد VM های مورد نیاز جهت نیل به اهداف QoS را برآورد نماید. 

1. مقدمه

زیرساخت های رایانش ابری از خدمات عرضه و تحویل داده شده از طریق مرکز داده تشکیل می شوند که از طریق جستجوگروب در سرتاسر جهان می توان به آنها دسترسی یافت [1]. فراهم کنندگان رایانش ابری به صورت کشسانی یا پویا، و مطابق تقاضا و شکل پرداخت منابع محاسباتی ( سرورها، ذخیره سازی، شبکه ها، پلتفرم های توسعه و اپلیکیشن ها) به کاربران عرضه می نمایند [2]. 

5. نتیجه گیری

در این مقاله، یک مدل تحلیلی معرفی کرده ایم که در مطالعه عملکرد CDC کاربرد دارد و قادر است تعداد مورد نیاز VM برای نیل به متریک QoS هدف را به درستی برآورد نماید. در اینجا معماری نوعی را مورد توجه قرار داده ایم که CDC میزبان مجموعه ای از PMs است که برای اجرای VM و همچنین LB استفاده خواهند شد. برای تشریح سودمندی مدل تحلیلی پیشنهادی، به ویژه در تعیین تاثیر تعداد VMs انتخاب شده بر پارامترهای کلیدی عملکرد و QoS از جمله زمان پاسخ، نرخ حذف بسته ها و بهره برداری از CPU، سناریوهایی مطرح شده است. نتایج بدست آمده از مدل تحلیلی پیشنهادی و نتایج شبیه سازی بدست آمده از شبیه ساز مشهور JMT را ارزیابی متقابل نمودیم. نتایج شبیه سازی و تحلیل باهم موافقند و به همین خاطر صحت مدل تحلیلی پیشنهادی را نشان می دهند. به عنوان کارآتی، قصد داریم در مورد مکانیسم مقیاس بندی الاستیک برروی CDC دنیای واقعی کاری انجام دهیم که از فرمولهای تحلیلی بدست آمده در این مقاله برای مقیاس بندی خودکار منابع و تامین (برآورده نمودن) اهداف QoS مطابق با حجم کارهای متغیر استفاده شده است. 

Abstract

Cloud data centers (CDC) are an integral part of today’s internet services. Enterprises and Businesses around the world rely heavily on data centers for their daily computation and IT operations. In fact, every time we search for an information on the internet, or we use an application on our smartphones, we access data centers. In CDC, most compute resources are represented as virtual machines (VMs) which are mapped into physical machines (PMs). Performance is often is a key metric for CDC. This paper presents a stochastic model based on queuing theory to aid in studying and analyzing performance in CDC. CDC platforms are modeled with an open queuing system that can be used to estimate the expected Quality of Service (QoS) guarantees the cloud can offer. We give numerical examples to show how the model estimates the number of required VM instances needed to satisfy a given the QoS parameters. In particular, we plot the response time, drop rate and CPU utilization while varying the incoming request arrival rate, and for different number of VM instances. We cross-validate our analytical model using a DES (Discrete Event Simulator). Our analysis and simulation results show that the proposed model is able to estimate the number of VMs needed to achieve QoS targets when varying the arrival request rate.

I. INTRODUCTION

A cloud computing infrastructures consist of services that are offered and delivered through a data center, that can be accessed from a web browser anywhere in the world [1]. Cloud computing providers offer computing resources (servers, storage, networks, development platforms, and applications) to users either elastically or dynamically, according to userdemand and form of payment [2].

V. CONCLUSION

In this paper, we presented an analytical model that can be used in studying the performance of CDC and is able to estimate accurately the needed number VMs to achieve a target QoS metric. We have considered the typical architecture in which a CDC houses a collection of PMs that will be used to run VMs and also LBs. Scenarios were presented to illustrate the usefulness of our analytical model-specifically, in determining the impact of the number of allocated VMs on key performance and QoS parameters which included response time, drop rate and CPU utilization. We cross-validated the results obtained from our analytical model with simulation results obtained from the popular JMT simulator. The simulation and the analysis results are in agreement and thus implying that, our analytical model is correct. As a future work, we plan to conduct experimental work of an elastic-scaling mechanism on a real-world CDC in which our analytical formulas derived in this paper are used to scale resources automatically to meet QoS targets in accordance to variable workloads.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدل سازی تصادفی و تحلیل مرکز داده رایانش ابری

Stochastic Modelling and Analysis of Cloud Computing Data Center

رانندگی هوشمند در شهر هوشمند

Smart Driving in Smart City

چکیده
1- مقدمه
A- اعلام مشکل
B- رویکرد پیشنهادی
C- کار مرتبط
D- طرح کلی مقاله
2- پردازنده ی مرکزی سیستم
3- ارزیابی ها و نتایج
منابع

