طراحی اکتشاف فضایی شتاب دهنده های FPGA برای شبکه های عصبی کانولوشن

Design Space Exploration of FPGA Accelerators for Convolutional Neural Networks

چکیده
1- مقدمه
2- چارچوب جستجوی ما
3- ارزیابی یک نقطه طراحی
4-آزمایشات
5- کار مرتبط
6-نتیجه گیری
منابع

چکیده
افزایش استفاده از الگوریتم های یادگیری ماشین، مانند شبکه های عصبی پیچشی (CNNها)، باعث می شود که روش شتابدهنده های سخت افزاری بسیار جالب باشد. اما، به سوالی در مورد چگونه طراحی بهتر یک شتابدهنده برای یک CNN مورد نظر، حتی در یک سطح بنیادی هنوز پاسخ داده نشده است. این مقاله این چالش را با فراهم کردن یک چارچوب جدید که می تواند بطور جهانی و دقیق انتخاب های معماری مختلف برای شتابدهنده-های CNN در FPGAها را ارزیابی و جستجو کند رفع می کند. چارچوب جستجوی ما گسترده تر از هر کار قبلی برحسب فضای طراحی است و منابع FPGA مختلف را برای بیشینه سازی عملکرد شامل منابع DSP، پهنای باند حافظه درون تراشه و حافظه بیرون تراشه درنظر می گیرد. نتایج تجربی ما با استفاده از بزرگترین مدل های CNN شامل مدلی که 16 لایه پیچشی دارد کارآمدی چارچوب ما و همچنین نیاز به چنین روش جستجوی معماری سطح بالا برای یافتن بهترین معماری برای یک مدل CNN را نشان می دهد.

2 – چارچوب جستجوی ما
A. مرور شتابدهنده
مدل شتابدهنده ما شامل یک آرایه محاسبه و سه بافر درون تراشه بصورت نشان داده شده در شکل 2 است. یک آرایه محاسبه یک آرایه از عناصر محاسبه است که کم و بیش بلوک های همگن شامل ضرب کننده ها و جمع کننده ها هستند. در این مقاله، از جملات آرایه محاسبه و آرایه MAC استفاده می کنیم. یک آرایه محاسبه محاسبه بدنه حلقه کرنل تعمیم یافته درامتداد برخی ابعاد فضای تکرار را اجرا می کند. مجموعه این ابعاد شکل یک آرایه محاسبه نامیده می شود، که ساختار داخلی آرایه محاسبه را دیکته می کند.

بافرها حافظه های چرک نویس هستند که بطور جزیی یا کامل آرایه های ورودی/خروجی و پارامترهای وزن را ذخیره می کند. اگر بطور جزیی ذخیره شوند، توسط حافظه خارجی پشتیبانی شده (مانند DRAM) و داده ها باید بین بافرها و حافظه خارجی منتقل شوند، که بطور همزمان با محاسبه با توجه به بافرینگ مضاعف اتفاق می افتد. بنابراین یک بافر باید بافردهی مضاعف شود مگر اینکه به پشتیبانی توسط حافظه خارجی نیاز نداشته باشد.

فرض می کنیم که ضرب کننده ها و جمع کننده ها مورد نیاز برای اجرای عملیات بدنه حلقه کرنل با استفاده از بلوک های DSP اجرا می شوند. به همین ترتیب بافرها فرض می شود که با استفاده از بلوک های RAM اجرا می شوند. فرض می کنیم که پهنای باند حافظه بادوام ماکزیمم داده می شود که می تواند بطور تجربی توسط شبیه سازی کنترل کننده حافظه برای زمان کافی طولانی بدست آید.

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

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.

