مقاله مروری: مطالعات تطبیقی تکنیک های یادگیری ماشین و کاربردهای اخیر آن

Survey Paper: Comparative Study of Machine Learning Techniques and its Recent Applications

چکیده

1. مقدمه

II. پیشینه

III. الگوریتم k-نزدیک ترین همسایگی ها

IV. نتیجه گیری

منابع

چکیده

     محوریت بنیادین تکامل بشریت، همواره جستجوی روش های تغییر طبیعت در راستای پاسخگویی به نیازهایمان بوده است. نقطۀ عطف اساسی در این زمینه، اختراع ماشینی تحت عنوان کامپیوتر است که قادر است وظیفه ای که به آن محول شده را در کسری از زمان به طول انجامیده توسط یک انسان معمولی، به انجام برساند. در عین حال که جالب به نظر می رسد، اما تنها ایراده وارده به این مسئله این است که تصمیم گیری، باید توسط انسانی صورت گیرد که در قیدوبند کالبد انسانی اش گرفتار است. تلاش های صورت گرفته در راستای بهره برداری کامل از منافع، منجر به بروز پدیده ای گشته است که هوش مصنوعی نامیده می شود. یادگیری ماشین بخشی از AI (هوش مصنوعی) به شمار می رود که از طریق نمونه های مرتبط متعدد به انتقال دانش به کامپیوتر می پردازد. در طی این سال ها، الگوریتم های یادگیری ماشین متنوعی همراه با مزایا و معایبشان توسعه داده شده اند. این مقاله، تلاش همه جانبه ای به منظور گرد آوری الگوریتم های ML مختلفی همچون رگرسیون ¬خطی، KNN(k-نزدیک ترین همسایگی) و مواردی از این قبیل می باشد. این مقاله، جدید ترین توسعه ها در این حوزۀ مطالعاتی را به چالش می کشد و درصدد تعریف بهترین کاربرد ها برای هریک از آنها مبتنی بر پژوهشات قبلی می باشد.

پیشینه
پیش از این، انواع الگوریتم یادگیری ماشین را مطرح نمودیم.[1] 1. یادگیری نظارت شده: این مدل وظیفه محور است و اهداف به خوبی تعریف شده اند. متغیر هدف موجود می باشد.
2. یادگیری نظارت نشده: این مدل داده محور است و نتیجه صرفاً مبتنی بر ورودی است. متغیر هدف یا متغیر وابسته موجود یا شناخته شده نمی باشد.
3. یادگیری تقویتی: مبتنی بر روش ابتکاری است، رویکرد برنامه نویسی پویا، از اشتباهات یاد می گیرد (بنابر رعایت قواعد بازی). وضعیت اولیه و وضعیت هدف تعریف شده اند.
4. یادگیری عمیق DL : (DL) مبتنی بر اصل ANN(شبکه های عصبی مصنوعی) و الهام گرفته از مفهوم بیولوژی سیستم عصبی می باشد. مدل‌های DL کارآمد هستند و عمدتاً به منظور دسته ‌بندی و پیش‌ بینی مورد استفاده قرار می گیرند.

الف. انواع یادگیری نظارت شده
آ. رگرسیون: مبتنی بر متغیر هدف پیوسته است، روش های به کار رفته برای وظیفۀ دسته بندی عبارتند از: رگرسیون خطی، رگرسیون درخت تصمیم، جنگل تصادفی، مدل KNN، ماشین ‌های بردار پشتیبان.
ب. دسته بندی: مبتنی بر متغیر هدف دسته بندی شده است. روش‌های مورد استفاده در وظیفۀ دسته‌بندی عبارتند از: رگرسیون لجستیک، نایو بیز(بیز ساده)، گرادیان کاهشی تصادفی، KNN(K-نزدیک‌ترین همسایگی)، SVM، درخت تصمیم، جنگل تصادفی.

i) رگرسیون خطی
رگرسیون خطی در زمرۀ متداول ترین تکنیک های آماری قرار دارد. این مدل رگرسیون، بر روی یک مجموعۀ داده به منظور تعیین همبستگی بین متغیرهای موردنظر و در راستای پیش‌بینی نتایج مبتنی بر رابطه به کار می رود. این مدل، بدین صورت بیان می شود:

توازن بار در رایانش ابری: یک تصویر بزرگ

Load Balancing in Cloud Computing: A big Picture

چکیده

1- مقدمه

2- معماری رایانش ابری

3- ماتریس های عملکرد تاثیرگذار بر توازن بار

4- طبقه بندی الگوریتم های توازن بار

4-1 الگوریتم های توازن بار

5- نتایج شبیه سازی

6- نتیجه گیری

چکیده

زمان بندی اختصاص درخواست کاربر (کارها) در محیط ابری یک مساله بهینه سازی NP-hard است. مطابق با زیرساخت ابری و درخواست های کاربران، سیستم ابری همراه با برخی بارها (که ممکن است کم باری یا اضافه بار یا بار متعادل باشد) اختصاص داده می شود. شرایطی همانند کم باری یا اضافه بار سبب خرابی سیستم مرتبط با مصرف توان، زمان اجرا، خرابی ماشین و غیره شود. بنابراین، توازن بار برای غلبه بر تمامی مشکلات اشاره شده فوق مورد نیاز است. این توازن بار کارها (آن ها ممکن است وابسته یا مستقل باشند) بر ماشین های مجازی (VM) جنبه مهمی از زمان بندی کارها در ابرها است. انواع مختلف بارها در شبکه ابری همانند بار حافظه، بار محاسباتی (CPU)، بار شبکه و غیره وجود دارد. توازن بار مکانیزم شناسایی نودهای اضافه بار و کم بار و سپس توزان بار در بین آن ها است. محققان روش های مختلف توازن بار را در رایانش ابری برای بهینه سازی پارمترهای مختلف عملکرد پیشنهاد داده اند. ما یک طبقه بندی را برای الگوریتم های توزان بار در ابر ارائه کرده ایم. توضیح کوتاهی از پارامترهای عملکرد در ادبیات و اثرات آن ها در این مقاله ارائه شده است. به منظور تحلیل عملکرد الگوریتم های مبتنی بر اکتشاف ، شبیه سازی ها در شبیه ساز CloudSim انجام شده است و نتایج به طور کامل ارائه شده است.

1- مقدمه

در حوزه فناوری شبکه، فناوری رایانش ابری در حال نمایش رشد پدیده ای به دلیل پیشرفت فناوری ارتباطات، استفاده گسترده از اینترنت و حل مشکلات در مقیاس بزرگ است. این فناوری کاربردهای سخت افزاری و نرم افزاری همانند منابع در بستر اینترنت را برای کاربر ابر امکان پذیر می سازد. رایانش ابری یک مدل رایانه ای مبتنی بر اینترنت است که منابع (مانند شبکه ها، سرورها، استوریج، برنامه ها و خدمات)، نرم افزار و اطلاعات را به دستگاه های مختلف کاربر براساس تقاضا به اشتراک می گذارد [1]. رایانش ابری مسیری به سوی رایانش سودمند است که توسط برخی شرکت های مهم فناوری اطلاعات مورد استفاده قرار گرفته است که نمونه این شرکت ها آمازون، اپل، گوگل، HP، IBM، مایکروسافت، اوراکل و غیره است. مدل رایانش ابری دارای سه مدل خدماتی به نام نرم افزار به عنوان یک سرویس (SaaS)، پلتفورم به عنوان یک سرویس (PaaS) و زیرساخت به عنوان یک سرویس (IaaS) و چهار مدل پیاده سازی به نام های خصوصی، عمومی، ترکیبی و اجتماعی است.

