نظارت بر زیرساخت مرکز داده

Data Centre Infrastructure Monitoring

چکیده
مقدمه
1- نتایج بررسی از PRACE
2- حالت پیشرفته
3- تبادل اطلاعات
4- یکپارچه سازی زیرساخت و سیستم های مدیریت منابع HPC
5- توصیه ها
6- نتیجه گیری
منابع

چکیده
هر مرکز داده، مخصوصا یک مرکز HPC، به یک زیرساخت پیشرفته احتیاج دارد که از کار موثر محاسبه و منابع داده پشتیبانی کند. معمولا، محیط پشتیبانی به همان پیچیدگی بخش های دیگر مرکز داده HPC می باشد. محیط پشتیبانی شامل چیلرها، خنک کننده ها، پمپ ها، شیرها، پمپ های حرارتی، سیستم های توزیع برق، UPSها، سیستم-های ولتاژ بالا و پایین، خشک کننده ها و سیستم های تهویه هوا می باشد. تنوع تجهیزات پشتیبانی بسیار زیاد است، حتی زیادتر از زیرساخت IT. این لزوم به جمع آوری، یکپارچه سازی و پایش ابزارها را دیکته می کند. علاوه بر پایش، سیستم های کنترل موجودی باید بخشی از هر مرکز داده باشند. این گزارش خلاصه ای از یک بررسی DCIM جمع-آوری شده از مهمترین مراکز HPC در اروپا، با تحلیل کنترل و پایش پلتفرم های نرم افزاری موجود در بازار با یک ارزیابی از مهمترین کارایی های مدنظر کاربران را فراهم می کند. تحلیل نیازمندی ها و عملکرد بالقوه موجود بوسیله یک مجموعه از توصیه ها خلاصه سازی شد. موضوع حیاتی دیگر سیاست و تعریف رویکردهایی که باید بوسیله مالک و فراهم کننده سرویس مرکز داده برای حفظ توافق نامه سطح خدمات (SLA) اجرا شوند می باشد. قسمت هایی از SLA باید در مدیریت زیرساخت مرکز داده منعکس شوند. جدا از قابلیت اطمینان و دسترس پذیری بالایی که شما برای در نظر گرفتن کمینه سازی هزینه های نگهداری و عملیات احتیاج دارید، سیستم های DCI نیز برای این منظور بسیار مفید هستند. بهترین اطلاعات اقداماتی در هفتیمن کارگاه اروپایی در زمینه زیرساخت های مرکز HPC در گارچینگ آلمان در آپریل 2016 ارائه شد. فهرست توصیه ها و فصل های نتیجه گیری چیزی که باید از سیستم DCIM به خوبی طراحی شذه انتظار داشت را توصیف می کنند.

1- نتایج بررسی از PRACE
پیشرفته ترین فناوری های HPC و نگهداری DC فعلی توسط شرکای PRACE در اروپا ارائه می شوند. این در نتایج جمع آوری شده از یک بررسی پراکنده در سه ماه ابتدایی سال 2016 منعکس شد. نتایج بررسی در هفتمین کارگاه اروپایی در زیرساخت مرکز HPC]1[ در آپریل 2016 ارائه شدند. فناوری مرکز داده استفاده شده در موسسات آکادمیک حداقل در زمینه های اندازه منابع محاسباتی، استفاده انرژی و چگالی و بسیار پیشرفته است. اما اندازه مراکز داده و ظرفیت منابع به نرم افزار پایش اضافی احتیاج دارند.

این بخش شامل اطلاعاتی براساس گزارشات دریافت شده از مراکز داده بزرگ (شرکای میزبان PRACE) و زیرساخت های بزرگ شرکای عمومی PRACE می باشد، که خلاصه خوبی از عملکرد مراکز داده را ارائه می کند. هدف این پرسشنامه جمع آوری اطلاعاتی درباره وضعیت فعلی سیستم های پایش زیرساخت پشتیبانی کننده از کار روزانه در مراکز داده PRACE بود.

در حال حاضر، در مراکز داده HPC، پلتفرم های زیادی وجود دارند که می توانند انتخاب شوند از جمله:
• سیستم تریدیوم JACE- نیاگارا
• سیمنس دسیگو
• گرافیت/گرافانا
• پرونیکس POC (مرکز عملیات قدرت)
• مسداس
• UGM 2040
• دسیگو اینساید
• جانسون کنترولز متاسیس
• سیمنس WinCC
• اسکادا پانوراما
• ویکتور وب IT
• نسخه مرکز داده پایش قدرت خبره استراکشروار

اما، چنین انتخاب سیستم های مدیریت زیادی به این معنی نیست که هر سیستم مدیریت تمام خدمات را فراهم می کند. هر پلتفرم غالبا تنها مسئول قسمتی از زیرساخت های مراکز داده نظارت شده و عملکردهای آن است، برای مثال، ابزارهای مجزایی برای تاسیسات برق و خنک کننده استفاده می شوند. واحدهای سخت افزاری مجزا غالبا توسط زیرساخت های پایش جداگانه ای نظارت می شوند. رایج ترین راه حل سه یا چهار پلتفرم نرم افزاری مستقل استفاده شده برای انواع مختلف تجهیزات می باشد. برای مثال، یک پلتفرم مسئول مبادله گرهای حرارتی (HxB)، تهویه هوا (چیلرها و CRAHها) و ژنراتورها است؛ دیگری مسئول وبکم ها، تلویزیون، حفاظت دربرابر آتش سوزی، کدهای دسترسی در و دیگر امکات امنیتی نصب شده در ساختمان می باشد؛ و پلتفرم سوم مسئول وضعیت حاضر، گزارشات رویدادها، فعالسازی هشدارها و تولید تیکت های مشکل می باشد.