در مورد فشرده سازی مدل های عمیق با رتبه پایین و تجزیه کم رتبه

On Compressing Deep Models by Low Rank and Sparse Decomposition

چکیده
1 مقدمه
2 کار مرتبط
3 مدل فشرده‌سازی عمیق
4 بهینه‌سازی
5 تجزیه و تحلیل نظری
6 آزمایشات
1 6 تجزیه و تحلیل در کل شبکه‌ها
2 6 تجزیه و تحلیل در لایه‌های پیچشی
7 نتیجه‌گیری
منابع

چکیده
فشرده‌سازی عمیق اشاره به حذف افزونگی پارامترها و نقشه‌های ویژگی برای مدل‌های یادگیری عمیق دارد. تقریب رتبه پایین و هرس‌‌سازی برای ساختارهای تنک در بسیاری از کارهای فشرده‌سازی نقش مهمی ایفا می‌کند. با این حال، فیلترهای وزن تمایل دارند هم رتبه پایین و هم تنک باشند. نادیده‌گیری هر بخشی از این اطلاعات ساختاری در روش‌های قبلی منجر به آموزش مجدد تکرارشونده، به خطر انداختن دقت و نرخ فشرده‌سازی پایین خواهد شد. در اینجا ما چارچوبی یکپارچه را برای ادغام تجزیه تنک و رتبه پایین از ماتریس‌های وزنی با بازسازی نقشه‌های ویژگی را پیشنهاد می‌دهیم. مدل ما شامل روش‌هایی مانند اتصالات هرس‌کننده به عنوان موارد خاص است و توسط یک الگوریتم SVDfree سریع بهینه‌سازی شده است. به لحاظ نظری ثابت شده است که با استفاده از نمونه کوچک، به علت قابلیت تعمیم‌دهی آن، مدل ما می‌تواند نقشه‌های ویژگی‌ را در هر دو مجموعه آموزشی و تست بازسازی کند که در نتیجه آن شاهد در معرض خطر قرارگیری دقت کمتری پیش از آموزش مجدد بعدی خواهیم بود. با چنین «شروع گرمی» برای بازآموزی، روش‌ فشرده‌سازی همواره دارای چندین کیفیت و ویژگی خاص است از جمله: الف) نرخ فشرده‌سازی بالاتر (ب) اتلاف کم دقت و (ج) دور‌هایی کمتر برای فشرده‌سازی مدل‌های عمیق نیاز دارد. نتایج تجربی در چندین مدل محبوب مانند AlexNet، VGG-16 و GoogLeNet حاکی از آن است که مدل ما می‌تواند به طور قابل توجهی پارامترهای هر دو‌ی لایه‌های پیچشی و کاملا متصل را کاهش دهد. در نتیجه، مدل ما اندازه VGG-16 را 15 برابر کاهش می‌دهد و بهتر از سایر روش‌های فشرده سازی جدیدی است که از یک استراتژی واحد استفاده می‌کنند.

2- کار مرتبط
فشرده‌سازی توسط هرس‌‌سازی
هان و همکاران [8] روش هرسی ساده اما موثر را پیشنهاد کردند که با استفاده از آستانه سخت تعیین شده توسط انحراف معیار وزنی بود که در یک اسکالر ضرب شده بود. این آستانه کمک می‌کند تا کم‌اهمیت‌ترین وزنها با مقادیر مطلق کوچک را حذف کنید. یک مورد خاص از مدل ما زمانی است که ما شرایط بازسازی داده‌ها و رتبه پایین را نادیده می‌گیریم، سادگی روش ما به اندازه روش آستانه‌سازی سختی کاهش‌ می‌یابد که در [8] به آن اشاره شده است.

با این حال، رویکرد ما دارای دو مزیت عمده است [8]. نخست، به دلیل شرایط بازسازی نقشه ویژگی ما، مدل ما مقداردهی اولیه بهتری برای آموزش مجدد را فراهم می‌سازد. ما معمولا می‌توانیم همه لایه‌های پیچشی را در مدل‌هایی مانند AlexNet و VGG-16 به جای تکرار هرس و آموزش مجدد در یک دور فشرده کنیم. دوما با بهره‌گیری از هر دوی مولفه هموار و وزن‌های مهم، ما وزن‌های دیگری را در لایه های پیچشی کاهش می‌دهیم و مولفه‌های حاصل از آنها بسیار ضعیف‌تر از آنچه است که در [8] وجود داشته است. این مقدار بالقوه برای شتاب‌دهی مراحل استنتاج در مدل‌های عمیق است.