6- نتیجه گیری

در این مطالعه تکنیک های مختلف توازن بر در محیط های مختلف (یعنی همگون و ناهمگون) رایانش ابری توصیف شده است. یک معماری سیستم به همراه مدل های متمایز برای میزبان و ماشین مجازی توضیح داده شده است. ما پارامترهای مختلف عملکرد را برای تحلیل عملکرد سیستم مورد ارزیابی قرار دادیم. محاسبه زمان کل و مصرف انرژی سیستم به طور کامل بررسی شده است. همچنین یک طبقه بندی برای الگوریتم توازن بار در محیط ابری پیشنهاد داده شده است. به منظور تحلیل عملکرد الگوریتم های مبتنی بر اکتشاف، شبیه سازی در شبیه سازی CloudSim انجام و نتایج به طور کامل ارائه شده است. برای انجام تحقیقات بیشتر، درک این روش ها الزامی است. کار آتی دربرگیرنده ارزیابی الگوریتم های پیشنهادی در اجرای محیط واقعی ابری و همچنین پیاده سازی تکنیک های بحث شده و مقایسه بین آن ها است.

Abstract

Scheduling or the allocation of user requests (tasks) in the cloud environment is an NP-hard optimization problem. According to the cloud infrastructure and the user requests, the cloud system is assigned with some load (that may be underloaded or overloaded or load is balanced). Situations like underloaded and overloaded cause different system failure concerning the power consumption, execution time, machine failure, etc. Therefore, load balancing is required to overcome all mentioned problems. This load balancing of tasks (those are may be dependent or independent) on virtual machines (VMs) is a significant aspect of task scheduling in clouds. There are various types of loads in the cloud network such as memory load, Computation (CPU) load, network load, etc. Load balancing is the mechanism of detecting overloaded and underloaded nodes and then balance the load among them. Researchers proposed various load balancing approaches in cloud computing to optimize different performance parameters. We have presented a taxonomy for the load balancing algorithms in the cloud. A brief explanation of considered performance parameters in the literature and their effects is presented in this paper. To analyze the performance of heuristic-based algorithms, the simulation is carried out in CloudSim simulator and the results are presented in detail.

1- Introduction

In the field of network technology, the cloud computing technology is showing phenomenal growth due to the advancement of communication technology, explosive use of Internet and solve large-scale problems. It allows both hard ware, and software applications as resources over the Internet for the cloud user. The cloud computing is an Internet-based computing model that share resources (e.g., networks, servers, storage, applications, and services), software, and information to various devices of the user on demand [1]. The Cloud computing is a path to utility computing embraced by some major IT companies such as Amazon, Apple, Google, HP, IBM, Microsoft, Oracle, and others. The Cloud Computing model has three service models, namely, Software as a Service (SaaS), Platform as a Service (PaaS), Infrastructure as a Service (IaaS) and four deployment models, namely, private, public, hybrid and community.

6- Conclusion

In this study, we have described various load balancing techniques in different (i.e., homogeneous, heterogeneous) cloud computing environments. A system architecture, with distinct models for the host, VM is described. We have explained various performance parameters listed in the above tables those evaluate the system performance. The calculation of makespan and energy consumption of the system is explained in details. We have proposed a taxonomy for the load 390 balancing algorithm in the cloud environment. To analyze the performance of heuristic-based algorithms, the simulation is carried out in CloudSim simulator and the results are presented in detail. For further researches, understanding of these approaches is essential. Future work includes evaluating the proposed algorithms in a real-world cloud deployment, and also implementation of all discussed techniques and make a comparison among all.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

توازن بار در رایانش ابری: یک تصویر بزرگ

Load Balancing in Cloud Computing: A big Picture

مروری بر الگوریتم های رمزگذاری در تصاویر رنگی

An overview of encryption algorithms in color images

چکیده

1. مقدمه

2. رمزگذاری تصویر: یک بررسی اجمالی

3. طرح های رمزگذاری تصاویر رنگی

4. معیارهای ارزیابی عملکرد

5. بحث

6. نتیجه گیری و جهت های آتی

منابع

چکیده

     این روزها امنیت در امر انتقال داده ها از اهمیت ویژه ای برخوردار است. تصاویر جزو جذاب ترین داده ها در حوزه رمزگذاری می باشند. تصاویر رنگی از جذابیت بیشتری نسبت به تصاویر خاکستری برخوردار هستند زیرا اطلاعات بیشتری را ارائه می دهند. در این مقاله، چندین طرح رمزگذاری برای تصاویر رنگی (حالت RGB) بر اساس حوزه های بکارگیری بصورت گسترده مورد بررسی قرار گرفته شده است، بعلاوه در این زمینه بالغ بر 50 مقاله که بیشترشان سال پیش منتشر شده اند در اینجا خلاصه شده اند. همچنین، در این مقاله رمزگذاری تصاویر رنگی به ده طرح دسته بندی شده اند، و سپس طرح های پیشنهادی مقایسه شده و مزایا و محدودیت هایشان مشخص شده است. بعلاوه، لیست کاملی از تکنیک های آنالیز امنیتی متداول برای رمزگذاری تصاویر (خاکستری یا رنگی) که توانایی ارزیابی مقاومت بالقوه این روش در مقابل حملات احتمالی مختلف را دارند مورد بحث قرار گرفته اند. هدف از این مقاله ارائه اطلاعات دقیق در مورد طرح های رمزگذاری فعلی در حوزه تصاویر RGB می باشد. و در آخر، در این مقاله چندین مسئاله و مسیر تحقیقاتی به منظور اکتشاف در حوزه های امیدوار کننده برای پیشرفت های آتی در نظر گرفته شده اند.

رمزگذاری تصویر: یک بررسی اجمالی

     رمزگذاری تصویر فرایند پنهان کردن تصویر از دسترسی بدون اجازه با استفاده از یک کلید محرمانه می باشد. داده های دیجیتالی تصویری بصورت آرایه های مستطیلی شکل سازماندهی می شوند. اعضای یک آرایه بصورت پیکسلی می باشند، هر پیکسل دارای یک مقدار عددی می باشد. با توسعه علم اطلاعات (IT)، تصاویر دیجیتالی، که یک فرم از اطلاعات مانند تصاویر پزشکی، تصاویر خاکستری، تصاویر رنگی، تصاویر دوگانه، و غیره می باشند، بیشتر مورد استفاده قرار گرفته و ذخیره و ارسال می شوند. بر این اساس حفاظت از این نوع اطلاعات چالشی مهم به شمار می آید (19). با در نظر گرفتن مشخصات داده های تصویری، الگوریتم های رمزگذاری متعددی بر پایه تکنولوژی های مختلف مانند SCAN (20,21)، شبکه های تصادفی دایره ای (22,23)، منحنی بیضوی الگامال (24)، کد خاکستری (25)، ارسال موج (26)، اندازه گیری بردار (27)، تبدیل موجک های کسری (7,28,29)، تبدیل فیبوناچی – P (30)، و بی نظمی (1,19,31-33)، ارائه شدند.

     مقالات ارائه شده در زمینه رمزگذاری تصویر در ادامه توضیح داده شده اند. جدول 2 نشانگر مقایسه ای میان تکنیک های مختلف رمزگذاری و عملکرد آنها با در نظر گرفتن پارامترهای مختلف می باشد. امنیت الگوریتم رمزنگاری به سه سطح پایین (L)، متوسط (M)، و بالا (H) تقسیم می شود. اگر طرح رمزنگاری در مقابل حملات رمزگشایی ایمن نباشد، امنیت ارزیابی شده پایین خواهد بود. اگر طرح رمزنگاری در مقابل برخی از حملات رمزگشایی ایمن باشد سطح امنیت متوسط ارزیابی خواهد شد، و اگر در مقابل تمامی حملات رمزگشایی و مخصوص مقاوم باشد بسیار ایمن ارزیابی خواهد شد.