استخراج و شناسایی بدافزار اندروید بر اساس مجوزها

Mining and Detection of Android Malware Based on Permissions

چکیده
1. مقدمه
2. آثار مرتبط
3. بررسی سیستم
4. طبقه بندی و ارزیابی
5. نتیجه گیری ها
منابع

چکیده
با توجه به توزیع باز اپلیکیشن و وجود بیش از 2 میلیارد کاربر فعال، پلتفرم اندروید کماکان به شکل خام توسط توسعه دهندگان بدافزار به کار گرفته می شود. با توجه به گزارش تهدیداتی McAfee، تعداد گروه های بدافزاری یافت شده در گوگل پلی در سال 2017 تا 30 درصد افزایش داشته است. یکی از مهمترین مکانیزم های محافظتی در برابر بدافزا مدل کنترل دسترسی مبتنی بر مجوز ر است. در این مقاله، مدل جدیدی را که مبتنی بر مجوز را ارائه می کنیم که از مزایای مدل می توان به کارایی و دقت بالا در تشخیص و آنالیز بدافزار اندروید اشاره نمود، همچنین قابلیت بالقوه در شناسایی بدافزار ناشناس قبلی را دارد. در این مدل، انتخاب مشخصه را با معرفی یک روش وزنی جدید به نام TF-IDFCF بهبود می بخشیم که مبتنی بر فرکانس کلاس مشخصه است. نتایج آزمایشات نشان می-دهد که روش ارائه شده دارای نرخ تشخیص بیش از 95.3% با نرخ مثبت کاذب پایین در زمان تست و بررسی با طبقه بندی کننده ها است.

2. آثار مرتبط
با استفاده از ویژگی های مربوط به مجوز تحقیقات زیادی در مورد طبقه بندی بدافزار اندروید انجام می شود. برخی از آثار مربوط به تشخیص بدافزار مبتنی بر مجوز اشاره می شود.

X. Lin و J.Lin چارچوبی را ارائه می کنند که هر دو مجوز درخواست شده و استفاده شده در اپلیکیشن های اندروید را در نظر می گیرد [4]. چارچوب دو تشخیص لایه بندی شده بدافزار است و تکنیک های یادگیری ماشین را به منظور رسیدن به دقت بالا استفاده می کند که این با پتانسیل تشخیص اپلیکیشن های بدافزار اندروید مبتنی بر مجوز همراه است. پ. روولی بهمراه وای ویگفاسن یک معماری ساده سرور- مشتری از سیستم تشخیص بدافزار مبتنی بر مجوز را ارائه می کنند که مجوزهای درخواست شده را چون نشانگرهای رفتاری می بیند [5]. سیستم دارای بخش های بررسی کننده مجوز جانب- مشتری و جانب- سرور است. بخش سمت – مشتری مجوزها را از اپلیکیشن های اندروید استخراج می کند و آنها را به بخش سمت- مشتری ارسال می کند. بخش جانب- مشتری اپلیکیشن ها را همچون بدافزار یا بی خطر طبقه بندی می کند. زد. آنگ و و. ژاو ماشین یادگیری مبتنی بر چارچوب را برای تشخیص اپلیکیشن های مخرب و بهبود امنیت در اندروید مبتنی بر کاربران دستگاهای تلفن همراه ارائه می کنند. این چارچوب مشخصات مختلف مبتنی بر مجوز استخراج شده از اپلیکیشن های اندروید را مونیتور می-کند و یادگیری ماشین را استفاده می کند تا اپلیکیشن ها را در دسته های مخرب و بی خطر طبقه بندی کند. سیستم بهره اطلاعاتی را بعنوان روش انتخاب مشخصه استفاده می کند. آنها مجوزهای بیشتری از اپلیکیشن های مختلف دانلود شده از نشانگرهای اندروید استخراج می کنند تا مدل را تولید کنند. زد. ژیائویان و اف. ژوان سیستم شناسایی بدافزار را ارائه می کنند که فعالیت اپلیکیشن دستگاه تلفن همراه را آنالیز می کند [7]. ویژگی ها استخراج شده روش آنالیز جزء اصلی را چون انتخاب مشخصه استفاده می کند و روش ماشین بردار پشتیبان به منظور آموزش و ساخت طبقه بندی کننده برای تشخیص بدافزار به کار گرفته می شود. با مشارکت کاربران دستگاه های تلفن همراه مبتنی بر اندروید، این چارچوب قادر به طبقه بندی کردن اپلیکیشن های اندروید در دسته های مخرب و بی خطر است. د. آرپ، ام. اشپریزنبارث، ام. هابنر، اچ. گاسکون، ک. ریک، و سی. سایمنز تاکید بر استفاده از روش تشخیص بدافزار اندروید دارند که قابلیت تشخیص اپلیکیشن های بدافزار در گوشی های هوشمند را اجرا می کند [8]. رویکرد از طریق جمع آوری تمامی ویژگی های احتمالی APK اندروید، آنالیز مربوط به استاتیک صفحه را انجام می دهد. این روش کل مشخصات را در فضای برداری مشترک جاسازی می کند و اپلیکیشن های مخرب را بطور خودکار شناسایی می کند. از مزیت های این رویکرد می توان به بهره وری زمان در آنالیز اپلیکیشن های ناشناخته اشاره کرد. روش را می توان بصورت مستقیم روی دستگاه های تلفن همراه استفاده کرد، و عمل محفاظت از راه-اندازی در برابر منابع غیرمطمئن اجرا می شود. عافر و همکاران مطالعه را از طریق آنالیز بدافزار برای استخراج مشخصات مربوط به بدافزار و رفتار انجام شده در سطح API انجام می دهند، آنها طبقه بندی کننده های یادگیری ماشین سبک- وزن و قدرتمند را با استفاده از مجموعه داده ها آموزش می دهند، داده ها از مجموعه ویژگی های بهره برداری شده حاصل می شود [9]. نتایج تجربی آنها به کمک طبقه بندی کننده KNN نشان از یک TPR با 99% و 2.2% است.