فشرده‌سازی با تقریب رتبه پایین: کاهش ابعاد پارامترها به وسیله تقریب رتبه‌پایین سبب حفظ فضای ‌ذخیره‌سازی می‌شود و در عین حال سبب کاهش پیچیدگی زمانی در حین آموزش و تست می‌شود. بیشتر روش‌ها [4، 12] به تخمین یک تانسور با کمینه‌سازی خطای بازسازی پارامترهای اصلی می‌پردازند. با این حال، این رویکردها هنگامی که لایه‌های چندگانه فشرده به صورت متوالی تکرار می‌شوند، خطاهای تجمعی دارند، و نقشه‌های ویژگی‌های خروجی از مقادیر اولیه با افزایش لایه های فشرده‌شده فاصله می‌گیرند.

استفاده از الگوریتم یادگیری ماشین در آموزش بازاریابی

Application of Machine Learning Algorithm in Marketing Education

چکیده

1 مقدمه

2 تحقیقات مرتبط

3 موقعیت فعلی ترکیب حالت بازاریابی

4 ایده بازاریابی پایگاه داده مبتنی بر الگوریتم یادگیری ماشینی

5 یادگیری ماشینی پنج دلیل برای بازاریابی آینده است

6 نتیجه گیری

منابع

چکیده

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

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

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

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

امنیت در شبکه حسگر بیسیم: نگاه فعلی

Security in Wireless Sensor Network: A Current Look

چکیده

1 مقدمه

2 معماری شبکه حسگر بی سیم (WSN)

3 مسائل امنیتی شبکه حسگر بی سیم (WSN)

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

5 الگوریتمهای رمزنگاری سبک وزن

6 مسائل پژوهشی

7 نتیجه گیری

منابع

چکیده

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

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

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

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:

چالش ها، تهدید ها و آسیب پذیری های امنیتی رایانش ابری

Cloud Computing Security Challenges, Threats and Vulnerabilities

چکیده
I مقدمه
II مباحث امنیتی در رایانش ابری
1 نرم افزار به عنوان یک سرویس (SaaS)
۲ زیرساخت به عنوان یک سرویس (IaaS)
۳ پلتفرم به عنوان یک سرویس (PaaS)
III تهدیدهای امنیتی در رایانش ابری
۱ حمله تزریق به SQL
۲ سوء استفاده و استفاده نادرست از رایانش ابری
۳ اسنیفرهای شبکه
۴ نشست ربایی
۵ حمله مرد میانی
۶ انکار سرویس ها
۷ حملات سیل
۸ نقض حریم خصوصی
IV اقدامات متقابل
V نتیجه گیری و مطالعه آینده
منابع

چکیده

رایانش ابری پیشرفت کرده است تا به بخشی جدایی ناپذیر از فناوری های اطلاعات فعلی و همچنین آینده تبدیل شود. این فناوری با ارائه ویژگی هایی مانند ذخیره سازی اطلاعات، دسترسی از راه دور و غیره برای استفاده با اینترنت طراحی شده است. ثابت شده است که رایانش ابری یک ابزار موثر برای تمام سرویس های ارائه شده است، اما با انواع مختلفی از تهدید ها نیز همراه است. در طول سالهای توسعه رایانش ابری، حملات مختلف آتش و سرقت داده های مختلف بعنوان یک عامل مهم گزارش شده است، زیرا داده های ذخیره شده در ابر توسط یک سازمان یا یک کاربر شخصی در اصل محرمانه و حساس است. بسیاری از هکرها به این داده ها دسترسی غیرقانونی دارند و در ادامه برای حمله به کاربر مورد استفاده قرار می گیرند. هدف اصلی این مقاله مشخص کردن چنین حملاتی و ارائه پیشنهادات برای مرتب سازی مباحث مربوط به نقض داده ها است.