طرح های رمزگذاری تصاویر رنگی
     با توسعه تکنیک های کارآمد رمزگذاری تصاویر رنگی، بررسی و انتخاب الگوریتم های مورد استفاده در شرایط خاص به امری ضروری تبدیل شده است. الگوریتم های رمزگذاری تصاویر رنگی بر حسب حوزه های مختلف به دو دسته تقسیم می شوند: یکی از آنها حوزه فضایی و دیگری حوزه تبدیل شده می باشد. الگوریتم های رمزگذاری در حوزه فضایی اکثرا بر پایه ترکیب پیکسلها و یا بلوکهای تصویر استوار می باشد (79). اما الگوریتم های رمزگذاری در حوزه تبدیل شده بر پایه ترکیب و یا رمزگذاری ضریب های تبدیل و یا بلوک ها استوار هستند (79). با وجود اینکه اکثر تکنیک های رمزگذاری پیشنهادی بر پایه حوزه های تبدیل شده می تواند با سرعت بالای رمزگذاری توسط راه اندازی بصری اجرا شود، به دلیل خطی بودن ذاتیشان در سیستم کلی دارای ایمنی کامل نیستند. در عین حال، طبقه بندی این تکنیک ها تحت برخی از ضوابط امری دشوار محسوب می شود.

چندرسانه ای در شبکه های تعریف شده توسط نرم افزار: یک نظرسنجی جامع

Multicasting in software defined networks: A comprehensive survey

چکیده
1 مقدمه
2 پس زمینه
2.1 تاریخچه چند پخشی
2.2 معماری عمومی
2.3 مکانیسم های مختلف SDM
3 طراحی و ایجاد درخت چند پخشی
3.1 طراحی درخت
3.2 ساخت درخت: روش درخت واحد
3.3 ساخت درخت: روش چند درختی
4 مدیریت درخت
4.1 بدست آوردن وضعیت شبکه
4.2 مدیریت عضویت در گروه
4.3 کنترل خرابی ها
4.4 بسته بندی درخت
5 مسیریابی چندپخشی
5.1 مسیریابی مبتنی بر مجازی سازی عملکرد شبکه
5.2 مسیریابی با انتقال متوالی بسته
5.3 قابلیت اطمینان در مسیریابی
6 مهندسی ترافیک چندپخشی
7 چندپخشی در مراکز داده
7.1 راه حل های کلی چند پخشی برای مراکز داده
7.2 چندپخشی مقیاس پذیر در مراکز داده
8 جهتهای آینده
8.1 معماری تکثیر صریح شاخص Bit (BIER)
8.2 قابلیت اطمینان شبکه
8.3 امنیت در چندپخشی تعریف شده با نرم افزار
9 نتیجه گیری
منابع

چکیده

الگوی در حال ظهور شبکه تعریف شده با نرم افزار  (SDN) توسط صنعت مخابرات پذیرفته می شود زیرا تخصیص منبع، پیکربندی و مدیریت منابع شبکه انعطاف پذیر را ممکن می سازد. چند پخشی ، یک سرویس ضروری و جذاب برای طیف گسترده ای از برنامه های اینترنتی امروزی برای حفظ کارایی و انعطاف پذیری پهنای باند است. در یک چندپخشی، یک جریان داده از منابع واحد یا چندگانه برای گروهی از مقاصد به صورت همزمان تحویل داده می شود. شبکه تعریف شده با نرم افزار (SDN) این پتانسیل را دارد تا با بهره گیری از ماهیت متمرکز صفحه کنترل شبکه، مهندسی ترافیک چند پخشی را ساده سازی کند، که این موضوع دیدی کلی از شبکه ارائه می کند که بر اساس داده های زمان واقعی جمع آوری شده از دستگاه های شبکه ساخته می شود. هدف این مقاله، ارائه یک بررسی جامع درباره پیشرفت های اخیر در زمینه چندپخشی تعریف شده با نرم افزار است. مخصوصا، این مقاله مروری کلی از چندپخشی در زمینه شبکه های تعریف شده با نرم افزار (SDN)، بحث در مورد طراحی و مدیریت درخت، بحث درباره مسیریابی چندپخشی و مهندسی ترافیک، قابلیت اطمینان و مقیاس پذیری در مسیر یابی و روش های چندپخشی در مراکز داده، ارائه می کند. این مقاله، همچنین روشهای کلیدی برای هر موضوع مهم مرتبط با چندپخشی را خلاصه می کند که می تواند محققان و متخصصان را قادر سازد تا به سرعت شروع به کار کنند. در نهایت، ما چالش های باز برای چندپخشی SDN را مشخص می کنیم و مسیرهای تحقیقاتی آینده را شرح می دهیم.

1 مقدمه

با توجه به آخرین تحلیل صنعت IT، بازار جهانی شبکه تعریف شده با نرم افزار (SDN)، نرخ رشد سالانه قابل توجه 88.1% را در تنها در یک دوره پنج ساله ثبت کرده است. این بازار به 2.4 میلیارد دلار در سال 2015 دست یافته است و انتظار می رود به رقم 56.1 میلیارد دلار در سال 2020 دست یابد (گیجاره، 2016). شبکه تعریف شده با نرم افزار (SDN)، یک الگوی جدید شبکه است که به دلیل ساختار شبکه مرکز داده های آنها و ارتباطات شبکه های ناحیه ای گسترده توسط شرکتهای غالب اینترنتی مانند گوگل و فیس بوک، اتخاذ شده است (دی تراک و همکاران، 2016). شبکه تعریف شده با نرم افزار (SDN)، برای اولین بار برای غلبه بر فقدان برنامه نویسی و مقیاس پذیری در مدیریت و پیکربندی شبکه معرفی شد که شبکه های IP سنتی با آن روبرو هستند. اگرچه شبکه های سنتی به صورت گسترده ای پذیرفته می شوند، نیازمندی هایی مانند: پویایی، انعطاف پذیری، و سهولت در مدیریت و پیکربندی در دستیابی به چنین شبکه هایی چالش برانگیز هستند. این امر باعث می شود که این راه حل ها به راه حل شبکه یابی غیر جذاب مخصوصا با تکامل اینترنت و فناوری های تازه در حال تکامل تبدیل شوند که نیاز به پهنای باند بیشتر، قابلیت دسترسی بیشتر، افزایش قابلیت برنامه نویسی شبکه و چابکی بیشتر دارند. نمونه هایی از چنین فناوری هایی عبارتند از: شبکه تلفن همراه، رایانش ابری، مجازی سازی عملکرد شبکه، شبکه یابی اجتماعی، و برنامه های چند رسانه ای (مسعودی و غفاری، 2016).

9 نتیجه گیری

در این مقاله، یک بررسی سیستامتیک از چندپخشی در شبکه تعریف شده با نرم افزار ارائه می شود. هدف این تحقیق، بررسی جنبه های مختلف چند پخشی در SDN و تلاش برای پوشش دادن کلیه چالش های مربوط به هر جنبه و راه حل های موجود است تا بر آن چالش های غلبه شود. اولا، اهمیت شبکه های تعریف شده با نرم افزار ضمن مشخص کردن ویژگی های SDN ، معرفی می شود که می تواند برای بهبود کیفیت چندپخشی مورد استفاده قرار گیرد. سپس روش های چندپخشی با شروع از تاریخچه و سابقه چند پخشی، مورد بررسي قرار می گیرند. سپس، راه حل های موجود برای زمینه های موردعلاقه اصلی چندپخشی بیان می شوند، مانند: طراحی درخت، مدیریت درخت ، مسیریابی چند پخشی ، TE چندپخشی و تک پخشی در مراکز داده. مقایسه بین راه حل ها / روش های مختلف موجود معرفی شده در مقاله، انجام می شود. علاوه بر این، جهت گیری های آینده تحقیقات برای بهبود راه حل های موجود، پیشنهاد می شوند یا مسائل جدیدی را مشخص می کنند که در گذشته مورد بررسی قرار نگرفته اند.