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

راز به دست آوردن قلب مشتریان با هوش مصنوعی: هوش انسانی را اضافه کنید

The Secret to Winning Customers’ Hearts With Artificial Intelligence: Add Human Intelligence

مقدمه
هوش مصنوعی دیگر برای مشتریان بیگانه نیست
مزایای انسان مانند هوش مصنوعی برای مشتریان مفید است
مصرف کنندگان در طراحی هوش مصنوعی خواهان شفافیت هستند
مشتریان می خواهند از حضور انسان اطمینان داشته باشند
نکات ظریف در رابطه با ترجیحات مشتریان در بسیاری از سازمان مورد توجه قرار نگرفته است
اطمینان از رفع نگرانی های اساسی مشتریان برای نوآوری های هوش مصنوعی
تبدیل کردن هوش مصنوعی به یک اولویت راهکاری
مقیاس کردن ارتباطات حاصل از هوش مصنوعی به صورت جهانی
آگاه نگاه داشتن مشتریان
ایجاد انگیزه برای تشویق به استفاده بیشتر از ارتباطات حاصل از هوش مصنوعی
نتیجه گیری
بحث گروه تمرکز
منابع

مقدمه
هوش مصنوعی (AI) برای مشتریان تجربه ای خوشایند را فراهم نمی کند. سازمان ها به صورت فزاینده ای ربات های گفتگویی را به منظور فراهم کردن خدمات برای مشتریان مورد استفاده قرار می دهند. فرودگاه های سراسر جهان در اندرویدهای موبایلی سرمایه گذاری می کنند که در زمینه مسیرها به مسافران یاری می رسانند. هتل ها در کنترل های اتاق ها از دستیارهای صوتی استفاده می کنند. روبات گفتگوی اجتماعی مایکروسافت در چین، Xaiolce، در حال حاضر بیش از 200 میلیون کاربر دارد، که پس از گذشت 10 ماه از راه اندازه ای آن 600.000 تماس انجام شده است.

چگونگی مشارکت مصرف کنندگان با کسب و کارها بطور چشمگیری در حال تکامل است. همانطور که در تحقیقات پیشین در مورد پرونده های استفاده از AI مشاهده کردیم، سازمان ها از این فناوری برای دستیابی به مجموعه ای از اهداف کاری استفاده می کنند، شامل: تاثیر گذاشتن روی فروش، سرعت بخشیدن به عملیات ها، ایجاد تعامل با مشتری ، و جمع آوری دیدگاه ها. به طور خاص به منظور درک اثر AI روی تجربه مشتریان، این تحقیق جهانی را انجام داده ایم:

• هدف: کشف چگونگی درک مشتریان از AI و اینکه تصور می کنند کدامیک از تعاملات از سوی انسان ها نسبت به AI و ترکیبی از AI و انسان ها، بهتر انجام خواهند شد.

• رویکرد: ممکن است که مصرف کنندگان از چگونگی استفاده از اطلاعاتشان برای AI و هنگامی که به جای یک انسان با یک رباط گفتگو ارتباط برقرار می کنند آگاهی نداشته باشند. بنابراین، به منظور اطمینان، ما اطلاعات دریافتی از سوی 10.000 مشتری را مورد بررسی قرار داده، و اطمینان حاصل کردیم که تعاریف ما بسیار شفاف بوده و مشتریان موقعیت های متفاوتی را درک کرده که در آن AI به عنوان یک مورد تعاملاتی و یا به عنوان یک وسیله مورد استفاده قرار گرفته است. ما همچنین بیش از 500 نفر از مدیران سازمان های پیشرو را علاوه بر انجام بحث های گروه متمرکز با مصرف کنندگان ، و مصاحبه با کارشناسان صنعت و دانشگاهیان بررسی کردیم. روش تحقیق در انتهای این گزارش جزئیات بیشتری را ارائه می کند. ما متوجه شدیم مشتریان به صورت فزاینده ای در حال آگاهی پیدا کردن از استفاده از AI توسط سازمان ها هستند، مشتریان آن را دوست داشته و به درک بیشتری از زمان و چگونه استفاده از آن در کنار انسان ها دست یافته اندن. در این گزارش، ما:

1. به بررسی دیدگاه مشتریان در رابطه با AI و انتظارات آن ها از سازمان در زمان ارتباط از طریق یک AI پرداختیم.
2. به ارزیابی چگونگی استفاده از AI توسط سازمان ها در زمینه تجربه مشتریان پرداخته و هنگامی به هدف و انتظارات مشتریان درست پیدا نمی کنند.
3. راهکارهای پیشنهادی برای تقویت تجربه مشتری در جهان AI.
55 درصد از مشتریان ترجیح می دهند تا با ترکیبی از AI و انسان گفتگو کنند.

مزایای انسان مانند هوش مصنوعی برای مشتریان مفید است
آنچه که مشتریان از هوش مصنوعی می خواهند به صورت فزاینده ای در حال مشخص تر شدن است. مشتریانی که از ویژگی های انسانی اطمینان دارند 64 درصد بوده و تمایل دارند که هوش مصنوعی بیشتر مانند انسان ها باشد، و 62 درصد با صدای انسان مانند و هوش آن احساس راحتی می کنند، به بیان دیگر، توانایی انجام یک مکالمه منطقی، پاسخ دادن به سوالات بعدی، ارائه اطلاعات اضافی، و غیره (شکل 2). با این حال، مشتریان همچنین نگران بوده و می خواهند سازمان ها هنگامی که آن ها با یک ماشین ارتباط برقرار می کنند شفاف سازی کنند.

یک شرکت کننده در گروه تمرکز ایالات متحده ما عنوان کرد: «من تصور می کنم اگر صدای آن اندکی بیشتر انسانی و واقعی بود بهتر بود . . . [اما] هنوز هم می خواهم زمانی که با یک ماشین صحبت می کند آگاه شوم».