1 مقدمه

ذخیره سازی داده ها همیشه مکانی برای کمبود اطلاعات مفید بوده است. حتی با دستگاه های ذخیره سازی داده مقیاس بزرگ، فضا برای ذخیره حجم زیادی از اطلاعات موجود کافی نخواهد بود. رایانش ابری در اصل بعنوان یک مدل استاندارد باز مبتنی بر اینترنت در نظر گرفته می شود. این مدل پر از انواع مختلف سرویس ها است که شامل سخت افزار و نرم افزار می شود. ارائه دهندگان سرویس ها به هیچ تلاش مدیریتی بالایی برای ارائه و نگهداری این سرویس ها نیاز ندارند. هدف عبارت «رایانش ابری» افزایش قابلیت های سیستم های رایانش ابری با توان زیاد است. همچنین، هدف آن کاهش قیمت با افزایش کارایی و همچنین عملکرد است. هرچند مزایا و امکانات ارائه شده بسیار موثر هستند، موانع فنی موجود ممکن است رایانش ابری را از یک سرویس همه جا حاضر بازدارند. یکی از اجزای اصلی رایانش ابری، امنیت است و همچنین بعنوان مهمترین نگرانی سیستم است.

Abstract

Cloud computing has grown to become an integral part of present as well as future information technologies. This technology has been designed to be used with internet by providing features such as information storage, remote access, etc. Cloud computing has been proved as an effective tool for all the provided services but it also comes with various types of threats. Over the years of its development, different fire attacks and data theft has been reported as a crucial factor since the data stored in the cloud by an organization or an individual user is basically confidential and sensitive. These data are illegally accessed by many hackers and further it will be used to fire attack the user. This paper mainly aims to highlight such attacks and provide suggestions for sorting the data breaching issues.

I INTRODUCTION

Data storage has always been a place for useful information shortage. Even with large scale data storage devices, the space will not be adequate to store the existing huge amount of information. Cloud computing is basically considered as an internet-centric open standard model. This model is full of different types of services which include both hardware and software. The service providers do not require any high management efforts for provision and maintenance of these services. The term “cloud computing” aims to enhance the capabilities of high power computing systems. It also aims to reduce the price by hiking its efficiency as well as performance. Though the benefits and facilities provided are very much effective, the available technical barriers might stop cloud computing from being a ubiquitous service. One of the main constituents of the cloud computing is security and it also remains as the most significant concern of the system.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

چالش ها، تهدید ها و آسیب پذیری های امنیتی رایانش ابری

Cloud Computing Security Challenges, Threats and Vulnerabilities

ارزیابی جنبه های امنیتی شبکه های حسگر بی سیم

Evaluation of Security Aspects of Wireless Sensor Networks

چکیده

1. مقدمه

2. کاربردهای WSNها

3. امنیت در شبکه های حسگر بی سیم

4. کارهای مرتبط

5. معیارهای پیشنهاد شده

6. نتیجه‌گیری

منابع

چکیده

شبکه های حسگر بی سیم به اجرای متعدد سیاست امنیت قوی نیاز دارند تا هر داده‌ای را که از آنجا انتقال می‌یابد یا توسط آن دریافت می‌شود، به طور موثری ایمن کند. این موضوع به نوبه خود مستلزم سیاست‌ها و روش‌های طراحی شده امنیتی موثر است، طوری که در مورد هر حمله، داده‌ همواره محافظت شود. هر سیاست واحد، در حالی که به خودی خود موثر می‌باشد، شبکه را به میزان لازم علیه همه انواع حملات ایمن نخواهد کرد. به منظور فراهم کردن ایمنی قوی، باید چند روش امنیتی به صورت لایه‌ای اجرا شود. در این مقاله، دسته‌بندی‌های گسترده از کاربردهای شبکه‌های حسگر بی‌سیم، و توصیف خلاصه از این کاربردها با تمرکز روی موارد استفاده حیاتی امنیتی مانند نظامی، مورد مطالعه قرار می‌گیرند. اهداف امنیتی و انواع حملات با اقدامات متقابل مربوطه مورد ارزیابی قرار می‌گیرند. چند پیاده‌سازی موجود از پروتکل‌های امنیتی شبکه حسگر بی‌سیم بررسی می‌شوند، و معایب این روش‌ها مورد بحث قرار می‌گیرند. در بخش‌های انتهایی مقاله، پیشنهادهایی برای غلبه بر این معایب مطرح می‌شود.