Abstract

The emerging Software Defined Networking (SDN) paradigm is being adopted by the telecom industry since it enables flexible network resource allocation, configuration and management. Multicast is an essential and attractive service for a wide range of todays Internet applications for its bandwidth-preserving efficiency and flexibility. In a multicast, a data stream is delivered from single or multiple sources to a group of destinations simultaneously. SDN has potential to simplify multicast traffic engineering by leveraging the centralized nature of the network control plane, which provides a global view of the network that is built based on the real-time data gathered from network devices. This article aims to provide a comprehensive survey about the recent advances in Software Defined Multicasting. Specifically, it will provide an overview of multicasting in the context of SDNs, discuss tree planning and management, discuss multicast routing and traffic engineering, reliability and scalability in routing and multicast techniques in data centers. It will also summarize key techniques for each important topic related to multicasting that can enable researchers and practitioners to quickly get started. Finally, we identify open challenges for SDN multicasting and outline future research directions.

1 Introduction

According to latest IT industry analysis, the global market for Software Defined Networking (SDN) has recorded a remarkable annual growth rate of 88.1% in five years period only. The market has reached 2.4 $ billion in 2015 and is expected to reach 56.1 $ billion in 2020 (Gijare, 2016). SDN is a new networking paradigm that has been adopted by dominant internet companies like Google and Facebook for their Data Center Networks structure and their connections in Wide Area Networks (De Turck et al., 2016). It was first introduced to overcome the lack of programmability and scalability in network management and configuration that are faced in the traditional IP networks. Although traditional networks are widely adopted, requirements such as: dynamicity, flexibility, and easiness in management and configuration are challenging to achieve in such networks. This makes them unattractive networking solution especially with the evolution of the Internet and the newly evolving technologies that require higher bandwidth, accessibility, increased network programmability and agility. Examples of such technologies are: mobile networking, cloud computing, network function virtualization, social networking, and multimedia applications (Masoudi and Ghaffari, 2016).

9 Conclusion

In this paper, a systematic survey of multicasting in software-defined net-working was presented. The goal of this survey was to study different aspects of multicasting in SDN and try to cover all the related challenges to each aspect and the existing solutions to overcome those challenges. First, the importance of software defined networking was introduced while highlighting the features of SDN that can be utilized to improve the quality of multicasting. Then multicasting techniques were surveyed starting from the history and background of multicasting. After that the existing solutions for multicasting main fields of interest were presented such as: tree planning, tree management, multicast routing, multicast TE and multicast in data centers. Comparisons were conducted between the different existing solutions/techniques that were introduced in the paper. Moreover, future research directions were suggested to improve the existing solutions or to highlight new problems that were not studied earlier.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

چندرسانه ای در شبکه های تعریف شده توسط نرم افزار: یک نظرسنجی جامع

Multicasting in software defined networks: A comprehensive survey

هوش مصنوعی در کاردیولوژی

Artificial Intelligence in Cardiology

چکیده

هوش مصنوعی و یادگیری ماشینی چه ارتباطی با آمار دارند؟

چرا علم قلب شناسی باید از هوش مصنوعی استفاده کند؟

یادگیری با سرپرست : دسته بندی و پیش بینی

انتخاب ویژگی

مسائل در یادگیری ماشینی پزشکی

دوراهی در تصمیم گیری

دیکوتومانیا

یک نظر سنجی کوتاه در رابطه با الگوریتم یادگیری ماشینی با سرپرست در علم قلب شناسی

رگرسیون منظم

روش های مبتنی بر درخت

ماشین های بردار پشتیبان

یادگیری بدون سرپرست، شبکه های عصبی و یادگیری عمقی

شبکه های عصبی و یادگیری عمقی

چه چیزی باعث جذابیت روش های یادگیری عمقی شده است؟

یادگیری عمقی در علم قلب شناسی

یادگیری بدون سرپرست

یادگیری تقویتی

پزشکی قلب و عروق، چطور می تواند از یادگیری ماشینی و هوش مصنوعی استفاده کند؟

منابع

چکیده

     هوش مصنوعی و یادگیری ماشینی، می توانند تقریبا بر روی تمام ابعاد شرایط انسان تاثیر داشته باشند و دانش قلب شناسی هم از این قاعده مستثنی نیست. این مقاله یک راهنمای خوب برای متخصص های بالینی در رابطه با ابعاد مربوط به هوش مصنوعی و یادگیری ماشینی فراهم می کند و بعضی از کاربرد های انتخابی این روش را در قلب شناسی تا به امروز شناسایی می کند و این موضوع را بررسی می کند که داروهای قلبی عروقی چطور میتوانند از هوش مصنوعی در آینده استفاده کنند. به صورت خاص، این مقاله نخست مفاهیم مدل سازی پیش بینی را که مرتبط با قلب شناسی می باشد را شناسایی می کند مانند گزینش ویژگی و مشکلات رایج مانند  دوشعبه سازی نا مناسب. دوم این که ما در این مقاله الگوریتم های رایج مورد استفاده در یادگیری با سرپرست را بررسی می کنیم و کاربرد های انتخاب شده را در قلب شناسی و زمینه های علمی مربوطه، بررسی می کنیم. سوم، ما پیشرفت یادگیری عمقی و روش های مربوطه که به صورت کلی با نام یادگیری بدون سرپرست شناخته می شود را بررسیمی کنیم که نمونه های زمینه ای را در پزشکی عمومی و پزشکی قلب و عروق ارائه می کند و سپس نشان می دهیم که این روش ها را چطور می توان مورد استفاده قرار داد تا موجب بهبود دانش قلب و عروق شد و خروجی های به دست آمده را ارتقا داد.

     نوید هوش مصنوعی (AI) و یادگیری ماشینی در قلب و عروق و ایجاد کردن مجموعه ای از ابزار برای تقویت و توسعه کارایی قلب و عروق و پزشکی در این زمینه، بسیار مهم می باشد. این موضوع به چند دلیل مورد نیاز می باشد. مقدمه بالینی از تکنولوژی های مبتنی بر داده ها مانند بیومتریک با دستگاه های موبایل و تعیین توالی های کلی ژنوم، به زودی مستلزم این خواهد بود که متخصص های قلب و عروق اطلاعات را از زمینه های بسیار مختلف پزشکی و زیست شناسی، تحلیل کرده و از آن ها در عملیات خودشان استفاده کنند [1 تا 4]. در عین حال، شکل گیری فشار خارجی در پزشکی باعث شده که نیاز عملیاتی بیشتری برای پزشکان و سیستم های خدمات درمانی  ایجاد شود [5]. در نهایت، بیماران نیز نیازمند و خواهان خدمات درمانی سریع تر و فردی تر می باشند [6و7]. به صورت خلاصه، پزشکان در معرض داده های بسیار زیادی قرار دارند که مستلزم تفسیر های پیچیده تر می باشد و در عین حال، باعث می شود که آن ها عملیات موثرتری را ارائه کنند. راه حل ما نیز استفاده از روش های یادگیری می باشد که می تواند تمام مراحل ارائه خدمات درمانی به بیمار را ارتقا دهد- از جستجو گرفته تا کشف و تشخیص روش های درمانی. در نتیجه، فعالیت های بالینی کارایی، سهولت و حالت فردی بیشتری خواهد داشت. علاوه بر این، داده های آتی فقط در زمینه های  خدمات درمانی جمع آوری نمی شوند. تکثیر سنسور های موبایل باعث شده که متخصص های پزشکی در آینده بتوانند جریان های اضافی از داده های پزشکی را تحت نظارت داشته باشند، آن ها را تفسیر کنند و گاهی به صورت راه دور و یا خودکار نسبت به آن ها واکنش نشان دهند. در این حوزه فنی، ما روش های رایج برای یادگیری ماشینی را ارائه می دهیم، چندین کاربرد مختلف در دانش قلب و عروق را نشان می دهیم و مشخص می کنیم که پزشکی قلب و عروق چطور می تواند از هوش مصنوعی در آینده استفاده کند ( طرح اصلی).

