عوامل موثر بر کیفیت خدمات ابری و رابطه آنها با رضایت و وفاداری مشتری

Factors influencing cloud service quality and their relationship with customer satisfaction and loyalty

چکیده
1- مقدمه
2- مروری بر ادبیات و فرضیات
3- روش تحقیق
4- نتایج و تحلیل
5- بحث
6- پیامدهای پژوهش
7- نتیجه گیری
8- محدودیت ها و دامنه ی مطالعات بعدی
منابع

چکیده
در دنیای امروز، کیفیت سرویس ابری، یک جنبه ی مهم برای موفقیت هر کسب و کار جهانی است. هدف این مقاله، یافتن فاکتورهای کیفیت سرویس ابری و  ارزیابی تاثیر کیفیت سرویس بر رضایت و وفاداری مشتری است. نظر سنجی از 419 کاربر/ کارشناس در هند، با استفاده از ابزار/ پرسشنامه ی سازمان یافته مبتنی بر مقیاس لیکرت انجام پذیرفت. پاسخ دهندگان کاربر/ کارشناس سرویس ابری بودند که از خدمات 5 ارائه ی دهنده ی برتر سرویس ابری در هند استفاده می کردند. فرضیات پژوهش با استفاده از مدلسازی معادلات ساختاریِ حداقل مربعات جزئی، بررسی شدند. مطالعه نشان داد که چابکی، اطمینان از خدمات، مقیاس پذیری، امنیت، پاسخگویی خدمات و کاربردپذیری، همگی تاثیر مثبت و معناداری بر کیفیت کلی سرویس ابری دارند. پژوهش، اثر واسطه ای جزئی رضایت مشتری را میان کیفیت سرویس و وفاداری مشتری نشان داد. لازم به توجه است که کیفیت خدمات، ارتباط مثبت و معناداری با وفاداری مشتری و رضایت مشتری دارد. این موضوع، اثر واسطه ای جزئی رضایت مشتری بر ارتباط میان کیفیت سرویس و وفاداری مشتری را ثابت می کند. در نهایت، مقاله به ارائه دهندگان سرویس/ کاربران/ کارشناسان ابری توصیه می کند تا هنگام کوچ به سرویس های ابری، توجه ویژه ای به این فاکتورها داشته باشند. 

2- مروری بر ادبیات و فرضیات
مرور ادبیات جامع، با جمع آوری بیش از 140 مقاله ی پژوهشی موجود در مجلات بین المللی و ملی مختلف، گزارشات، مشروح کنفرانس ها، سایت های مختلف اینترنت و کتاب ها انجام شد. فاکتورهای کیفیت سرویس ابری، رضایت مشتری، وفاداری مشتری، PLS-SEM و مدل معادلات ساختاری، کلیدواژه های مهم برای دستیابی به پژوهش های مناسب بودند. هدف اصلی مرور ادبیات این بود که فاکتورهای تاثیر گذار بر کیفیت سرویس ابری که پژوهشگران متعددی در کار پژوهشی شان بدان اشاره کرده بودند را یافته و ارتباط کیفیت سرویس با رضایت مشتری و وفاداری مشتری را ارزیابی نموده و نقش فاکتور میانجی (رضایت مشتری) بر ارتباط میان کیفیت سرویس و وفاداری مشتری را به دقت بررسی کند. سرویس ابری، با سرویس سنتی تفاوت دارد و از اینرو فاکتورهای کیفیت سرویس برای سرویس های ابری همانند سرویس های سنتی نیستند. محققان فاکتورهای متعددی برای کیفیت سرویس ابری مشخص نموده اند، با این حال، برخی از این فاکتورها مانند اطمینان از سرویس، قابلیت اعتماد و پاسخگویی سرویس همانند سرویس های سنتی است. رایج ترین فاکتورهای کیفیت سرویس ابری که پژوهشگران بدان ها اشاره نموده اند در جدول 2 نشان داده شده است.

ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری توسط نویسندگان تحقیقات بارها مورد بررسی قرار گرفته است. فاکتورهای کیفیت سرویس برای انواع مختلف سرویس ها متفاوت است، با این حال ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری در تمام انواع سرویس ها مانند هم است. این کیفیت خدمات است که باعث رضایت مشتری می شود و رضایت مشتری هم به نوبه ی خود منجر به وفادارماندن مشتری می گردد. پژوهشگران متعددی نشان داده اند که رضایت مشتری در ارتباط میان کیفیت سرویس و وفاداری مشتری، نقش متغیر میانجی را نیز بازی می کند. بنابراین نشان می دهد که ارتباط مستقیمی میان کیفیت سرویس و وفاداری مشتری وجود دارد. جدول 3، ارتباط میان کیفیت سرویس، رضایت مشتری و وفاداری مشتری را که نویسندگان مختلفی آن را کنکاش نموده اند نشان می دهد.

پس از شناسایی فاکتورها از طریق مرور کامل ادبیات، با استفاده از تکنیک دلفی برای استنتاج فاکتورهای نهایی کیفیت سرویس ابری، یک بحث اکتشافی با کاربران/ کارشناسان سرویس ابری صورت پذیرفت. جمعا 72 کاربر/ کارشناس سرویس ابری از حوزه های فنی و کارکردی متفاوت که با سرویس ابری سرو کار داشتند، مانند معماران، مشاوران طراحی، مدیران برنامه، مدیران پروژه و مهندسین سرویس ابری و کاربران سرویس ابری در تکنیک دلفی شرکت داده شدند. کوشاگرا و دینگرا (2019) [50]، برای شناسایی فاکتورهای پذیرش سرویس ابری در بخش دولتی هند، به تکنیک دلفی اشاره نموده اند. کاربران/ کارشناسان سرویس ابری درگیر در بحث، تجربه ی استفاده از نرم افزار به عنوان سرویس (SaaS)، پلتفورم به عنوان سرویس (PaaS)، و زیرساخت به عنوان سرویس (IaaS) را داشتند. این سه سرویس، یازده فاکتور را شناسایی نموده بودند که شامل چابکی، اطمینان از سرویس، دسترس پذیری، همکاری متقابل، تاخیر، قابلیت اعتماد، مقیاس پذیری، امنیت، توافق بر روی سطح خدمات، پاسخگویی سرویس و کاربردپذیری بود. در مباحثه ی بعدی با کارشناسان/ کاربران سرویس ابری، تعداد فاکتورهای کیفیت سرویس ابری به هفت مورد چابکی، اطمینان از سرویس، قابلیت اعتماد، مقیاس پذیری، امنیت، پاسخگویی سرویس و کاربردپذیری کاهش یافت.