انریکو ماریا باگناسکو ، رئیس نوآوری های فناوری در تلکام ایتالیا اظهار می کند: «یک ترس منطقی وجود دارد که اگر مکالمه به اندازه کافی طبیعی نباشد، مردم همواره عوامل مجازی را کنار گذاشته و به دنبال یک عامل انسانی خواهند گشت. این برای پروژه یک شکست خواهد بود. بنابراین، انتظارات برای یک ارتباط خوب و طبیعی نسبتاً بالا هستند، تا مشتریان با ربات احساس راحتی کنند.»

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.

خانواده مدل Oracle Database Appliance X7-2: مدیریت پایگاه داده ORACLE با یک سیستم ساخته شده برای هدف

Oracle Database Appliance X7-2 Model Family: MANAGING ORACLE DATABASE WITH A PURPOSE BUILT SYSTEM

مقدمه
تجهیزات پایگاه داده اوراکل – تاریخچه‌ای از موفقیت‌های اثبات شده
خانواده مدل X7-2 از تجهیزات پایگاه داده اوراکل- سیستم‌های مهندسی شده اوراکل در دسترس برای هر سازمانی است
سهولت در پیاده‌سازی، مدیریت و پشتیبانی
سهولت در پیاده‌سازی
سهولت در مدیریت و پشتیبانی
یک راه‌حل پایگاه داده مهندسی شده، بهینه‌سازی شده
سرور
شبکه‌سازی
دخیره‌سازی یا انباره
نرم افزار
نرم‌افزار مدیر تجهیزات و سیستم عامل اوراکل
مجوز‌دهی نرم‌افزار پایگاه داده اوراکل
مجازی‌سازی
یکی از مزایای استفاده از تجهیزات پایگاه داده اوراکل مقرون به صرفه بودن آن است
صرفه‌جویی در هزینه های عملیاتی
موارد استفاده رایج
سیستم پایگاه داده ساده، بهینه‌سازی شده و مقرون به صرفه
پلت‌فرم پایگاه‌داده برای محیط‌های رو به رشد
تقویت پلت‌فرم برای پایگاه داده و برنامه‌های کاربردی
استقرار شعب دفتری از راه دور
تدارک سریع محیط‌های آزمایش و توسعه
ادغام با ابر اوراکل
نتیجه‌گیری

مقدمه:
تجهیزات پایگاه داده اوراکل در سال 2011 معرفی شد که در حقیقت یک سیستم مهندسی شده از سوی اوراکل است که ساده‌سازی و بهینه‌سازی شده است و همچنین مقرون به صرفه است. از آغاز تا انتهای پنج نسل از تجهیزات پایگاه داده اوراکل، استقرار پایگاه داده اوراکل در انواع مختلف سناریوها برای مشتریان بسیار محبوب بوده است.

آخرین نسل از مجموعه تجهیزات پایگاه داده اوراکل با X7-2S و X7-2M و X7-2-HA به‌روزرسانی شده است. خانواده مدل X7-2 از تجهیزات پایگاه داده اوراکل پایین‌ترین قیمت سخت‌افزاری برای یک سیستم مهندسی شده اوراکل را پیشنهاد می‌دهد و X7-2S دارای قیمتی در حدود یک چهارم قیمت X7-2-HA است. در ترکیب با مجوزدهی نرم‌افزاری پایگاه داده اوراکل انعطاف‌پذیر، خانواده مدل X7-S از تجهیزات پایگاه داده اوراکل سیستم‌های مهندسی شده اوراکل را در هر سازمانی در دسترس قرار می‌دهد.

تجهیزات پایگاه داده اوراکل با اسامی X7-2S و X7-2M و X7-2-HA سبب گسترش دسترسی به تجهیزات پایگاه داده برای پشتیبانی از سناریوهای استقرار و نسخه‌های پایگاه داده‌های مختلف شده است. آنها برای مشتریانی طراحی شده‌اند که نیاز به پایگاه داده‌های تک نمونه‌ای دارند. در حالیکه X7-2-HA به منظور اجرای پایگاه داده‌های خوشه‌ای با خوشه‌های کاربردی حقیقی اوراکل بهینه‌سازی شده است که در آن دسترس‌پذیری بالا مورد نیاز است.

خانواده مدل X7-2 از تجهیزات پایگاه داده اوراکل برای مشتریانی ایده‌آل است که به دنبال اجتناب از پیچیدگی، تنظیم نیازمندی‌ها و هزینه‌های بالاتر از راه‌حل‌های پایگاه داده «خودتان بسازید» هستند. مشتریان هم اکنون می‌توانند از مزایای سیستم‌های مهندسی شده اوراکل استفاده کنند تا بدین شکل هم بودجه مد نظر خود را رعایت کنند و هم نیازمندی‌های خود را برطرف سازند و در عین حال نیز از مزایای یک راه‌حل بهینه‌سازی پایگاه داده با بهترین شیوه‌ها نیز بهره‌مند شوند و از خرده‌فروشان نیز حمایت کنند.

سهولت در پیاده‌سازی، مدیریت و پشتیبانی
سهولت در پیاده‌سازی
مشخصه اصلی تجهیزات پایگاه داده اوراکل سادگی آن است. هر کدام از تجهیزات سیستمی کامل با درنظرگیری نرم‌افزار و سخت‌افزاری هستند که ادغام شده‌اند تا بدین شکل با یکدیگر برای حفظ زمان و بودجه مشتریان کار کنند. برای راه اندازی و استفاده از تجهیزات پایگاه داده اوراکل به سادگی آن را باز کنید، سیم‌های برق را وصل کنید، کابل‌های شبکه را وصل کنید، و به اجرای نصب مدیر تجهیزات اوراکل (Oracle Appliance Manage) بپردازید تا بدین شکل سیستم پایگاه داده کاملا بهینه‌ای داشته باشید. تجهیزات پایگاه داده اوراکل سبب سرعت‌بخشی به زمان به ارزش به عنوان یک مدیر پایگاه داده تکی (DBA) می‌شود و می‌تواند یک پایگاه داده اوراکل به شدت بهینه‌سازی شده را در کمتر از 1 ساعت مستقر سازد.