چرا علم قلب شناسی باید از هوش مصنوعی استفاده کند؟

     AI به این دلیل ظهور کرده است که الگوریتم های آشنا را می توان برای وظایف دنیای واقعی، بهبود داد. مثلا مورد رگرسیون لجستیک را در نظر بگیرید. برای این که بتوانیم قابلیت استنتاج های آماری مانند تخمین ضرایب و مقادیر P را ایجاد کنیم، این مدل نیازمند فرضیاتی قوی می باشد ( مثلا، استقلال از ناظر و عدم همبستگی بین متغیر های مختلف). زمانی که رگرسیون لجستیک برای اهداف دیگر مورد استفاده قرار می گیرد، این فرضیات که باعث می شود بتوانیم استنتاج آماری را انجام دهیم، گاهی باعث می شود که ما از هدف خودمان دور شویم و باعث می شود که عملکرد مدل را کاهش می دهد. در مقابل، الگوریتم های یادگیری ماشینی معمولا بدون فرضیات مرتبط با داده های زیرلایه های مورد استفاده قرار می گیرد. با وجود این که این روش باعث کاهش احتمال استنتاج های متداول می شود، اما باعث شکل گیری الگوریتمی می شود که معمولا برای پیش بینی و دسته بندی دقت بالاتری دارد. ازین رو پزشکی قلب و عروق می تواند از کاربرد های هوش مصنوعی و یادگیری ماشینی، بهره ببرد.

یادگیری با سرپرست : دسته بندی و پیش بینی

     استراتژی های یادگیری ماشینی را می توان به صورت گسترده به استراتژی های باسرپرست و بدون سرپرست دسته بندی کرد. این استراتژی ها اهداف بسیار مختلفی دارند. یادگیری بدون سرپرست معمولا بر روی کشف کردن ساختار زیر لایه ای و یا روابط بین متغیر ها در یک مجموعه داده تمرکز دارد در حالی که یادگیری با سرپرست معمولا شامل دسته بندی کردن یک مشاهده به صورت یک یا چند دسته بندی و خروجی می باشد ( مثلا آیا این نوار قلب ، نشان دهنده ریتم سینونسی است و یا فیبریلاسیون بطنی؟) . یادگیری با سرپرست ازین رو نیازمند یک مجموعه داده با متغیر های پیش بینی ( که در زمینه یادگیری ماشینی با نام ویژگی شناخته می شود) و خروجی های نام گذاری شده میباشد. در پزشکی، مدل سازی پیش بینی معمولا زمانی اجرا می شود که مشاهده ها دارای نام هایی مانند «پرونده» و یا « کنترل » می باشند و این مشاهده ها با ویژگی های مانند سن، جنسیت و یا متغیر های بالینی جفت می شوند.

حملات DDoS در رایانش ابری: مسائل، طبقه بندی و مسیرهای آینده

DDoS attacks in cloud computing: Issues, taxonomy, and future directions

چکیده
۱- مقدمه
۱-۱- نیاز به یک پژوهش درباره‌ی حمله DDoS در ابر
۱-۲- روش انجام پژوهش
۱-۳- کارهای انجام‌شده
۱-۴- ساختار مقاله
۲- حمله‌های DDoS و پردازش ابری
۲-۱- حمله DDoS و ویژگی‌های ابر
۲-۲- سناریوی حمله DDoS در ابر
۳- آمار حمله‌ها و توصیف تأثیر آن‌ها
۳-۱- آمار حمله
۳-۲- بررسی اثر حمله DDoS در ابر
۴- طبقه‌بندی راه‌حل‌های DDoS
۵- جلوگیری از حمله (P)
۵-۱- چالش-پاسخ (P1)
۵-۲- سرورها یا پورت‌های پنهان (P2)
۵-۳- محدودسازی دسترسی
۵-۴- محدودیت منابع
۶- کشف حمله (D)
۶-۱- کشف ناهنجاری (D1)
۶-۲ ردگیری مبدأ و جعل (D2)
۶-۳- فیلتر براساس شمارش (D3)
۶-۴- کشف ابر رباط‌ (D4)
۶-۵- استفاده از منبع (D5)
۷- کاهش اثر حمله (M)
۷-۱- مقیاس‌گذاری منابع (M1)
۷-۲- مهاجرت قربانی (M2)
۷-۳- مدیریت منابع در سطح سیستم‌عامل (M3)
۷-۴- شبکه‌های مبتنی‌بر نرم‌افزار (M4)
۷-۵- کاهش اثر حمله به‌عنوان یک سرویس (DMaaS) (M5)
۸- بحث‌ها و آینده‌پژوهی
۸-۱- ملاحظاتی درباره‌ی راه‌حل
۸-۲- ایجاد یک راه‌حل کارا
۹- خلاصه و نتیجه‌گیری

چکیده

مسائل امنیتی پردازش ابری، موضوعی است که هنگام تصمیم‌گیری درباره‌ی انتخاب آگاهانه‌ی ابر، به ذی‌نفع‌های متفاوتی ارتباط پیدا می‌کند. جدا از دسترسی نامعتبر به داده، انجمن پژوهش امنیت مجازی درحال بررسی دوباره‌ی حوزه حمله است تا راه‌حل‌هایی مختص ابر بیابد چراکه این مسائل، بودجه، مدیریت منابع و کیفیت خدمات را تحت تأثیر قرار می‌دهند. حمله محروم‌سازی از سرویس توزیع‌شده (DDoS) یک حمله‌ی جدی در فضای ابر محسوب می‌شود. در این مقاله، راه‌حل‌های توسعه‌داده‌شده برای «کاهش اثر» حمله DDoS را معرفی می‌کنیم. به‌صورت مشخص، پژوهش جامعی ارائه می‌دهیم که با آگاهی دقیق به بررسی ویژگی‌ها و مکانیزم‌های پیشگیری، کشف و کاهش اثر این حمله‌ها می‌پردازد. به‌علاوه، یک طبقه‌بندی کامل از راه‌حل‌ها ارائه می‌کنیم تا راه‌حل‌ها برای حمله‌های DDoS را دسته‌بندی نماییم. همچنین درباره‌ی شاخص‌های مهم ارزیابی راه‌حل‌های متنوع صحبت خواهیم کرد. این مقاله به‌عنوان نتیجه بیان می‌کند که به‌شدت نیازمند به راه‌حل‌هایی هستیم که براساس تداوم قابلیت‌های محاسباتی طراحی می‌شوند. مقیاس‌گذاری صحیح، کاهش اثر حمله به‌صورت چند-لایه و دفاع با استفاده از منابع بی‌شمار موجود در ابر، برخی از نیازمندی‌های راه‌حل موردنظر هستند. در انتها، برای تولید راه‌حل بهینه و بیان الزامات دقیق آن یک رهنمون روشن عنوان می‌کنیم تا در طراحی مکانیزم‌های دفاعی به انجمن‌های تحقیق درباره‌ی امنیت فضای مجازی کمک کنیم. براساس اطلاعات ما، این پژوهش در نوع خود کار جدیدی است که هدف آن شناسایی نیاز راه‌حل‌های کاهش اثر DDoS است، به‌گونه‌ای که جریان اطلاعات چند-سطحی و مدیریت مؤثر منابع درحین حمله، در آن‌ها دخیل هستند.