پیش بینی رفتار آتش سوزی با هوش مصنوعی در جنگل کاج سیاه نازک (Pinus nigra Arnold)

Fire behavior prediction with artificial intelligence in thinned black pine (Pinus nigra Arnold) stand

چکیده
1 مقدمه
2 روش تحقیق
3 نتایج و بحث
4 نتیجه گیری
منابع

چکیده

     مدل‌سازی روند آتش‌سوزی جنگل برای کنترل مؤثر آتش‌سوزی‌های جنگلی و انجام اقدامات احتیاطی لازم پیش از شروع آتش سوزی امری بسیار مهم است. با این حال، مطالعات روند آتش‌سوزی در جنگل، مطالعات پیچیده ای است که به بسیاری از متغیرها وابسته بوده و معمولا شامل مجموعه داده های بزرگی می‌باش. به همین دلیل، قدرت پیش بینی و سرعت  مدل‌های کلاسیک در مواردی که داده‌های بزرگ و بسیاری از متغیرها را شامل می‌شوند، پایین‌تر از مدل‌های هوش مصنوعی هستند. علاوه بر این، مدل‌های پیش‌بینی کلاسیک بر خلاف مدل‌های هوش مصنوعی، ملزم به تأمین مفروضات آماری خاصی هستند. در واقع در این مطالعه، پیش‌بینی‌ روند آتش‌سوزی سطحی، به‌ویژه میزان گسترش آتش و شدت آتش، در محل آغاز آتش سوزی با استفاده از دو روش هوش مصنوعی شامل مدل شبکه عصبی مصنوعی و مدل درخت تصمیم انجام شد و مدل‌های توسعه‌یافته در این مطالعه از نظر برازش مورد آزمایش و بررسی قرار گرفتند. در نهایت، مدل رگرسیون کلاسیک برای پیش‌بینی روند آتش‌سوزی سطحی با دو مدل هوش مصنوعی فوق، مقایسه شد. یافته‌ها نشان داد که معیارهای دقت مدل‌های هوش مصنوعی بهتر از مدل کلاسیک بوده است.

2  روش تحقیق
     در مطالعۀ پیش رو، روند آتش در سطح در محل وقوع با کمک هوش مصنوعی به ویژه میزان گسترش اولیه و شدت آتش سوزی، پی بینی شد. مناسب بودن مدل‌های توسعه یافته تنظیم و بررسی شد. در نهایت مدل سنتی رگرسیون برای پیش بینی روند آتش در سطح با دو مدل هوش مصنوعی مقایسه شد (تصویر 1). در این مطالعه تعداد ده متغیر مورد استفاده قرار گرفت که عبارتند از: دمای هوا (T)، رطوبت نسبی (RH)، سرعت باد (W) مقدار رطوبت برگ کاج (NMC)، مقدار رطوبت سوخت ریز (FFMC)، احتراق طول خط آتش (ILL)، بار سوخت کل (TFL)، سرعت گسترش آتش (ROS)، طول شعله (FL)، و شدت آتش (FI).

2-1 مکان تحقیق
     این مطالعه در جنگل کاج سیاه واقع در آناتولی انجام شد. این جنگل در منطقه جنگلی کاستامونو در شمال غربی ترکیه. واقع است این گونه کاج سیاه بعد از ماج کالابریایی، رایج‌ترین گونه در جهان است. این نوع کج ارزش اکولوژیکی و اقتصادی دارد و در مناطق مستعد آتش سوزی در ترکیه واقع شده است (کوچوک 2000; GDF 2022).

     منطقۀ فوق در 546819، 4577880 UTM واقع شده است و میانگین ارتفاع آن 1200 متر بوده و دارای آب و هوای دریای سیاه شمال غربی با تابستان های کوتاه گرم و زمستان های طولانی سرد است. در طول فصل تابستان، میانگین دما از 25 تا 38 درجه متغیر است و فصل آتش سوزی عموماً از اواخر ژوئن شروع می شود و تا اواسط سپتامبر ادامه دارد. سن مکان مورد مطالعه 45 تا 50 سال می‌باشد و میانگین یافته ها، 560 ساقه در هکتار با قطر متوسط درخت به میزان 20 سانتی متر در ارتفاع سینه را نشان می‌دهد. ارتفاع استند 16 متر، و میانگین انتهای تاج در استند 75٪ بود. سوخت های سطحی شامل یک لایه خاک و برگ کاج مرده، شاخه و خار و خاشاک در کف جنگل بود.

بررسی اثر قابلیت های هوش تجاری و یادگیری شبکه بر داده کاوی برای عملکرد استارتاپ

Investigating the business intelligence capabilities’ and network learning effect on the data mining for start-up’s function