سهولت در مدیریت و پشتیبانی
تعمیر و نگهداری سیستم‌ها‌ و حفظ به‌روزرسانی تمامی المان‌های نرم‌افزاری مرتبط با آخرین پچ‌ها اغلب یکی از وظایف زمان‌بر و مستعد خطا است که اغلب مدیران با آن مواجه می‌شوند. تجهیزات پایگاه‌داده اوراکل و پچ‌ سازی ساده نرم‌افزار مهندسی شده برای تمامی عناصر فرم‌ویر ، سیستم عامل، مدیریت فضای ذخیره‌سازی و نرم‌افزار پایگاه‌داده از طریق بسته‌های پچ برنامه‌های کاربردی صورت می‌گیرد. این مهم سبب جذف کار حدسی ترکیب و تطابق پچ‌ها برای عناصر مختلف پشته‌های نرم‌افزاری و سخت‌افزاری می‌شود. این مهم خطاهای انسانی را کاهش می‌دهد و در نهایت منجر به مدت از کار افتادگی برنامه ریزی شده کمتر و قابلیت اطمینان بیشتر سیستم می‌شود، علت آن نیز بسته پچ کاملا تست شده‌ای است که می‌تواند به سرعت و با خیالی راحت اعمال شود.

محاسبات ابری

Network Computing

7 1 اصول شبکه های کامپیوتری
7 2 سیستم های کلاینت/سرور
7 3 خوشه ها
7 4 شبکه های ارتباط داخلی
7 5 مثال های خوشه
7 6 رایانش شبکه
7 7 خلاصه فصل
منابع

رشد اینترنت موجب افزایش توجه به رایانش شبکه مقیاس بزرگ شده است که می تواند کل جهان را پوشش دهد. اینترنت گسترده ترین سیستم توزیع شده در جهان است. گره ها در اینترنت ممکن است ایستگاه های کاری تک-پردازنده، ماشین های MIMD حافظه مشترک، ماشین های SIMD موازی حجیم، یا انواع دیگر باشند. لینک ها اتصالات بسته سوئیچ شده TCP/IP و تغییرات پهنای باند با بار، تعداد هاپ ها و فناوری ارتباط اساسی می باشند. هنگامیکه یک گره با گره دیگر ارتباط برقرار می کند، بسته های داده ممکن است از طریق یک لینک بیسیم، کابل فیبر نوری، کابل کواکسیال، خط تلفن دیجیتالی، و غیره ارسال شوند. این لایه های فیزیکی موجب تاخیر و خطا شده که می توانند بوسیله بازانتقال و پیکربندی مجدد دینامیکی لینک های اینترنت تصحیح شوند.

در فصل های قبل، ما سیستم های رایانش شامل واحدهای پردازش چندگانه متصل شده از طریق برخی شبکه های ارتباط داخلی را مطالعه کردیم. دو عامل اصلی وجود دارند که چنین سیستم هایی را متمایز می کنند: واحدهای پردازش و شبکه ارتباط داخلی که آن ها را بهم متصل می کند. یاد گرفتیم که واحدهای پردازش می توانند با استفاده از حافظه مشترک یا روش های تبادل پیام با یکدیگر ارتباط برقرار کنند. در این فصل، ما رایانش شبکه را بحث می کنیم که در آن گره ها کامپیوتر های مستقلی هستند که می توانند از طریق یک سوییچ، شبکه محلی، یا اینترنت بهم متصل شوند. ایده اصلی تقسیم برنامه کاربردی به چندین قسمت نیمه مستقل براساس نوع پردازش مورد نیاز می باشد. گره های مختلف در شبکه می توانند به بخش های متفاوتی از برنامه کاربردی اختصاص داده شوند. این شکل از رایانش شبکه از قابلیت های منحصربه فرد معماری های سیستم متنوع استفاده می کند. برای مثال، بخش SIMD ریزدانه برنامه کاربردی به ماشین SIMD و نمایش گرافیکی و بخش های I/O به یک یا چند ایستگاه کاری تک پردازنده فرستاده خواهند شد. هماهنگی کلی توسط کامپیوتری رومیزی یک شخص انجام می-شود. این همچنین تاحدزیادی منابع بیهوده بالقوه در یک سازمان بزرگ را پوشش می دهد. بنابراین، چرخه های CPU استفاده نشده ممکن است درطول دوره های کوتاه زمانی استفاده شده و منجر به قطاری از فعالیت ها بعد از یک دوره عدم فعالیت می شوند. در ادامه، ما استفاده از فناوری شبکه به منظور ایجاد یک زیرساخت رایانش با استفاده از کامپیوتر های کومودیتی را بحث می کنیم.

7-1-2 اینترنت
اینترنت مجموعه ای از شبکه ها و روترهایی است که یک شبکه مجازی مشارکتی واحد را تشکیل داده و کل جهان را پوشش می دهند. اینترنت متکی بر ترکیب پروتکل هدایت انتقال و پروتکل اینترنت یا TCP/IP می باشد. اکثر ترافیک شبکه با استفاده از بسته های TCP/IP حمل می شود. اینترنت از یک نمونه تحقیقاتی اولیه به بزرگترین محیط ارتباطی در جهان تکامل یافته است. استفاده بسیار زیاد از اینترنت و شبکه جهانی وب (WWW) موجب رشد سریع اینترنت در رایانش انتشار، جستجو و توزیع شده الکترونیکی شده است. جدول 7-1 برخی آمارها درباره 10 کشور اول با بالاترین تعداد کاربران اینترنت توسط آمار جهانی اینترنت (www.internetworldstats.com) را نشان می دهد. همانطور که می توان دید، تنها در ایالات متحده، 71درصد از جمعیت از اینترنت استفاده می کنند. همچنین، نزدیک به 12درصد از مردم جهان از اینترنت استفاده می کنند. با ادعای گلیدر و متکالف، انتطار می رود که تعداد کاربران حتی زیادتر شود.