چکیده

شهر های هوشمند توجه محققین را به خود جلب کرده اند که در مطالعات فشرده اخیر مشهود است. در ارتباط با این واقعیت، انتظار می رود که این شرایط در کار های آینده ادامه پیدا کند. از طرف دیگر، وسایل نقلیه هوشمند بخش مهمی از شهرهای هوشمند هستند. دانشمندان به منظور دستیابی جا به جایی ایمن و راحت، وسایل نقلیه و حمل و نقل را مورد بررسی قرار داده اند. در میان این وسایل نقلیه، اتومبیل ها اولین وسایلی بودند که زندگی انسان را تحت تاثیر قرار دادند. در این مطالعه، اتومبیل های هوشمند و رانندگان آن ها از نظر جنبه های رفتاری شرح داده شده اند. کار های موجود برای فهمیدن رفتار رانندگی پیش رو در محیط شهر هوشمند مورد بحث قرار گرفته اند. برای درک سیستم فکر انسان، مطالعات بیشتر و توصیه هایی ارائه داده شده است. همانطور که در تحقیقات صورت گرفته در سال های اخیر مشاهده می شود، محققان تلاش کرده اند رفتار رانندگان را با بررسی داده های تلفن های هوشمند و خروجی OBD خودرو تفسیر کنند. ارزیابی ها با استفاده از نتیجه روش های اختصاص یافته انجام می شود. در دهه اخير، مشاهده شده است که اين رفتارها فقط تخمين نیستند؛ بلکه سیستم های نصب شده بر روی وسایل نقلیه، رفتار کلی رانندگی را فرا میگیرد. از این رو، سیستم های توسعه یافته باید به صورت آنلاین همزمان با رانندگی رانندگان پشت فرمان، کار کنند. در نتیجه، این مطالعه، روندهای موجود برای شیوه های مختلف یادگیری را بیان می کند. انتظار است که مطالعات آینده داده های اتومبیل، بیولوژیکی، روانشناختی راننده و محیط زیست را ترکیب کنند. بنابراین، در آینده ای نزدیک، سیستم هایی که فکر انسان را درک می کنند، توسعه خواهند یافت.

3- ارزیابی ها و نتایج

امروزه و در آینده، شهرهای هوشمند تحت محققان قرار دارند. مطلوب بودن یک محیط راحت تر و ایمن تر موجب توجه مستمر گروگذاران در این ناحیه می شود. همچنین سیستم های هوشمند ماشین به عنوان بخشی از شهرهای هوشمند طبث نیاز های شهروندی طراحی و توسعه خواهند یافت. بنابراین، قابل درک است که تلفن های هوشمند بخش جدا نشدنی این نوع سیستم ها هستند. با توسعه فن آوری های هوشمند پوشیدنی، داده های بیولوژیکی انسان را نیز می توان در سیستم هوشمند ترکیب کرد. به این روش، در آینده می توان سیستم هایی را توسعه داد که بتوانند رانندگان بهتر تشخیص دهند و با احتمال بیشتری بتوانند رفتارهای رانندگی را پیش بینی کنند. بنابراین سیستم های کمک راننده هوشمند و ماشین های بدون راننده را می توان برای نمایش رفتار مشابه با یک راننده واقعی ساخت. علاوه بر این، احتمال وقوع تصادفات که سفر راحت را ممکن میکند کاهش می دهد.

Abstract

Smart cities have been drawing attention of researchers as seen in recent intensive studies. In associated with this fact, this situation is expected to continue in future works. In other side, smart vehicles are an indispensable part of smart cities. Scientists have been researching vehicles and transportation in order to reach safe and comfortable mobility. Among these vehicles, cars are the first ones that affect human life. In this study, smart cars and their drivers are elaborated in behavioral aspect. Existing works have been discussed to figure out futuristic driving behavior in smart city environment. In order to understand human thought system, additional studies have been given and recommendations have been provided. As seen in the researches conducted in recent years, researchers have been tried to interpret behavior of drivers by examining data taken by smart phones and vehicle OBD output. Evaluations are conducted by result of the specified methods. In recent decade, it has been observed that these behaviors are not only estimations; but also systems mounted on vehicles learn overall driving behavior. Hence, developed systems should work online while drivers on steering wheel. Consequently, this study will enlighten existing trends for different types of learning schemes. Future studies are expected to combine car, driver’s biologic, psychological, and environmental data. Thus, in the near future, systems that understand the human thought will be developed.

III- EVALUATIONS AND RESULTS

Today and in the future, smart cities will continue to be on the focus of researchers. The desire for a more comfortable and safe environment draws continuous attention of stakeholders in this area. Smart car systems will also be designed and developed according to citizen needs as a part of intelligent cities. Therefore, it can be understood that smart phones are indispensable parts for these types of systems. With development of wearable intelligent technologies, human biological data can also be integrated into the intelligent system. In this way, systems can be developed so that it can better recognize drivers in the future, and are more likely to predict possible driving behaviors. Thus, intelligent driver assistant systems and driverless cars can be built to exhibit similar behavior to an actual driver. Further, it reduces the possibility of accidents enabling comfortable travel.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