چکیده
1 مقدمه
2 روش ها
3 نتایج
4 بحث
5 نتیجه گیری
منابع

چکیده

در سال‌های اخیر، استارتاپ ها جز مفاهیم جدید در دنیای فناوری هستند و به‌ معنای سازمان‌های موقت می باشند که برای یافتن یک مدل کسب و کار تکرارپذیر و قابل ارتقا طراحی شده‌اند، حال آنکه یک راه‌حل جدید برای مسئله ارائه می‌دهند. آنچه برای موفقیت استارتاپ ها اهمیت دارد، هدفگذاری درست و معقول است. این همان چیزی است که معمولاً توسط درصد زیادی از چنین کسب و کارهایی نادیده گرفته می شود و موجب می شود در مدت زمان کوتاهی شکست بخورند. تولید محصول یا ارائه خدمات جدید، بدون برنامه ریزی امکان پذیر نیست. هدف این مطالعه بررسی عمیق‌تر این موضوع است که چگونه استارتاپ‌ ها باید مسائل و مشکلات را هنگام معرفی یک محصول یا خدمات جدید شناسایی و اولویت‌بندی کنند. ابتدا، استارتاپ‌ ها و کسب‌وکارهای مرتبط با موضوع مورد بررسی و سپس مسائل جدید و نوظهور، از جمله وضعیت داده‌کاوی بر عملکرد استارتاپ‌ها، موضوعات هوش کسب و کار(BI)، نوآوری و یادگیری شبکه ای و همچنین نقش آنها در کسب و کار استارتاپی مورد بحث قرار گرفت. نتایج نشان داد که BI می تواند یک مزیت رقابتی برای استارتاپ ها ایجاد کند. با در نظر داشتن این موضوع، این کسب و کارها ممکن است با نیازهای متنوع مشتریان در بازار سازگار شوند و به بقای خود ادامه دهند و همچنین سهم بازار بیشتری را نسبت به رقبای خود به دست آورند. علاوه بر این، استفاده از ابزارهای فناوری به شرکت ها کمک می کند تا داده های خود را به صورت یکپارچه یا ایمن در دسترس قرار دهند و با تجزیه و تحلیل داده ها، روش بهتر تصمیم گیری را برای مدیران فراهم کنند. با توجه به فرضیه ها، مشخص شد که BI به عنوان یک ابزار قدرتمند در حوزه فناوری اطلاعات، مزیت رقابتی ایجاد می کند و برای مدیران استارتاپ لازم است این ابزار را بپذیرند.

2- روش ها
2-1 نوع و روش تحقیق، روایی، نمونه آماری و اندازه نمونه
انتخاب روش تحقیق یکی از مراحل مهم تحقیق است که به اهداف، ماهیت موضوع و امکانات اجرایی آن بستگی دارد. روش تحقیق مجموعه ای از قواعد، ابزار و روش های معتبر برای بررسی حقایق، کشف مجهولات و یافتن راه حل ها برای مسائل است. هدف این تحقیق بررسی تاثیر قابلیت های BI بر کارایی کسب و کارهای استارتاپی می باشد که از نظر نوع تحقیق، توصیفی می باشد.

در این مطالعه، برای جمع آوری اطلاعات مورد نیاز از پرسشنامه استفاده شد (جدول1). پیش از شروع آغاز پرسشنامه، ابتدا هدف از جمع آوری داده ها توسط پرسشنامه و لزوم همکاری پاسخ دهندگان در ارائه داده های مورد نیاز بیان می شود.

شناسایی جامعه آماری یکی از ضروریات و اصول هر تحقیقی است. جامعه آماری در این مطالعه 1200 کسب و کار استارتاپی است. با در نظر گرفتن آمادگی استاندارد 1.96، احتمال موفقیت / شکست در نمونه گیری، 0.5 و احتمال خطای اندازه گیری 0.08 است. اندازه نمونه این تحقیق، 150 کسب و کار استارتاپی می باشد.

2-2 روش تحلیل اطلاعات
از آنجایی که تحقیق توصیفی است، در این تحقیق از روش های آماری توصیفی و استنباطی برای تجزیه و تحلیل داده ها استفاده شده است. بنابراین، برای تفسیر داده های آماری در ارتباط با فراوانی و درصد فراوانی، جداول و نمودارها و بررسی آمار توصیفی متغیرها از نرم افزار SPSS(نسخه 26: CPU i7-11600h با 32GB Ram) و برای بررسی رابطه بین متغیرهای مستقل و وابسته از نرم افزار Amos استفاده شده است. شکل 1 مدل مفهومی را نشان می دهد. این مدل مفهومی، بازنمایی از سیستمی است که در این تحقیق استفاده شده است، شامل مفاهیم مورد استفاده برای کمک به خوانندگان جهت درک موضوع این مدل می باشد. مدل مفهومی شامل 4 نقطه است، BI، NL، نوآوری و عملکرد. هر نقطه توسط یک فرآیند منطقی به یکدیگر متصل می شوند.

سیستم تشخیص نفوذ در رایانس ابری توزیع شده: روش های خوشه بندی و طبقه بندی ترکیبی

Intrusion detection system in distributed cloud computing: Hybrid clustering and classification methods

چکیده

1- مقدمه

2- پیش زمینه

3- کار مرتبط

4- روش شناسی

5- نتایج و تحلیل ها

6- نتیجه گیری

اعلام منافع رقابتی

قابلیت دسترسی داده

مراجع

چکیده

محاسبات ابری، امروزه به سبب سرویس های ذخیره سازی و دستیابی داده، بسیار مشهور شده است. امنیت و حریم خصوصی، از جمله مسائل و نگرانی های اولیه، در زمانی هستند که تهدیدهای شبکه افزایش یافته باشد. محاسبات ابری، سازمان ها و تشکیلات اقتصادی را به صورت مقیاس پذیر، انعطاف پذیر و زیر ساخت های مقرون به صرفه برای ذخیرة داده ها در وب، ارائه می دهد. یک ناهنجاری مبتنی بر پیاده سازی IDS، از ادغام داده ها در یک مجموعه داده محافظت می نماید و این کار با شناسایی و قرنطینه کردن موارد ثبت شده، در زمانی قابل انجام است که به طور غیر قابل انتظاری، تغییر در چیزی ظاهر شده باشد. یادگیری ماشین، مبتنی بر روش های خوشه بندی و طبقه بندی است که برای ناهنجاری ایجاد شده به سبب طبقه بندی حمله IDS و مقیاس پذیری در محیط های شبکه های پیشرفته، به کار رفته است. یادگیری ماشین، یک رویکردی سریع، کارآمد و وفقی برای توسعة مدل های تشخیص گسترش نفوذ به شمار می رود که می تواند در مقابل تهدیدهای اضطراری، حملات ( اتک های ) شناخته شده و ناشناخته ( شامل حملات صفر روزه)، قد علم کند. این مقاله، یک مدل طبقه بندی و خوشه بندی کارآمد هیبریدی ( ترکیبی ) برای پیاده سازی ناهنجاری مبتنی بر IDS و برای حالات مخرب طبقه بندی، ارائه می دهد. که این طبقه بندی می تواند به این صورت باشد: معمولی ( بدون نفوذ)، DOS، پراب، U2R و R2L، با استفاده از توابع مبتنی بر آستانه و نتایج با دو مقدار آستانة متفاوت 0/5 , 0/01  تست شده است. آزمایشات روی دو پایگاه  داده تست، انجام گرفته است و تحت نام های NSL-KDD,KDD cup99 می شود. نرخ تشخیص، نرخ هشدار کاذب و دقت برای پژوهش عملیاتی در مورد روش شناسی پیشنهاد شده، به کار رفته است.پس از اعمال رویکرد پیشنهادی، K-mean با جنگل تصادفی در دو مقدار آستانه متفاوت، نشان داده شده است و دقت طبقه بندی و نرخ تشخیص بهتر دارد و نرخ هشدار کاذب دارد که به ترتیب 85/99 % و 78/99 % و 09/0 % روی مجموعه داده NSL-KDD و روی مجموعه داده KDD Cup 99 به ترتیب 27/98 % ، 12/98 % و 08/2 % می باشد.