7-1-3 فناوری های شبکه دیگر
علاوه بر پروتکل TCP/IP رایج، پروتکل ها و ترکیب های پروتکل بسیار بیشتری وجود دارند. برخی از این پروتکل ها بطور خلاصه در زیر ارائه می شوند. شکل 7-1 فناوری های شبکه مختلف و سرعت آن ها در رابطه با طبقه بندی شبکه فراهم شده در بالا را نشان می دهد.

اترنت سریع و اترنت گیگابیت: اترنت سریع (100Base-T) یک LAN پرسرعت است که ارسال یا دریافت داده ها در 100 مگابیت بر ثانیه (100 Mbps) را برای یک کامیپوتر فراهم می کند. نیاز به پهنای باندی که حتی بالاتر از 100 Mbps است موجب توسعه اترنت به 1 Gbps شده است. اترنت گیگابیت (100Base-T) یک انتخاب جذاب برای شبکه های اصلی شرکتی و خوشه های ایستگاه های کاری با عملکرد بالا شده است.

رمزنگاری مبتنی بر ویژگی (ABE) با ورودی کمکی بهبود یافته برای امنیت داده های بزرگ

ABE with improved auxiliary input for big data security

چکیده
1 مقدمه
2 پیشینه
3 ABE با ورودی کمکی بهبودیافته
4 ساخت و ساز CP-ABE با ورودی کمکی بهبود یافته
5 ساخت KP-ABE با ورودی کمکی بهبود یافته
6 نتیجه‌گیری
منابع

چکیده
رمزنگاری مبتنی بر ویژگی (ABE) توسط اتحادیه امنیت ابری (CSA) به عنوان یکی از ابزارهای رمزگذاری  احتمالی برای کنترل دسترسی در برنامه‌های کاربردی کلان داده توصیه شده است. در ABE فایل اشتراکی می‌تواند با سیاستی مشخص تنها یک بار رمزگذاری شود و توسط هر گیرنده‌ای که ویژگی‌های آن ارضا شده باشد می‌تواند رمزگشایی شود. هنگامی که ABE در برخی از سناریوهای شبکه باز مستقر شود به طور ناگریز توسط حملات کانال‌های جانبی تحت حمله قرار می‌گیرد زیرا کلان داده‌ها از نقاط انتهایی متنوعی می‌آیند. در این مقاله ما طرح‌های CP-ABE و KP-ABE مقاوم در برابر نشت را در مدل ورودی کمکی بهبود یافته ارائه می‌دهیم که به مهاجم اجازه می‌دهد تا به پرس و جو  اطلاعات نشتی بیشتری با توجه به تصادفی بودن رمزنگاری پس از مشاهده چالش متن رمزنگاری شده  بپردازد. علاوه بر این، ما یک استخراج‌کننده قوی بهبود یافته از قضیه اصلاح شده لوین – گلدریچ  را برای اثبات امنیت ساخته‌ایم و ثابت کرده‌ایم که امنیت طرح ما متکی به ساخت و ساز ونگ  و همکاران است.

2-2 ساختار دسترسی
تعریف زیر توسط [32] ارائه شده است:
تعریف 2 (ساختار دسترسی): فرض کنید که مجموعه‌ای از ویژگی‌ها باشد. ما یک مجموعه مجاز یکنواخت بر روی شرایط را تعریف می‌کنیم که در آن است و آنگاه است. یک مجموعه یکنواخت به شکل یک ساختار دسترسی یکنواخت است که یک مجموعه غیرخالی از زیرمجموعه‌های است. اگر مجموعه‌ها در نباشند، آنگاه آنها مجموعه‌های غیرمجاز هستند.

تعریف LSS را می‌توان در [32] یافت. از بحثی که در [32] صورت گرفته است دریافتیم که هر طرح LSSS، با نام Π برای ساختار دسترسی را می‌توان برای بازسازی خطی استفاده کرد. فرض کنید که مجموعه‌ای ‌‌مجاز باشد و فرض کنید که به شکل باشد. آنگاه اگر سهم‌هایی معتبر از هر در Π باشند آنگاه ثابت‌هایی به شکل وجود دارند به طوریکه خواهد بود. این را می‌توان در زمان چندجمله‌ای یافت.

3- ABE با ورودی کمکی بهبودیافته
1-3 تعریف
یک طرح CP-ABE برای یک ساختار دسترسی یکنواخت کلی A از چهار الگوریتم PPT به صورت زیر تشکیل شده است:
1- راه‌اندازی : الگوریتم راه‌اندازی پارامتر امنیتی ƛ را به عنوان ورودی دریافت می‌کند و خروج‌های آن جفت کلید رمز/عمومی ارباب به شکل (MPK,MSK) است.
2- این الگوریتم ویژگی مجموعه S و کلید رمز ارباب MSK را به عنوان ورودی دریافت می‌کند و خروجی‌ آن یک کلید رمز SKk است.
3- رمزگذاری (M,A): الگوریتم رمزگذاری یک ساختار دسترسی یکنواخت A را می‌گیرد و پیام M به عنوان ورودی است و خروجی‌ آن یک متن رمزنگاری شده به شکل CT است.
4- رمزگشایی (CT,SK): این الگوریتم یک متن رمزنگاری شده CT را برای سیاست دسترسی A و کلید رمز SK را برای مجموعه S به عنوان ورودی می‌گیرد و خروجی آن در صورتی M است که ویژگی‌های مجموعه S، A را ارضا کنند.