۱- مقدمه

پردازش ابری در مقایسه با استقرار سنتی فناوری اطلاعات یک رقیب قدر به حساب می‌آید، چراکه برای قابلیت‌های محاسباتی و خدمات موردتقاضا، دسترسی «پرداخت به ازای استفاده » و کم‌هزینه فراهم می‌کند. دولت‌ها نیز مانند صنایع، همه یا بخش بزرگی از زیرساخت فناوری اطلاعات خود را به ابر منتقل کردند. ابرهای زیرساخت در مقایسه با زیرساخت‌های ثابت مستقر در خود تشکیلات، مزیت‌های فراوانی دارند. در دسترس بودن منابع موردنیاز، صدور صورتحساب به ازای میزان استفاده، بهره‌برداری بهتر از سخت‌افزار، نبود خسارت استهلاک و کاهش ارزش تجهیزات و نبود سربارهای نگهداری ازجمله‌ی این مزیت‌ها هستند. ازسوی‌دیگر،‌ پرسش‌های فراوانی در ذهن افرادی است که به سراغ ابر می‌روند. بیشتر این پرسش‌ها مربوط به امنیت داده و منطق کسب‌وکار است. حمله‌های امنیتی بسیاری هستند که در زیرساخت فناوری اطلاعاتِ غیر ابر، به‌خوبی شناسایی شده‌اند. امروزه از راه‌حل آن‌ها برای حمله‌هایی استفاده می‌شود که ابر را موردهدف قرار می‌دهند. بیشتر نگرانی‌های امنیتی ابر با معادلشان در زیرساخت غیر ابر دارای تفاوت هستند، چراکه داده و منطق کسب‌وکار روی یک سرور ابر راه‌دور قرار دارند که کنترل شفافی بر آن نیست.

۹- خلاصه و نتیجه‌گیری

این پژوهش یک بررسی جامع و دقیق روی حمله‌های DDoS و مکانیزم‌های دفاع انجام می‌دهد که مربوط به محیط پردازش ابری هستند. در بحث‌ها نشان دادیم که EDoS یکی از گونه‌های اصلی حمله DDoS در ابر است. حمله‌های DDoS از ویژگی‌های مهمی برخوردار هستند که موجب می‌شود در بررسی مدل‌های استفاده از توان محاسباتی نقش عمده‌ای داشته باشند. این مقاله ویژگی‌های پردازش ابری را معرفی می‌نماید که برای شناخت حمله DDoS و تأثیرهای آن بسیار مهم هستند. همچنین گزارش‌های آماری حمله، تأثیرهای آن و چندین مطالعه ویژگی‌شناختی را ارائه کردیم. یک طبقه‌بندی جامع جدید از راه‌حل‌های دفاع دربرابر حمله DDoS در پردازش ابری پیشنهاد دادیم. ما معتقدیم، این پژوهش یک رهنمون راهبردی برای دستیابی به یک راه‌حل مؤثر و یکپارچه است. راه‌حل‌های فراوانی وجود دارند که هریک از آن‌ها براساس یکی از سه مقوله جلوگیری از حمله، کشف حمله و کاهش اثر حمله، به مصاف حمله DDoS می‌روند. از میان این راه‌حل‌ها، تعداد کمی از آن‌ها از ویژگی‌های مخصوص ابر مانند تخصیص منابع، منابع به‌محض تقاضا، کشف ابر رباط و پیکربندی مجدد شبکه به‌وسیله‌ی SDN استفاده کرده‌اند. همچنین برای مقایسه و ارزیابی این راه‌حل‌ها، فهرست جامعی از شاخص‌های کارایی ارائه داده‌ایم. ما معتقدیم که این مطالعه جدید درباره‌ی شاخص‌های ارزیابی راه‌حل‌های متفاوت DDoS می‌تواند به هماهنگ‌سازی ارزیابی راه‌حل‌های آینده کند.

Abstract

Security issues related to the cloud computing are relevant to various stakeholders for an informed cloud adoption decision. Apart from data breaches, the cyber security research community is revisiting the attack space for cloud-specific solutions as these issues affect budget, resource management, and service quality. Distributed Denial of Service (DDoS) attack is one such serious attack in the cloud space. In this paper, we present developments related to DDoS attack mitigation solutions in the cloud. In particular, we present a comprehensive survey with a detailed insight into the characterization, prevention, detection, and mitigation mechanisms of these attacks. Additionally, we present a comprehensive solution taxonomy to classify DDoS attack solutions. We also provide a comprehensive discussion on important metrics to evaluate various solutions. This survey concludes that there is a strong requirement of solutions, which are designed keeping utility computing models in mind. Accurate auto-scaling decisions, multi-layer mitigation, and defense using profound resources in the cloud, are some of the key requirements of the desired solutions. In the end, we provide a definite guideline on effective solution building and detailed solution requirements to help the cyber security research community in designing defense mechanisms. To the best of our knowledge, this work is a novel attempt to identify the need of DDoS mitigation solutions involving multi-level information flow and effective resource management during the attack.

1- Introduction

Cloud computing is a strong contender to traditional IT implementations as it offers low-cost and “pay-as-you-go” based access to computing capabilities and services on demand. Governments, as well as industries, migrated their whole or most of the IT infrastructure into the cloud. Infrastructure clouds promise a large number of advantages as compared to on-premise fixed infrastructure. These advantages include on-demand resource availability, pay as you go billing, better hardware utilization, no in-house depreciation losses, and, no maintenance overhead. On the other hand, there is a large number of questions in cloud adopters mind which is discussed in literature [1,2]. Most of these questions are specifically related to data and business logic security [3]. There are many security related attacks, that are well-addressed for the traditional non-cloud IT infrastructures. Their solutions are now being applied to cloud targeted attacks. As data and business logic is located on a remote cloud server with no transparent control, most security concerns are not similar to their earlier equivalents in non-cloud infrastructures.

9- Summary and conclusions

This work provides a comprehensive and detailed survey about the DDoS attacks and defense mechanisms eventually available in the cloud computing environment. We have shown through the discussion that EDoS attack is a primary form of DDoS attack in the cloud. DDoS attacks have important characteristics which play an important role while considering utility computing models. This paper introduces the cloud computing features which are critical in order to understand the DDoS attack and its impact. We have also presented attack statistics, its impact, and characterization by various contributors. We propose a novel comprehensive taxonomy of DDoS attack defense solutions in cloud computing. We believe that this survey would help to provide a directional guidance towards requirements of DDoS defense mechanisms and a guideline towards a unified and effective solution. There are a large number of solutions which have targeted the DDoS attack from one of the three solution categories of attack prevention, detection, and mitigation. Among these solutions, there are few contributions which are targeting at cloud-specific features like resource allocation, on-demand resources, botcloud detection, and network reconfiguration using SDNs. We also provide a comprehensive list of performance metrics of these solution classes for their evaluation and comparison. We believe that this novel attempt of presenting the complete set of evaluation metrics for a variety of DDoS solutions may help in orchestrating the benchmarking of upcoming solutions.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

حملات DDoS در رایانش ابری: مسائل، طبقه بندی و مسیرهای آینده

DDoS attacks in cloud computing: Issues, taxonomy, and future directions

اینترنت اشیا (IoT): مروری بر تحقیقات مبنی برخدمات هوشمند زمینه آگاه

Internet of Things: A Review of Surveys Based on Context Aware Intelligent Services