2- پیش زمینه
     سیستم های تشخیص نفوذ به تشخیص حملات از خارج از سیستم (IDS) می پردازد. IDS برای تشخیص محدودة گسترده‎ای از بردارهای حمله، بحرانی به نظر می رسد. سیستم های تشخیص نفوذ (IDS) در ابتدا نگرانی هایی در مورد تشخیص نفوذ دارند که به عنوان یک مسالة تشخیص نفوذ، قابل دیدن است. DOS، پراب، U2R, R2L و نرمال تنها چند مورد حمله است که می تواند برای IDS به کار رود. مکانیسم های تشخیص IDS در دو نوع طبقه بندی می شود. مبتنی بر امضا، مبتنی بر رفتار [6]. به هرحال چند اشکال برای تکنیک های مبتنی بر امضا وجود دارند. بنابراین می توان به پیش تعریف حملاتی از جمله حملات شناخته شده می پردازیم و نرخ مثبت کاذب پایینی در آن وجود دارد. زیرا، الگوهای دردسترسی وجود ندارد و نمی توان به طور موثر حملات ناشناخته را شناسایی نمود. تعمیر ون گهداری پیوسته برای به روز رسانی حملات، یک فرآیند زمان بر است و نمی توان به تشخیص یا شناسایی اتک های ضفر روز پرداخت. IDS مبتنی بر ناهنجاری می تواند حملات شناخته شده و ناشناخته را تشخیص دهد و هم چنین به شناسایی حملات صفر روز کمک می کند [2] ولی به زمان برای تنظیم نیاز داریم و یک نرخ مثبت کاذب در آنها وجود دارد.IDS مبتنی بر ناهنجاری، حملات شناخته شده و ناشناخته را می تواند تشخیص دهد و به همین ترتیب به تشخیص حملات صفر روز، کمک می کند [7] ولی نیازمند زمان تنظیم هستیم و نرخ مثبت کاذب بالا در آن وجود دارد. راه حل های هوشمند سازی، به عنوان تعدادی از حملات جدید و رشد پیچیدگی های جدید، شناخته می شود. برای شناسایی موضوعات فوق الذکر، ما یادگیری ماشین مبتنی بر خوشه بندی و تکنیک های طبقه بندی را با استفاده از مفاهیم تکنیک طبقه بندی IDS در مدل و از مجموعه داده های کلی برچسب گذاری شده، استفاده می کنیم. به طور مشابه، خوشه بندی IDS در موقعیت سنجی داده بدون برچسب و در خوشه ها، ارزیابی شده و ینازی به داده های برچسب گذاری برای آموزش ندارد

     این مقاله، استراتژی های یادگیری پیشرفته را برای امنیت ابر و شبکه مرور می کند. در کار پیشنهادی ما ، یک سیستم تشخیص نفوذ مبتنی بر ناهنجاری، با استفاده از رویکردهای خوشه بندی هیبرید وطبقه بندی شناسایی شده و مقایسه ای با روش شناسی های موجود و برجسته سازی اهمیت رویکرد پیشنهادی ما در ارتقاء امنیت ابر و شبکه [8] انجام می گیرد. تاکیدات اصلی این مقاله روی تحلیل نقش های ویژگی در رویکردهای خوشه بندی و طبقه بندی برای سیستم های تشخیص نفوذ مبتنی بر ناهنجاری است. ( رویکرد سنتروئید). Kmean و همة رویکردهای دیگر، شامل رویکردهای مبتنی بر توزیع، رویکردهای مبتنی بر فاصله و DBSCAN می شود که مرور شده و در محتوای تشخیص نفوذ، مقایسه گردیده است. روش مبتنی بر سنتروئید یا نقطه مرکزی، یک تکنیک خوشه بندی استاندارد است که می تواند هم ویژگی های گروهی و هم ویژگی های عددی را بررسی کند.

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

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

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

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

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

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

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

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:

هوش مصنوعی انسان محور برای بخش عمومی: نقش درواز بانی متخصص تدارکات عمومی

Human-centered artificial intelligence for the public sector: The gate keeping role of the public procurement professional

چکیده

1- مقدمه

2- روش ها

3- نتایج و بحث ها

4- نتیجه گیری

منابع

چکیده

     با استقرار روز افزون ابزارهای مبتنی بر هوش مصنوعی در بخش عمومی، امید می رود که شیوه ی ارائه ی خدمات کشورهای در حال توسعه در بخش های کلیدی همچون کشاورزی، مراقبت های بهداشتی، آموزش، و بخش های اجتماعی تغییر کند. با وجود این، هوش مصنوعی قابلیت بالایی برای سوءاستفاده دارد و خطرهایی را می آفریند که در صوت عدم مدیریت و نظارت، شأن و کرامت آسیب پذیرترین اقشار جامعه را به مخاطره خواهد انداخت. در این مطالعه، ما درباره ی ترسیم نقش تدارکات های عمومی در گفتمان های هوش مصنوعی انسان محور (HCAI) استدلال می کنیم و تمرکز عمده ی ما بر کشورهای در حال توسعه خواهد بود. این مطالعه مبتنی بر تحقیق اکتشافی است و داده هایی را از میان کارگزاران تدارکات در کشورهای اوگاندا و کنیا گردآوری می کند که دارای نظام تدارکات مشابهی هستند: شکل های سنتی رقابت در تدارکات در مقایسه با سازوکارهای تدارکات پیش از تجارتِ نوین تر که مناسبِ تدارکات هوش مصنوعی هستند، برقرارند. ما سفارشی سازی محدود در فن آوری های هوش مصنوعی، فقدان چهارچوب های حکومت توسعه یافته، دانش اندک، و تمایز میان تدارکات هوش مصنوعی و دیگر فرایندهای تدارکات فن آوریِ معمول را یافتیم. ما یک چهارچوب پیش نهادیم که در فقدان چهارچوب های قانونی مناسب می تواند به متخصصان تدارکات این امکان را بدهد که اصول HCAI را در فرایندهای تدارکات هوش مصنوعی بگنجانند.