رانندگی هوشمند در شهر هوشمند

Smart Driving in Smart City

تاثیرات تصمیمات اتخاذ شده درباره اعزام و مکان یابی مجدد آمبولانس ها بر کیفیت سیستم فوریت های پزشکی

Effects of ambulance dispatching and relocation decisions on EMS quality

چکیده

1. مقدمه

2. روش ها

2-1 طراحی و ساختار مطالعه

2-2 پروتکل مطالعه

2-3 اجرای تنظیمات

3. نتایج

4. بحث

4-1 محدودیت ها

5. نتیجه گیری ها

چکیده

هنگامی که یک تماس توسط یک ارائه دهنده سرویس های فورت پزشکی  (EMS) دریافت می شود، می بایست تصمیم گیری شود که کدام وسیله نقلیه برای کمک ارسال شود. وسیله نقلیه اعزام شده درگیر می شود و در نتیجه آمادگی سیستم برای پاسخگویی به تماس جدید کاهش می یابد. بنابراین به منظور افزایش این مقدار، خودروهای بیکار سیستم EMS در بین سایت های آماده کار قابل مکان یابی مجدد هستند. هدف این مطالعه ارزیابی اثر بر معیارهای حیاتی عملکرد سیستم، به کارگیری متوالی یک مدل ریاضی اعزام و یک مدل مکان یابی مجدد با در نظر گرفتن نیازهای عملیاتی یک ارائه دهنده خدمات EMS در کلمبیا است.

چهار سناریو در طی مدت زمان حداکثر فعالیت به منظور ارزیابی وضعیت دینامیکی سیستم ارائه شده براساس تصمیم های مربوط به اعزام و مکان یابی مجدد شبیه سازی شده است. تصمیمات اعزام می بایست از متداول ترین قانون یعنی اعزام نزدیک ترین خودر یا راهکار بهینه یک مدل اعزام پیروی کنند. گزینه های مکان یابی مجدد یا کاری انجام نمی دهند یا از راهکار بهینه مدل ریاضی مکان یابی مجدد پیروی می کنند. هر دو مدل ناهمگونی های خدمات و ناوگان را در نظر می گیرند و به دنبال بهبود سطح آمادگی سیستم هستند. سیستم شبیه سازی شده بهبودهایی را در دفعات پاسخگویی و سطوح آمادگی تا حداکثر 40 درصد نشان داده است هنگامی که اعزام از راهکار مدل ریاضی تبعیت کرده و هیچ گونه مکان یابی مجددی رخ نمی دهد.

1. مقدمه

کیفیت مراقبت میزانی است که براساس آن خدمات سلامت برای افراد و جمعیت ها سبب افزایش احتمال نتایج مطلوب سلامتی می شود و با دانش حرفه ای موجود سازگار است (Sanders, 2002). خدمات فوریت های پزشکی (EMS) بخشی از این خدمات هستند. اعزام و مکان یابی مجدد آمبولانس در زمان مناسب در یک منطقه داده شده پوشش دهی دو عنصر کلیدی در کاهش زمان انتظار یک بیمار بالقوه و آغاز یک خدمت مراقبت از سلامت است. در طی عملیات یک ارائه دهنده سرویس EMS، تصمیم های مکرری درباره ارسال خودروها برای پاسخگویی به تماس های مورد نیاز خدمات گرفته می شود. 

Abstract

When a call for a service is received by an Emergency Medical Services (EMS) provider, a decision must be made on which vehicle to send to provide assistance. The dispatched vehicle becomes busy and the system’s preparedness to attend a new call decreases. Therefore, to increase this value, idle EMS vehicles could be relocated among the standby sites. This study aims to evaluate the effect on the critical performance measures of the system, the sequential application of a dispatching mathematical model and a relocation model, taking into account the operational requirements of an EMS provider in Colombia.

Four scenarios were simulated during a period of maximum activity to evaluate the dynamic state of the system given by the dispatch and relocation decisions. Dispatch decisions should follow the most common rule -dispatch the nearest vehicle- or the optimal solution of a dispatching model. Relocation options were either doing nothing and following the optimal solution of a mathematical relocation model. Both models consider the fleet and the services heterogeneous, and look for to improve the system’s preparedness level. The simulated system showed improvements in response times and preparedness levels of up to 54% when the dispatch follows the solution of the mathematical model and no relocation occurs.

1 Introduction

Quality of care is the degree to which health services for individuals and populations increase the likelihood of desired health outcomes, and are consistent with current professional knowledge (Sanders, 2002). Emergency Medical Services (EMS) are part of these services. The dispatch and relocation of the ambulance -when appropriate-, in a given area of coverage are two of the key elements to reduce the waiting time of a potential patient and the initiation a health care service. During the operation of an EMS provider, frequent decisions about which vehicle to send to respond to a service call are taken.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تاثیرات تصمیمات اتخاذ شده درباره اعزام و مکان یابی مجدد آمبولانس ها بر کیفیت سیستم فوریت های پزشکی

Effects of ambulance dispatching and relocation decisions on EMS quality