کاربردهای WSNها
حوزه‌های ممکن زیادی برای کاربرد WSNها وجود دارد.
A. دسته‌بندی گسترده کاربردهای WSN
دسته‌بندی‌های اصلی کاربردهای WSN در شکل 3 نشان داده شده است.
در این زمینه‌های متنوع، WSNها اهداف گوناگونی دارند ]5[. برخی از آن‌ها عبارتند از:
1. صنعت مراقبت بهداشتی ]8[: ردیابی پارامترهای حیاتی و سایر پارامترها برای نظارت بر سلامت به منظور توانایی برای درمان‌های مراقبت از سلامت در خانه و پزشکی راه دور از طریق شبکه های بی سیم ناحیه بدن با حسگرهای پوشیدنی.
2. کشاورزی ]9[: ردیابی مقادیر فیزیکی مانند دما، شرایط خاک، رطوبت، و غیره برای اطمینان از شرایط بهینه محصول در کشاورزی دقیق مبتنی بر فناوری جهت به حداکثر رساندن تولید، در عین حال به حداقل رساندن تاثیر روی محیط.
3. ساختمان‌های هوشمند و خانه‌های هوشمند ]10[: ایجاد امنیت در خانه و سیستم‌های یکپارچه با سیستم‌های کنترل روشنایی، کنترل از راه دور دستگاه‌های متصل، مدیریت مصرف انرژی، سیستم‌های مراقبت پزشکی از راه دور و امنیت.
4. ردیابی هدف (]11[ و ]12[): تشخیص، ردیابی و نظارت هر هدفی ( وسیله نقلیه، حیوانات، و غیره)، که می‌تواند در کاربردهای متنوعی مانند نمونه‌برداری پوششی مناطق بزرگ و غیرقابل دسترس ( اقیانوس عمیق، و غیره)، نظارت بر سطح جاده ( برای تشخیص چاله)، ردیابی گونه‌های در معرض خطر، و غیره مورد استفاده قرار گیرد.
B. WSNها برای کاربردهای نظامی (]13[ و ]16[)
WSNها امنیت و نظارت را هم فراهم می‌کنند، و در زمینه نظامی، سه دسته اصلی از کاربردها عبارتند از ]13[:
1. کاربردهای نظارت بر میدان جنگ: این‌ها از نقاط معمولی کم‌هزینه (اصطلاح دیگری برای گره‌ها) برای حس کردن سیگنال‌های صوتی و مغناطیسی تولید شده توسط اهداف متحرک مختلف استفاده می‌کنند، که می‌تواند شناسایی و طبقه‌بندی اهداف ( وسایل نقلیه یا نیروها) را امکان‌پذیر کند.
2. نظارت رزمی: از آرایه‌های حسگر صوتی برای شناسایی سیگنال‌ها از وسایل نقلیه متحرک و تیراندازی در حال مکان‌یابی منبع استفاده می‌کند. آن‌ها همچنین سیستم شبکه‌های حسگر بدنی (BSNها) را برای سربازان مورد استفاده قرار می‌دهند تا نظارت بر سلامت به موقع انجام شود.
3. تشخیص مزاحم: این امر را می‌توان با کمک حسگرهای لرزه‌ای و حسگرهای صوتی مراقبت‌نشده انجام داد که صداها و لرزش‌های مزاحمان را تشخیص خواهد داد.
این کاربردها از انواع حسگرها ]6[ برای تشخیص نفوذ، مواد شیمیایی یا سایر مواد و فاصله از اشیاء مورد نظر و برای اهداف تصویربرداری استفاده می‌کنند. این‌ها شامل حسگرهایی مانند حسگرهای مادون قرمز، رادار، لیزری و صوتی، لرزشی، لیدار، و انواع حسگرهای شیمیایی هستند.