روش ها
     این مطالعه یک رویکرد کیفی اکتشافی برای پاسخ دادن به پرسش پژوهشی در بخش 1 دنبال می کند. پژوهش اکتشافی برای موضوعات نسبتاً تازه و کم تر مورد مطالعه قرار گرفته و کم تر نظریه پردازی شده همچون موارد مطرح شده در این مقاله مناسب است، جایی که دانش ژرف و دقیق برای روشن کردن ابهام یا کشف ایده هایی که شاید توسعه ی نظریه را ارتقا دهد، لازم و بایسته است [21]. از آنجا که پژوهش اکتشافی بر کشف تأکید می کند، تشریح نظریه نیز مورد توجه قرار گرفت [33]. مطالعه ی ما بر بافت کشورهای در حال توسعه متمرکز می شود—به ویژه کنیا و اوگاندا، جایی که دانش درباره ی تدارکات فن آوری حکومت و HCAI همچنان در یک محیطی که موضوعات اخلاق داده، دسترسی به داده، و قوانین بسیار پیچیده هستند، بدوی است [22].

مواد و روش های گردآوری داده
     ما یک رویکرد دوجانبه به گردآوری داده را دنبال کردیم. نخست، ما یک تحلیل مروری مستند از قوانین حاکم بر تدارکات عمومی در دو کشور اوگاندا و کنیا انجام دادیم. در اوگاندا، قوانین تدارکات مالیه ی عمومی سال 2000، و جایگزین اش یعنی لایحه ی تدارکات عمومی و خارج کردن دارایی های عمومی (اصلاح سال 2016) و لایحه ی کارگزاران تأمین سال 2015 مرور و بازبینی شدند. این قوانین، مستندات خط مشی اصلی حاکم بر تدارکات عمومی در این دو کشور هستند.

     دوم، ما داده هایی از متخصصان تدارکات عمومی درگیر در تدارکات فن آوری در مقطع ژوئن 2021 و ژوئن 2021 گردآوری کردیم. منبع اصلی داده، بحث های گروه کانونی (FGDs) (در اوگاندا) و مصاحبه های یک به یک مجازی (در کنیا) بود. هدف، درک اقدامات و تجربیات شرکت کنندگان از طریق داستان ها، ادراک ها، و انگیزه ها بر پایه ی یک پروتکل پژوهشی بود که بر مبنای پیشینه ی مربوط به چهارچوب های HCAI تدوین شده بود [23].

بررسی تحمل خطا در رایانش ابری

A Survey of Fault Tolerance in Cloud Computing

چکیده

1. مقدمه

2. پیش زمینه رایانش ابری

1.1 زیر ساختارهای رایانش ابری

1.2 مدل های استفاده از سیستمهای ابری

1.3 مدل خدمات ابری

2. رویکرد های تحمل خطا در سیستم های توزیع شده

2.1 تحمل خطا در محیط رایانش توزیع شده

3. رویکرد های تحمیل خطا در رایانش ابری

3.1 مدل سیستم

1.1 رویکرد های کنش گرا

1.2 رویکرد های واکنشی

1.3 دیگر رویکرد های متفرقه برای FT

1.4 ترکیب های تحمل خطا در سیستم های ابری متفرقه و کاربرد های مربوطه

2. جهت های آتی برای تحقیقات

5.1 یادگیری عمقی

5.2 بلاک چین

5.4 تاکید بر روی موضوعات عملکردی

3. جمع بندی

منابع

چکیده

رایانش  ابری  باعث تغییرات گسترده در مدل تحویل تکنولوژی اطلاعات در زمینه محصولات و خدمات مختلف شده است. این روش باعث شده نرم افزار ها، بستر ها و منابع زیر ساختی مختلف به صورت سرویس های گسترده در زمان نیاز با استفاده از اینترنت، ایجاد شوند. اما، عملکرد سرویس های رایانش ابری به دلیل آسیب پذیری ذاتی آن ها نسبت به مشکل به دلیل مقیاس های کاری گسترده آن، با مشکلاتی رو به رو می باشد. ما می توانیم از سرویسهای رایانش ابری در بیشترین کارایی شان استفاده کنیم اما شرط لازم برای تحقق این شرایط، بهبود مشکلات مرتبط با پایایی، دسترسی و کارایی موجود در این سیستم ها توسط ارائه دهندگان این سرویس ها می باشد. ازین رو موضوع تحمل خطا در این سیستم ها به یکی از مهم ترین الزام ها برای رسیدن به عملکرد بالا در رایانش ابری تبدیل شده است. این مقاله یک مرور جامع نسبت به مشکلات تحمل خطا در رایانش ابری را بررسی کرده و تاکید ما در این مقاله بر روی مفاهیم خاص، جزییات معماری، جدید ترین تکنیک ها و روش ها می باشد. هدف این مقاله ارائه کردن دیدگاه هایی در رابطه با رویکرد های موجود برای تحمل خطا و همچنین چالش های پیش رومی باشد. این تحقیق، تکنیک های جدید و امید بخشی را ارائه می کند که می توان از آن ها برای رفع مشکلات موجود استفاده کرد و همچنین در نهایت، ما مسیر های تحقیقاتی خوبی را هم برای آینده ارائه می کنیم.