رمزگذاری بر اساس ویژگی های متن رمزی

Ciphertext-Policy Attribute-Based Encryption

چکیده
1 مقدمه
2 تحقیقات مرتبط
3 پیش‌زمینه
4 ساختار سیستم ما
5 پیاده‌سازی
6 نتیجه‌گیری و جهت گیری های آزاد
منابع

چکیده
در سیستم‌های توزیع‌شده متعدد، کاربر باید تنها در صورت داشتن مجموعه مشخصی از گواهی‌نامه‌ها یا ویژگی‌ها، به داده‌ها دسترسی داشته باشد. در حال حاضر، تنها روش جهت اجرای این سیاست‌ها، استفاده از یک سرور مطمئن جهت نگهداری داده‌ها و واسطه قرار دادن کنترل دسترسی است. بااین‌حال، درصورتی‌که هر نوع سرور نگهدارندِ داده‌ها با خطر مواجه شود، در این صورت محرمانگی داده‌ها با خطر مواجه خواهد شد. ما در این مقاله، سیستمی را جهت تحقق کنترل دسترسی پیچیده بر روی‌ داده‌های رمزنگاری‌شده ارائه می‌کنیم که آن را رمزنگاری مبتنی بر ویژگی سیاست متن رمزی نام‌گذاری می‌کنیم. می‌توان با استفاده از تکنیک‌های خود، داده‌ها را به‌صورت محرمانه حتی در صورت قابل‌اطمینان نبودن سرور ذخیره، حفظ کرد؛ علاوه براین، روش‌های ما در برابر حملات تبانی امن خواهند بود. سیستم‌های رمزنگاری مبتنی بر ویژگی از ویژگی‌هایی جهت بیان داده‌های رمزنگاری‌شده استفاده کرده و سیاست‌هایی را در کلیدهای کاربر ایجاد کردند؛ درحالی‌که ویژگی‌های سیستم ما به‌منظور بیان گواهی‌نامه‌های کاربر مورداستفاده قرارگرفته و گروهی که اقدام به رمزنگاری داده‌ها می‌کند، سیاستی را در مورد افراد واجد شرایط جهت رمزگشایی تعیین می‌کند. بنابراین، روش‌های ما ازنظر مفهومی به روش‌های کنترل دسترسی مرسوم مانند کنترل دسترسی مبتنی بر نقش (RBAC) نزدیک‌تر هستند. علاوه براین، ما پیاده‌سازی سیستم خود را ارائه کرده و اندازه‌گیری‌های عملکردی خود را نشان می‌دهیم.

2- تحقیقات مرتبط
ساهای و واترز رمزنگاری مبتنی بر ویژگی (ABE) را به‌عنوان ابزاری جدید برای کنترل دسترسی رمزنگاری‌شده معرفی کردند. در یک سیستم رمزنگاری مبتنی بر ویژگی، متن‌های رمزی لزوماً نسبت به یک کاربر مشخص همانند رمزنگاری کلیدی عمومی معمول رمزنگاری نمی‌شوند. از طرف دیگر، رمزهای شخصی کاربران و متن‌های رمزی مرتبط با مجموعه‌ای از ویژگی‌ها یا یک سیاست نسبت به ویژگی‌ها خواهند بود. یک کاربر هنگامی قادر به رمزگشایی از یک متن رمزی خواهد بود که بین رمز شخصی او و متن رمزی، تطابق وجود داشته باشد. ساهای و واترز در سیستم اصلی خود، یک سیستم ABE نهایی را ارائه کردند که طی آن متن‌های رمزی با مجموعه‌ای از ویژگی‌های S برچسب‌گذاری شده و رمز شخصی یک کاربر با پارامتر نهایی k و مجموعه دیگر ویژگی‌های S’ مرتبط می‌شود. به‌منظور رمزگشایی یک متن رمزی از سوی کاربر، لازم است تا حداقل k ویژگی میان متن رمزی و رمزهای شخصی او همپوشانی داشته باشند. یکی از انگیزه‌ها و اهداف اصلی این موضوع، طراحی یک روش رمزنگاری هویت محور (یا فازی) تحمل‌کننده خطا بوده است که می‌تواند از هویت‌های بیومتریک استفاده کند.

مانع اصلی سیستم ABE آستانه‌ای ساهای-واترز در این مورد است که معناشناسی نهایی چندان گویا نبوده و ازاین‌رو با محدودیت‌هایی جهت طراحی سیستم‌های جامع‌تر مواجه است. گویال و همکاران ایده سیستم رمزنگاری مبتنی بر ویژگی سیاست کلیدی جامع‌تری را معرفی کردند. در ساختار آنها، یک متن رمزی مرتبط با مجموعه‌ای از ویژگی‌ها بوده و کلید کاربر می‌تواند مرتبط با هر ساختار درخت دسترسی یکنواخت باشد. می‌توان ساختار موردنظر گویال و همکاران را به‌صورت رویکرد تعمیم‌یافته تکنیک‌های ساهای-واتر دانست که طی آن به‌جای قرار دادن روش به اشتراک‌گذاری داده‌های مخفی شامیر در رمز خصوصی، فرد روش به اشتراک‌گذاری کلی‌تری را برای درخت‌های دسترسی یکنواخت ارائه می‌کند. همچنین گویال و همکاران امکان ارائه یک روش ABE سیاست متن رمزی را پیشنهاد دادند، اما هیچ ساختاری را ارائه نکردند.

پیرتی و همکاران پیاده‌سازی سیستم رمزنگاری ABE آستانه‌ای را ارائه کرده و کاربردهای مختلف روش رمزنگاری مبتنی بر ویژگی را نشان داده و چندین مفهوم اجرایی مانند لغو کلید را بیان کرده‌اند. چیس در تحقیق اخیر خود ساختاری را برای یک سیستم رمزنگاری مبتنی بر ویژگی چند نهادی ارائه کرده است که طی آن هر نهاد طیف مختلفی از ویژگی‌ها را مدیریت می‌کند. چالش اصلی در ایجاد ABE چند نهادی، جلوگیری از حملات تبانی میان کاربرانی است که مؤلفه‌های کلیدی را از نهادهای مختلف به دست می‌آورند. هرچند که سیستم چیس از سیستم ABE آستانه‌ای به‌عنوان سیستم ABE اصلی خود در هر نهاد استفاده کرده است، مسئله ABE چند نهادی به‌طورکلی با یافتن سیستم‌های ABE گویاتر، تلاقی دارد.