چکیده
1- مقدمه
2- پیش زمینه پژوهش های IoT
2-1 پژوهش های IoT با هدف عمومی
2-2 پژوهش های داده محور
2-3 پژوهش های صورت گرفته در مورد یکپارچگی محاسبات ابری و IoT
2-4 پژوهش های صورت گرفته در زمینه داده کاوی
2-5 پژوهش در مورد کاربردهای بالقوه IoT
2-6 مسائل پژوهش شده در IoT
3- IoT زمینه آگاه
3-1 IoT زمینه آگاه در مقابل IoT اجتماعی
3-2 یافته ها و تحلیل IoT زمینه آگاه
4- خدمات IoT
4-1 معماری خدمات محور (SOA) IoT
4-2 مدل های خدمات رسانی به داده های بزرگ تولید شده توسط IoT
4-3 داده به عنوان خدمات
4-4 مدل های خدمات رسانی داده کاوی با داده های بزرگ
4-5 یافته ها و تحلیل خدمات IoT
5-نتیجه گیری

چکیده

اینترنت اشیا (IoT) ابزارهای سراسر دنیا را قادر کرده است اطلاعات را کسب و ذخیره کنند تا بعدها از آن استفاده نمیاند. با این حال، این فرصت بالقوه، اغلب مورد استفاده قرار نمی گیرد زیرا وقفه زیادی میان جمع اوری داده ها و ظرفیت پردازش و تحلیل آنها وجود دارد. در این پژوهش، تکنولوژی های فعلی، رویکردها، و مدل های IoT را بررسی می کنیم تا چالش هایی را که در راه استفاده بهتر از این مفهوم وجود دارد شناسایی کنیم. هدف اصلی این پژوهش این است که پژوهش های صورت گرفته در مورد IoT را بررسی کند تا خدمات هوشمند زمینه اگاه و یکپارچه ای برای IoT فراهم آورد. علاوه بر این، یک جایگاه IoT، که از دیدگاه زمینه آگاه برگرفته شده است معرفی می کنیم. این جایگاه سبب می شود IoT و شبکه های اجتماعی در بافت اینترنت اجتماعی اشیا (SoT) با یدیگر ترکیب شوند.

1- مقدمه

تردیدی نیست که تکنولوژی در دهه اخیر به سرعت رشد کرده است. این روزها، طیف وسیعی از ابزارها، از جمله ابزارهای هوشمند حسی، و انواع ابزارهایی که قابلیت پوشیده شدن دارند، به اینترنت وصل می شوند و اپلیکیشن ها و راه حل¬های زیادی را اجرا می کنند. از یک سو، هزینه تکنولوژی به شدت کاهش یافته است و تقریبا برای هرکسی، استفاده از داده ها ممکن گشته است. از سوی دیگر، در هر مکانی نیاز داریم که به اینترنت، که اطلاعات را در زمان واقعی جا به جا می کند، متصول شویم. علاوه بر این، برخی محیط ها، مانند رسانه های اجتماعی که اطلاعات در آنها در “ابر” وجود دارد، همیشه در حالت آنلاین قرار دارند. از این رو، واژه ها و اصطلاحات جدید مانند داده های بزرگ (1،2)، محاسبات ابری (3) یا اینترنت اشیا (6-4) به وجود آمده است.
با پیشرفت هایی که اخیرا در شناسایی فرکانس-رادیویی (RFID، ابزارهای حسی ارزان قیمت، و تکنولوژی های وب ایجاد شده است، رویکرد IoT در متصل کردن اشیا روزمره به اینترنت و تسهیل ارتباط ماشین با انسان، و ماشین با ماشین، در دنیای فیزیکی، موفقیت زیادی کسب کرده است.
بر اساس گزارش پژوهش گارتنر در مورد IoT، میلیاردها ابزار متصل به اینترنت در سال 2015 وجود داشته است و این رقم در طی چند سال آینده به 25 میلیارد ابزار خواهد رسید (7). همچنین، اینکه داده ها به این سرعت تولید شده و اطلاعات زیادی را خلق می کنند (مانند شهرهای هوشمند (8)، هوش کسب و کار (9)، IoT (10) ) و در نهایت، داده های بزرگی را فراهم میاورند، تحسین برانگیز است (11، 12).

5- نتیجه گیری

تاکنون پژوهش های بسیار زیادی در مورد IoT صورت گرفته است و اغلب آنها، بیشتر در مورد مسائل کلی که اهمیت زیادی دارند صحبت کرده اند. علاوه بر این، این پژوهش ها به طور ویژه تکنیک های پردازش و مدیریت داده، که نقش انکارناپذیری در درک صحیح IoT دارند، در بر نمی گیرند. ما در این پژوهش، مقالات مختلف در مورد IoT را بررسی کرده ایم. حجم زیاد پژوهش های انجام شده سبب می شود که به راحتی تصویری کلی از جایگاه IoT بدست اوریم، اما دشوار است که بخش های خوش آتیه تر IoT، که برای تصمیم گیری در مورد IoT اهمیت خاصی دارند، کشف کنیم. ما در این پژوهش تکنولوژی ها، رویکردها و مدل های فعلی IoT را بررسی می کنیم تا فرصت و چالش هایی که بر سر راه درک داده ها وجود دارند شناسایی کنیم.

Abstract

The Internet of Things (IoT) has made it possible for devices around the world to acquire information and store it, in order to be able to use it at a later stage. However, this potential opportunity is often not exploited because of the excessively big interval between the data collection and the capability to process and analyse it. In this paper, we review the current IoT technologies, approaches and models in order to discover what challenges need to be met to make more sense of data. The main goal of this paper is to review the surveys related to IoT in order to provide well integrated and context aware intelligent services for IoT. Moreover, we present a state-of-the-art of IoT from the context aware perspective that allows the integration of IoT and social networks in the emerging Social Internet of Things (SIoT) term.

1- Introduction

There are no doubts about how rapidly technology has grown in the last decade. Nowadays, a wide variety of devices, including sensor-enabled smart devices, and all types of wearables, connect to the Internet and power newly connected applications and solutions. On the one hand, the cost of technology has sharply decreased, making it possible for everybody to engage in sensing data. On the other hand, in every area we need to access the Internet, which delivers an amount of real time information. Furthermore, some of the environments are just online, like social media, where all the information is in the Cloud. As a result, new words as well as new expressions have appeared such as Big Data [1,2], Cloud Computing [3] or Internet of Things (IoT) [4–6], among others.
With the recent advances in radio-frequency identification (RFID), low-cost wireless sensor devices, and Web technologies, the IoT approach has gained momentum in connecting everyday objects to the Internet and facilitating machine-to-human and machine-to-machine communication with the physical world. According to the Gartner Research report on the IoT, billions of connected things are already in use in 2015 and that number will reach 25 billion in just a few short years [7]. In addition, we can appreciate how easily the data can be generated currently to create a huge amount of information (e.g., Smart Cities [8], Business Intelligence [9], IoT [10]), generating big data [11,12].