1. مقدمه

رایانش ابری به معنی دسترسی، پیکربندی و دستکاری منابع ( مانند نرم افزار و سخت افزار) از یک مکان راه دور می باشد [1]. R.Buyya و همکارانش [2] رایانش ابری را به صورت یک رایانش توزیع شده و به این صورت تعریف می کنند « یک ابر، نوعی از سیستم های موازی و توزیع شده شامل مجموعه ای از کامپیوتر های به هم متصل و مجازی می باشد که به صورت پویا ترکیب شده و به صورت یک یا چند منع واحد رایانشی بر اساس توافق های سطح خدمات ارائه می شوند که این توافق ها از طریق مذاکره بین ارائه دهنده خدمات و مشتریان، شکل می گیرد».

بر اساس موسسه ملی استاندارد و تکنولوژی (NIST) در ایالات متحده، تعریف سیستم های رایانش ابری به صورت زیر است: «رایانش ابری مدلی برای دسترسی راحت و در زمان نیاز به یک مجموعه مشترک از منابع رایانش قابل پیکربندی می باشد ( مثلا سرویس، شبکه، ذخیره سازی، خدمات و کاربرد های دیگر) که می توان این سیستم ها را خیلی سریع به کاربر ارائه کرده و با کمترین نیاز مدیریتی یا تعامل با ارائه دهنده خدمات، این سرویس ها در زمان اتمام نیاز از دسترس کاربر خارج می شوند» [3].

3. جمع بندی

رایانش ابری ویژگی های مختلفی مانند مقیاس پذیری ، قابلیت ارتجاعی ، در دسترس بودن زیاد و بسیاری موارد دیگر را ارائه می دهد. مدل رایانش ابری صنعت فناوری اطلاعات را تغییر داده است زیرا مزایای بسیاری برای افراد ، محققان ، سازمانها و حتی کشورها به همراه دارد. با وجود مزایای بی شماری ، سیستم ابری همچنان در معرض خرابی است. عدم موفقیت در رایانش ابری به دلیل مقیاس کارکرد اجتناب ناپذیر است. سیاست های تحمل مشکلات معمولاً برای رسیدگی به نقص در محیط ابری اجرا می شود. تکنیک های تحمل عیب به جلوگیری و همچنین تحمل خطاها در سیستم کمک می کند ، که ممکن است به دلیل خرابی سخت افزار یا نرم افزار رخ دهد. انگیزه اصلی به کارگیری تکنیک های تحمل خطا در محاسبات ابری دستیابی به بازیابی خرابی ، قابلیت اطمینان بالا و افزایش در دسترس بودن است.

Abstract

Cloud computing has brought about a transformation in the delivery model of information technology from a product to a service. It has enabled the availability of various software, platforms and infrastructural resources as scalable services on demand over the internet. However, the performance of cloud computing services is hampered due to their inherent vulnerability to failures owing to the scale at which they operate. It is possible to utilize cloud computing services to their maximum potential only if the performance related issues of reliability, availability, and throughput are handled effectively by cloud service providers. Therefore, fault tolerance becomes a critical requirement for achieving high performance in cloud computing. This paper presents a comprehensive overview of fault tolerance-related issues in cloud computing; emphasizing upon the significant concepts, architectural details, and the state-of-art techniques and methods. The objective is to provide insights into the existing fault tolerance approaches as well as challenges yet required to be overcome. The survey enumerates a few promising techniques that may be used for efficient solutions and also, identifies important research directions in this area.

1. Introduction

Cloud computing refers to accessing, configuring and manipulating the resources (such as software and hardware) at a remote location [1]. R. Buyya et al. [2] defined the Cloud computing in terms of distributed computing “A Cloud is a type of parallel and distributed system containing a set of interconnected and virtualized computers that are dynamically provisioned and presented as one or more unified computing resources based on service-level agreements established through negotiation between the service provider and consumers”.

According to the U.S. National Institute of Standards and Technology (NIST) definition: “Cloud computing is a model for enabling convenient, on-demand network access to a shared pool of configurable computing resources (for example servers, networks, storage, services, and applications) that can be quickly provisioned and released with least management effort or service provider interaction” [3].

3. Conclusion

Computing in the cloud provides various features like scalability, elasticity, high availability and many more. The cloud-computing model has changed the IT industry as it brings several benefits to individuals, researchers, organizations, and even countries. Despite providing numerous advantages, the cloud system is still susceptible to failures. Failures are inevitable in cloud computing due to the scale of operation. Fault tolerance policies are commonly implemented to handle faults effectively in the cloud environment. Fault tolerance techniques help in preventing as well as tolerating faults in the system, which may occur either due to hardware or software failure. The main motive to employ fault tolerance techniques in cloud computing is to achieve failure recovery, high reliability and enhance availability.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بررسی تحمل خطا در رایانش ابری

A Survey of Fault Tolerance in Cloud Computing

انجام مهندسی اجتماعی: مطالعه کیفی فریب های امنیت اطلاعات

Performing social engineering: A qualitative study of information security deceptions

چکیده
۱ تحقیقات مربوط به مهندسی اجتماعی و کلاهبرداری امنیت اطلاعات
۲ مطالعه حاضر
3 روش ها
۴ نتایج
4.1 برنامه ریزی
4.2 قرابت
4.3 فعالسازی
4.4 اختفاء
5 نتیجه گیری
فهرست منابع

چکیده

فناوری های کامپیوتری و شبکه بندی معاصر، دامنه و مقیاس فریب ها را در سراسر جهان گسترش داده اند. در بین هکرها، متخصصان امنیتی و سایر اهل فن، ترفندهای طراحی شده برای دستیابی به سیستم های اطلاعاتی و یا کامپیوتری امن غالباً مهندسی اجتماعی خوانده می شوند. تاکنون تحقیقات اندکی به بررسی ایجاد جعلیات از دیدگاه مهندسی اجتماعی پرداخته اند. مطالعه حاضر با بررسی ویژگی هایی که مهندسان اجتماعی به فریب های مهندسی اجتماعی موفق و موثر از طریق تجزیه و تحلیل نظریه داده بنیاد مصاحبه با مهندسان اجتماعی (37 = n) نسبت می دهند به این شکاف می پردازد. نتایج دوازده ویژگی مهندسان موثر اجتماعی را به گفته شرکت کنندگان آشکار نمود یافته هایی که نشان می دهند مجرمان زمینه اجتماعی، مفروضات مربوط به ماهیت انسان، پیچیدگی شبکه های اجتماعی، نقش معاهدات اجتماعی و محدودیت های پردازش و استدلال انسانی را در اجرای فریب های خود در نظر می گیرند. این مطالعه با نگاهی به پیامدهای نظری نتایج و طرح پیشنهاداتی برای هدایت تحقیقات جرم شناسی آتی در زمینه مهندسی اجتماعی، کلاهبرداری و فریب به صورت کلی خاتمه می یابد.