اپلیکیشن پلت فرم منبع باز برای ساختمان های هوشمند و کنترل های شبکه هوشمند

Open source platform application for smart building and smart grid controls

چکیده
1- مقدمه
2- پژوهش‌های مرتبط و مقاله‌های کمکی
3- معماری نصب
4- یوزکیس ها
5- نتایج و بحث
6- نتیجه گیری و چشم انداز
تامین مالی
اعلام منافع رقابت
قابلیت دسترسی داده
قدردانی
منابع

چکیده
در این پژوهش، یک دستگاه عامل منبع باز بر اساس چارچوب نرم افزاری FIWARE و دیگر مولفه های منبع باز استفاده می شود تا کنترل آزمایشی ابری روی دو یوزکیس از دامنه‌های ساختمان هوشمند و شبکه هوشمند صورت گیرد. تمامی ارتباطات میان دستگاه عامل و لایه میدانی از طریق اینترنت عمومی برقرار می شود و بنابراین اقداماتی نظیر رمزنگاری، تأیید هویت و مجوزدهی نصب می‌شوند. در یوزکیس اول، دمای تأمین یک مدار حرارتی معمولی کنترل می شود زیرا وظیفه‌ای مرسوم در دستگاه های انرژی ساختمان می‌باشد. در یوزکیس دوم، توازن توان یک شبکه کوچک شبیه‌سازی شده توسط دستگاه های اندازه‌گیری فازور با بهره گیری از یک کنترلگر، مورد بررسی قرار می‌گیرد تا استحکام شبکه نیز حفظ شود. مناسبیت دستگاه عامل با بهره گیری از مقرراتی که از منابع ادبی بدست آمده، اعتبارسنجی می شود. این دستگاه عامل قابل استفاده در هر دو مورد ذکر شده است. اگرچه محدودیت ها و زمینه‌های بالقوه جهت بهبود اظهار شده است.

2- پژوهش‌های مرتبط و مقاله‌های کمکی
در این قسمت، مفهوم حقیقی FIWARE توصیف شده و سپس پژوهش‌های کنونی که از راه‌حل‌هایی بر مبنای FIWARE استفاده می‌کنند بیان می شود. نهایتا، طبق نواحی ضعف شناسایی شده، مقالات کمکی مرتبط با این زمینه بیان می شود.

2-1 FIWARE
FIWARE بعنوان یک روش منبع آزادی است که از طریق اتحادیه اروپا به جهت «سرعت بخشیدن برای بهبود راه‌حل‌های هوشمند» برای زمینه‌های مختلف، فراهم می شود [۱۹]. نرم افزار FIWARE، با بهره‌گیری از ساختار نرم افزاری پیمانهار انعطاف‌پذیری زیادی را داراست، به همین دلیل می‌توان آن را برای یوزکیس‌ها سفارشی‌سازی کرد. FIWARE از پروتکل‌های معاوضه اطلاعات NGSI v2 [۱۲] و NEGSI-LD [۱۷] بهره می‌گیرد و واسطه‌های استانداردی از قبیل REST API را برای معاوضه اطلاعات با دستگاه های هوشمند و مؤلفه‌های نرم افزار یوزکیس قرار می‌دهد. ترکیبات نرم افزاری پیشنهادی در این نرم افزار «توانمند‌کننده‌های عمومی» نامگذاری می شود و می‌توان آنها را در لایه‌های مختلفی از جمله «مدیریت بافت هسته»، «پردازش متن، موفضای خالیی و مصورسازی»، «تعامل با سیستم‌های اینترنت اشیاء، رباتیک و شبکه‌های شخص ثالث» و نهایتا «مدیریت اطلاعات/رابط برنامه نویسی» تقسیم‌بندی کرد. می‌توان یک یا چند مؤلفه را از توانمندکننده‌های عمومی ارائه شده انتخاب و آن‌ها را به اقسام شخص ثالث یا خود نوشته مرتبط ساخت. نمای کلی از توانمندکننده‌های عمومی موجود و کد منبع در گیت‌هاب [۱۸] قابل استفاده است.

۲-۲ تحقیقات و برنامه های کارآمد بر مبنای FIWARE
در سال‌های اخیر، ثابت شد که چنین برنامه هایی و برنامه های کارآمد بر اساس نرم افزار‌های FIWARE، چارچوب مناسبی برای زمینه‌های مختلف نظیر کاربردهای کنترل کشاورزی [۳۲]، راهبری کشتی [۶۰]، کنترل سیستم انرژی‌های تجدیدپذیر [۶۱]، کنترل بر ماشین [۱۳] و کنترل ساختمان هوشمند هستند [۲۰،۳۳،۵۷،۵۹]. پوزو و همکاران [۴۳] بر روی موضوعات کنترل دسترسی و تاثیرش بر کارکرد معماری طبق FIWARE که از روش فناوری کانتینرسازی داکر1 مشتق شده‌، کار کردند. نویسندگان، شاخص‌های کارکرد امنیت و محافظت داده‌ای نرم افزار FIWARE را مورد برآورد قرار داده‌اند. بعلاوه، آنها پهنای باند، میزان استفاده از CPU و حافظه و مدت زمان تاخیر آن‌ها را برای این شاخص‌ها مورد بررسی قرار دادند. نتایج نشان می‌دهد که لایه‌های امن با بهره گیری از فریم ورک احزار هویتOAuth 2.0، تاثیری بر کارکرد سیستم ندارد.