5- Conclusions

There are a considerable number of reviews about IoT and so far most of them have been conducted focusing on high level general issues. Furthermore, these articles do not specifically cover techniques on data processing and management, which is fundamentally critical to fully embrace IoT. In this paper, we have presented a systematic review of the diverse surveys of IoT. The huge volume of surveys that appear in the literature makes it easy to obtain a general picture of the current state of the art on the IoT but it is more difficult to discover the more promising parts of IoT, which is the key to succeeding when making a decision on IoT.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

اینترنت اشیا (IoT): مروری بر تحقیقات مبنی برخدمات هوشمند زمینه آگاه

Internet of Things: A Review of Surveys Based on Context Aware Intelligent Services

مروری بر متدهای پردازش تصویر مبتنی بر موجک برای فشرده سازی اثر انگشت در کاربردهای بیومتریک

A Review of Wavelet-Based Image Processing Methods for Fingerprint Compression in Biometric Application

چکیده

1. معرفی

1.1 مفهوم کلی سیستم فشرده سازی تصویر

1.2 بررسی اجمالی سیستم های کاربردی بیومتریک

1.3 ویژگی های تصویر اثر انگشت

1.4 مروری بر تکنیک ها و استاندارد های فشرده سازی تصویر اثر انگشت

2 مروری بر مفاهیم پایه

2.1 موجک پایه یا نمونه اولیه

2.2 تبدیل موجک گسسته (DWT)

2.3 تبدیل موجک در دو بعد

2.4 بررسی آثار مشابه

3 نتیجه

چکیده

یک الگوریتم فشرده سازی داده یک تکنیک پردازش سیگنال است که برای تبدیل داده از یک قالب بزرگ به یک قالب بهینه شده متراکم مورد استفاده قرار میگیرد. حجم عظیم تصاویر اثر انگشت که نیاز به انتقال روی شبکه ای از پایگاه داده های بیومتریک دارند، یک نمونه عالی از اهمیت فشرده سازی داده است. هدف اصلی از فشرده سازی تصویر به دست آوردن بهترین کیفیت ممکن در یک دستگاه ذخیره سازی و هزینه پهنای باند انتقال کاهش یافته است. در این مقاله، یک بررسی روی رویکردهای روش شناختی مختلف در فشرده سازی تصویر اثر انگشت بر اساس الگوریتم موجک انجام شده است. از بررسی روش های فشرده سازی تصویر مبتنی بر موجک موجود، مشکلاتی شناسایی شده اند که عبارتند از: محدودیت استاندارد WSQ در یک نسبت تراکم 15:1 که می تواند با الگوریتم بهتری بهبود یابد. پیچیدگی بالای فرایند رمز گذاری تصویر از تکنیک های موجود نیز یک مشکل است. اکثر روش های موجود نیاز به تولید کتاب کد یا جداول جستجو دارند که هزینه های محاسباتی اضافی برای پیاده سازی در برمیگیرند. علاوه بر این، تنزل قابل توجه در ویژگی های بیومتریک اثر انگشت در نسبت تراکم بالاتر از 15:1 نیز یک چالش بزرگ است. بنابراین، تحقیق درمورد یک روش فشرده سازی کارآمد که به طور قابل توجه بتواند اندازه تصویر اثر انگشت را کاهش دهد و خواص بیومتریک خود را حفظ کند (هسته، انتهای خط الراس و شاخه ها) توجیه میشود.

1. معرفی

تصاویر حاوی مقدار زیادی اطلاعات هستند که نیازمند فضای ذخیره سازی بزرگ و پهنای باند انتقال زیاد است. پردازش تصویر و ذخیره سازی داده هزینه دارد و این هزینه به طور مستقیم متناسب با حجم داده هاست. با وجود پیشرفت های بعمل آمده در ظرفیت های ذخیره سازی انبوه و پردازش، همچنان زیر خط ظرفیت مورد نیاز سیستم های کاربردی قرار می گیرند [1]. بنابراین، فشرده سازی یک تصویر با ذخیره سازی تنها اطلاعات ضروری مورد نیاز برای بازسازی آن بسیار سودمند است. یک تصویر را می توان به عنوان ماتریسی از مقادیر پیکسل ها (یا شدت) تصور نمود و به منظور فشرده سازی آن باید از افزونگی استفاده شود. فشرده سازی تصویر یک عبارت کلی برای الگوریتم های مختلفی ست که برای رسیدگی به این مشکلات توسعه یافته اند.

3 نتیجه

در این مقاله، یک بررسی از روش های مختلف برای فشرده سازی تصویر اثر انگشت بر اساس الگوریتم موجک انجام شده است. از بررسی روش های فشرده سازی تصویر مبتنی بر موجک موجود، مشکلاتی شناسایی شده اند که عبارتند از: محدودیت استاندارد WSQ به نرخ تراکم 15:1 که می تواند با الگوریتم بهتر بهبود یابد. پیچیدگی بالای فرایند کدگذاری تصویر در تکنیک های موجود نیز یک مشکل است. بسیاری از روش های موجود نیاز به تولید کتابهای کد یا جداول راهنما دارند که هزینه های محاسباتی اضافی برای پیاده سازی طلب میکنند. علاوه بر این، تخریب قابل توجهی در ویژگی های بیومتریک اثر انگشت در نسبت تراکم بالاتر از 15:1 یک چالش بزرگ است. بنابراین، قابلیت پردازش سیگنال در پردازش موثر تصاویر اثر انگشت در حوزه تبدیل، کوانتیزه و رمزگذاری برای فشرده سازی بهینه جهت رسیدن به ذخیره سازی مقرون به صرفه داده ها و انتقال در سیستم های بیومتریک به یک اولویت تبدیل شده است. استفاده از موج coiflet  بایومتعامد برای دستیابی به عملکرد بهتر از نظر نرخ-اعوجاج، کیفیت ادراکی بهتر و پیچیدگی محاسباتی پایین تر روی استاندارد موجک CDF 9/7 نیز توصیه می شود.

Abstract

A data compression algorithm is a signal processing technique used to convert data from a large format to one optimized for compactness. Huge volumes of fingerprint images that need to be transmitted over a network of biometric databases are an excellent example of why data compression is important. The cardinal goal of image compression is to obtain the best possible image quality at a reduced storage and transmission bandwidth costs. In this paper, a review of different methodological approaches to fingerprint image compression based on the wavelet algorithm is conducted. From the survey of the existing wavelet-based image compression methods, the problems that have been identified include: the limitation of WSQ standard to a compression ratio of 15:1 which could be improved with better algorithm. High complexity of image encoding process of the existing techniques is also a problem. Most of the existing methods require the generation of codebooks or lookup tables which require additional computational cost for implementation. Additionally, significant degradation in the biometric features of fingerprint at compression ratio higher than 15:1 remains a major challenge. Therefore, the investigation of an efficient compression method that can significantly reduce fingerprint image size while preserving its biometric properties (the core, ridge endings and bifurcations) is justified.

1 Introduction

Images contain large amount of information that requires huge storage space and large transmission bandwidth. Image data processing and storage attract cost and the cost is directly proportional to the size of data. In spite of the advancements made in mass storage and processing capacities, these have continued to fall below capacity requirements of application systems [1]. Therefore, it is advantageous to compress an image by storing only the essential information needed to reconstruct the image. An image can be thought of as a matrix of pixel (or intensity) values and in order to compress it, redundancies must be exploited. Image compression is the general term for the various algorithms that have been developed to address these problems.

3 Conclusion

In this paper, a review of different methodological approaches to fingerprint image compression based on the wavelet algorithm is conducted. From the survey of the existing wavelet-based image compression methods, the problems that have been identified include: the limitation of WSQ standard to a compression ratio of 15:1 which could be improved with better algorithm. High complexity of image encoding process of the existing techniques is also a problem. Most of the existing methods require the generation of codebooks or lookup tables which require additional computational cost for implementation. Additionally, significant degradation in the biometric features of fingerprint at compression ratio higher than 15:1 remains a major challenge. Therefore, the signal processing capability to efficiently process fingerprint images in transform domain, quantize and encode them for optimized compression to achieve cost-effective data storage and transmission in biometric systems has become a priority. The use of biorthogonal coiflet wavelets to achieve superior performance in terms of better rate-distortion, better perceptual quality and lower computational complexity over the standard CDF 9/7 wavelet is therefore recommended.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مروری بر متدهای پردازش تصویر مبتنی بر موجک برای فشرده سازی اثر انگشت در کاربردهای بیومتریک

A Review of Wavelet-Based Image Processing Methods for Fingerprint Compression in Biometric Application