در بین هکرها و متخصصان امنیت اطلاعات، دستکاری افراد از طریق فریب برای دستیابی به اطلاعات حساس یا سیستم های امن غالباً مهندسی اجتماعی خوانده می شود (هدناگی، ۲۰۱۸؛ میتنیک و سیمون، ۲۰۰۲) . این اصطلاح مجموعه ای از فریب ها را توصیف می کند که برای به خطر انداختن سیستم های امنیت اطلاعات مانند فیشینگ (کلاهبرداری های مبتنی بر ایمیل)، اسمیشینگ (کلاهبرداری های مبتنی بر پیام متنی)، فیشینگ نیزه ای (کلاهبرداری های مبتنی بر ایمیل هدفمند)، ویشینگ (کلاهبرداری های مبتنی بر تلفن)، و ترفندهای حضوری به کار می رود . برآورد شده از چنین کلاهبرداری هایی سالانه میلیاردها دلار زیان به بار می آید (IC3، ۲۰۱۹، ص ۲۰) . با این حال، همه لطمات اقتصادی نیست چرا که هر یک از قربانیان مهندسی اجتماعی و کلاهبرداری های مربوطه ممکن است آسیب های عاطفی، روانشناختی، فیزیولوژیکی و سبک زندگی را تجربه کنند (کراس، دراگیویچ و ریچاردز؛ کراس، ریچاردز و اسمیت، ۲۰۱۶؛ ویتی و بوکنن، ۲۰۱۶).

۶. نتیجه گیری

همگذاری نتایج این مطالعه نشان می دهد که فریب های مهندسی اجتماعی به بهترین نحو امری کنش گرا و موقعیتی شناخته می شود که توسط هنجارهای تعاملی سازماندهی می شود که همایش های اجتماعی را بین کنشگران با موقعیت سلسله مراتبی و عمودی، انتزاع اعتماد را تحت سیستم های خبره مدرنیته و قرابت را در شبکه های اجتماعی دیکته می کند. به عبارت دیگر، فریب ها شرایطی هستند که در آن تعاملات خرد و ساختارهای کلان برهمکنش نموده و در هم می آمیزند (فورل و همکاران، ۲۰۱۵). با این حال، این تحقیق تنها یک مطالعه درباره مهندسی اجتماعی است. البته مطالعات دیگر ممکن است نتایج متفاوتی داشته باشند. به همین دلیل، تحلیل حاضر گزاره های آزمون پذیری را درباره عوامل موثر بر موفقیت مهندسی اجتماعی با بهره گیری از موضوعات مطرح شده پیشین و نظریه های اجتماعی ارائه می نماید. این گزاره ها برای جرم شناسان و سایر دانشمندان علوم اجتماعی علاقمند به مهندسی اجتماعی و اَشکال مربوطه فریب سودمند می باشند (جدول ۳).

Abstract

Contemporary computer and networking technologies have expanded the scope and scale of deceptions worldwide. Among hackers, security practitioners, and other technologists, ruses designed to gain access to otherwise secure information or computer systems are often referred to as “social engineering.” To date, little research has explored the creation of fabrications from the perspective of social engineers. The current study addresses this gap by examining the attributes that social engineers ascribe to successful and effective social engineering deceptions through a grounded theory analysis of interviews with social engineers (n = 37). Results reveal twelve characteristics of effective social engineers according to participants–findings which indicate that perpetrators consider social context, assumptions about human nature, the complexities of social networks, the role of social conventions, and the limitations of human processing and reasoning in the execution of their deceptions. The study concludes by considering the theoretical implications of the results and advancing propositions to guide future criminological research on social engineering, fraud, and deception more generally.

Among hackers and information security practitioners, the manipulation of people through deceit to gain access to sensitive information or secure systems is often referred to as “social engineering” (Hadnagy, 2018; Mitnick & Simon, 2002).1 The term describes a constellation of deceptions used to compromise information security systems like “phishing” (email-based frauds), “smishing” (text-message-based frauds), “spear-phishing” (targeted email-based frauds), “vishing” (phone-based frauds), and in-person ruses.2 Estimates place losses from such frauds in the billions of dollars per annum (IC3, 2019, p. 20).3 Yet not all harms are economic as individual victims of social engineering and related frauds may experience significant emotional, psychological, physiological, and lifestyle damages (Cross, Dragiewicz, & Richards; Cross, Richards, & Smith, 2016; Whitty & Buchanan, 2016)

6. Conclusion

Synthesizing the results of this study indicate that social engineering deceptions are best understood as a performative, situational endeavors structured by interactional norms dictating social congress across hierarchically and vertically situated actors, the abstraction of trust under the expert systems of modernity, and proximity within social networks. In other words, deceptions are situations where the micro-interactional and the macro-structural interplay and co-mingle (Ferrell et al., 2015). Yet this is only one study of social engineering. Other studies may, of course, draw different conclusions. For this reason, this analysis advances testable propositions concerning factors that influence social engineering success drawing from the previously described themes and social theories. These propositions may be useful for criminologists and other social scientists interested in social engineering and related forms of deception (Table 3).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

انجام مهندسی اجتماعی: مطالعه کیفی فریب های امنیت اطلاعات

Performing social engineering: A qualitative study of information security deceptions

به سوی ارتقای کیفیت نرم افزار توسط مدیریت دانش مشتری در کمپانی های نرم افزاری

Toward software quality enhancement by Customer Knowledge Management in software companies

چکیده
1- مقدمه
2- مرور ادبیات پژوهش
3- روش پژوهش
4- تنظیم فرضیه‌های پژوهش
5- تحلیل داده‌ها و بحث و گفتگو
6- مفاهیم و محدودیت‌ها
7- نتیجه‌گیری
منابع

چکیده

مدیریت دانش مشتری (CKM) نقش مهمی در تولید محصولات نرم‌افزاری باکیفیت بالا ایفا می‌کند. ازآنجاکه CKM در توسعه نرم‌افزاری شرکتی (ES) هنوز خام و بی‌تجربه است، پرسش‌هایی را ایجاد می کند در مورد اینکه چگونه می‌توان از توانمند سازهای CKM استفاده کرد تا به شرکت‌های توسعه ES کمک کند کیفیت نرم‌افزار خود را بهبود بخشند. در این پژوهش، توانمند سازهای CKM سازمانی و تکنولوژیکی از ادبیات پژوهش شناسایی شدند. ارزش این فاکتورها توسط کارشناسان شرکت‌های توسعه ES شناخته شد. یک مدل نظری بر اساس مهم‌ترین فاکتورها ایجاد شد. این مدل پیشنهادی با توزیع یک پرسشنامه نظرسنجی بین تصمیم‌گیرندگان در شرکت‌های توسعه ES ارزیابی شد. نتایج این نظرسنجی نشان داد که «مداخله مشتری» به همراه «اعتماد»، و بعدازآن «زیرساخت فناوری CRM» و «همکاری عملکردی متقابل» تأثیرگذارترین عوامل هستند. بعلاوه، «آموزش سازمانی»، «طرح دانش مشتری» و «توسعه استراتژی CKM» هیچ تأثیری نداشتند. همچنین نتایج نشان دادند که تأثیر CKM بر کیفیت نرم‌افزار قابل‌توجه است. مدل پیشنهادی در این پژوهش را می‌توان به‌عنوان دستورالعملی برای کاربرد موفق CKM در شرکت‌های توسعه ES جهت بهبود کیفیت نرم‌افزاری بکار برد.

2- مرور ادبیات پژوهش

2-1 مدیریت دانش مشتری

طبق تحقیقات کمپبل (2003)، CK به اطلاعات مرتب‌شده و ساختاریافته مربوط به مشتری اشاره دارد که با پردازش روشمند اجرا می‌شود. جبرت و همکارانش (2002) تعریفی از دانش مشتری عرضه کرد که عموماً مورد تأیید است: «ترکیب قوی ارزش، تجربه، و اطلاعات حساس که طی فرآیند تراکنش و تبادل بین سازمان و مشتری‌ها لازم، تولید و جذب می‌شود». جبرت و همکاران (2002) CK را به سه دسته اصلی طبقه‌بندی کردند. نخستین نوع CK که «دانش برای مشتری» نامیده می‌شود به آگاهی در مورد محصولات، بازارها و کالاهایی اشاره می‌کند که برای برآوردن نیازهای مشتریان به دانش و آگاهی به‌کاررفته‌اند. نوع دوم «دانش در مورد مشتری‌ها» نامیده می‌شود که بر اساس تجزیه‌وتحلیل داده‌ها و اطلاعات تاریخی مشتری‌ها ایجاد می‌شود. نوع سوم، که به‌عنوان«دانش به‌دست‌آمده از مشتری» شناخته می‌شود، به بازخوردهای رسیده از سوی مشتری‌ها اشاره دارد. نوع دیگری از CK که توسط اسمیت و مک‌کین (2005) بیان‌شده است، دانشی است که به‌طور مشترک تولیدشده است. می‌توان این دانش را طی همکاری بین یک سازمان و مشتری‌هایش به دست آورد. همان‌طور که سوفیانتی و همکارانش (2010) بیان کردند، CKM شیوه استراتژیک است که بر مبنای آن سازمان‌هایی که نگاه به آینده دارند مشتریان خود را از این قیدوبند آزاد می‌کنند که فروتنانه کالاها و خدمات را برای مجوز به‌عنوان شرکای دانش و آگاهی دریافت کنند. CKM به کسب، اشتراک‌گذاری، و استفاده از دانش در میان مشتریان برای منافع آن مشتریان و همچنین سازمان مربوط می‌شود و به‌عنوان شیوه‌ای مداوم از خلق، توزیع و کاربرد CK درون یک نهاد تجاری و بین یک نهاد کسب‌وکار و مشتریانش نام‌گذاری می‌شود.

2-2 چارچوب کلی CKM

طبق دیدگاه مبتنی بر دانش و آگاهی (KBV)، دانش منبعی توزیعی است و عملکرد سازمانی بر این تکیه دارد که اعضای سازمان چقدر می‌توانند پایگاه دانش سازمان را به‌طور کامل بهبود بخشند، حوزه‌های مختلف دانش را یکسان‌سازی کنند، و دانش را برای توسعه محصولاتی که کیفیت بالایی دارند و پیشگام هستند توسعه دهند. لین (2007) چارچوبی کلی از فرآیندهای مدیریت دانش (KM) پیشنهاد کرد که موردحمایت KBV است (شکل 1 را ببینید). این چارچوب سه بعد اصلی را در برمی‌گیرد: توانمند سازها، فرآیندها و دستاوردها. لین (2007) توانمند سازها را در سه دسته مرتب کرد که عبارت‌اند از: فاکتورهای انسانی، سازمانی و فناوری. در این چارچوب، توانمند سازها مکانیسمی برای توسعه توانمندی‌های فردی، سازمانی و تکنولوژیکی هستند تا مدیریت دانش را در سازمان آسان سازند. فرآیندها به فرآیند جمع‌آوری، به اشتراک‌گذاری و کاربرد تجربه، تخصص و آگاهی از نحوه کار و اطلاعات زمینه‌ای در سازمان اشاره دارند. دستاوردها پیامدهای میزان مدیریت دانش را آشکار می‌سازد که به‌طور مؤثر در عملکرد یک سازمان، قابلیت نوآوری و کیفیت محصول و خدمات به‌دست‌آمده‌اند. سالوجاروی و همکاران (2013) از این چارچوب کلی برای طرح مدل برای CKM تبعیت می‌کند. سایر پژوهشگران وجود تأثیرات مختلف بر فعالیت‌های CKM همچون فاکتورهای انسانی، سازمانی و تکنولوژیکی را شناسایی می‌کنند.