مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

 اهداف تحقیق
رایانش ابری سلامت می تواند به بهبود اشتراک منابع کمک کند. این سیستم نظارت و مدیریت پزشکی بسیار مؤثری را ارائه می دهد و در عین حال هزینه های عملیاتی عظیم را کاهش می دهد. مبتنی بر ابر فناوری شناسایی فرکانس رادیویی ایمن، موثر و نظارت و مدیریت داده های پزشکی با کیفیت بالا. این می تواند به ارائه نتایج پیشرفته در انتقال، سلامت هوشمند کمک کند نظارت و قرار دادن دقیق IoT Cloud جدیدترین نوآوری است ترکیب چندین فناوری متصل به اینترنت برای ارائه راه حل های بلادرنگ در مکان ها و تنظیمات متعدد. ظهور اینترنت اشیا به هر نحوی کاربرد دارد، از مدیریت بیماری های مزمن گرفته تا اجتناب از آن مسائل مختلف بهداشتی، از بهداشت و درمان بسیار سود برده است. ابر و ادغام اینترنت در بهداشت و درمان چندین مزیت از جمله قابلیت اطمینان بالا، راندمان بالا، مجازی سازی و مقیاس پذیری را ارائه می دهد ، (Salih & Lilien, 2015, Ratnam & Dominic, 2014, Akrivopoulos et al., 2017). چهار هدف عمده این مقاله به شرح زیر است:
RQ1: – مطالعه رایانش ابری و نیاز آن به بهداشت و درمان و فن آوری کمک به رایانش ابری برای بهداشت و درمان؛
RQ2: – برای بحث در مورد مزایای کلیدی رایانش ابری برای صنعت بهداشت و درمان؛
RQ3: – مطالعه موانع و چالش‌ها در اتخاذ رایانش ابری برای بهداشت و درمان.
RQ4: – شناسایی و بحث در مورد کاربردهای مهم رایانش ابری برای بهداشت و درمان.

5. مزایای کلیدی رایانش ابری برای بهداشت و درمان
در دنیای امروز، رایانش ابری دائماً در بهداشت و درمان متحول می شود. بر اساس دیدگاه بازارهای جهانی، ارزش بازار رایانش ابری بهداشت و درمان تا سال 2025 به 55 میلیارد دلار خواهد رسید. علاوه بر مقیاس پذیری و ذخیره سازی، کسب و کارهای بهداشت و درمان امروزی به طور فزاینده ای به فناوری ابر به دلیل قابلیت های چشمگیر آن مانند همکاری، دسترسی، کارایی و امنیت روی می آورند. ابتدا، به عنوان یک نرم‌افزار به عنوان سرویس (SaaS)، ابر ممکن است خدمات میزبانی شده بر اساس تقاضا را برای کسب‌وکارهای بهداشت و درمان ارائه کند، که امکان دسترسی فوری به برنامه‌های کاربردی تجاری و مدیریت ارتباط با مشتری (CRM) را فراهم می‌کند. زیر ساخت به عنوان سرویس (IaaS) می تواند امکانات پزشکی را با رایانش بر اساس تقاضا و ذخیره سازی عظیم فراهم کند. در نهایت، به عنوان یک پلتفرم به عنوان سرویس (PaaS، ابر می‌تواند محیطی امن برای خدمات مبتنی بر وب و استقرار برنامه‌های کاربردی ابری فراهم کند (الزوبیدی، 2016، گلی ملک‌آبادی و همکاران، 2016، پدهی و همکاران، 2012).
ارائه اطلاعات پزشکی از بسیاری از رایانه ها، در هر مکان و هر دستگاه تلفن همراه، در قلب سیستم های ابری است. تحول بهداشت و درمان همچنین در مورد مزایای مراکز پزشکی و کاربران ابری برای به اشتراک گذاشتن داده های سلامت بیمار از طریق اینترنت است. رایانش ابری در بهداشت و درمان مقرون به صرفه و آسان است
برای نصب، با بسیاری از مزایای دیگر که می توان از آنها به خوبی استفاده کرد. در نتیجه، سرویس‌های مبتنی بر ابر کمک ارزشمندی را ارائه می‌کنند و با در دسترس‌تر کردن داده‌ها و قابلیت همکاری، به بهبود زیرساخت‌های سلامت کمک می‌کنند. چندین مزیت فناوری های مبتنی بر ابر در مورد استفاده در سیستم های بهداشت و درمان وجود دارد (دواداس و همکاران، 2017، آستو و همکاران، 2020، جاوید و همکاران، 2020، کومار و همکاران، 2018). شکل 1 برخی از کلیدها را نشان می دهد که مزایای این فناوری ها فناوری‌ها و پروتکل‌های امنیتی پیچیده‌ای در دسترس هستند. سطوح امنیتی اضافی در رایانش ابری به منظور جلوگیری از اطلاعات حساس، ارائه دهندگان ابر باید به مقررات نظارتی پایبند باشند تعهدات مربوط به سوابق پزشکی الکترونیکی فناوری ابری می تواند ارائه بازخورد در مورد اطلاعات پزشکی، تجزیه و تحلیل آن در زمان واقعی، و در نهایت بهداشت و درمان بیمار محور و داده محور را افزایش می دهد. تجزیه و تحلیل داده های مبتنی بر ابر ممکن است به ایجاد بازاریابی دقیق و متمرکز کمپین ها و تبلیغات با استفاده از اطلاعات کسب و کار از چندین منبع کمک کند (الحربی و همکاران، 2016، کو و همکاران، 2011). پزشکان برای کار با بیماران توانسته‌اند برای هر بیمار که درمان می‌کنند یک پرونده پزشکی جداگانه نگهداری کنند که کار را بسیار آسان تر می کند. فناوری ابر این اطلاعات را در زمان واقعی در دفاتر همگام و توزیع می کند. این فناوری به ذخیره سازی بدون مشکل داده ها و مقیاس پذیری پشتیبان کمک می کند و در طول دوره های شلوغ روز کاهش می یابد. علاوه بر این، تاکتیک‌های فاصله‌گذاری اجتماعی نیاز به مشاوره از راه دور با بیماران خردسال دارد (علی و همکاران، 2018، بامیه و همکاران، 2012، رجبیون و همکاران، 2019).
استقرار و ارتقاء ابر سریعتر از نرم افزار میزبانی در محل است. مدیریت خدمات ابری هزینه نسبتاً کمتری دارد و باعث نمی شود مصرف کنندگان خدمات خود را متوقف کنند. ارائه دهندگان بهداشت و درمان و بیماران آنها با خدماتی با بالاترین پهنای باند و سرعت با خدمات سریعتر مواجه می شوند. پلتفرم‌های ابری شامل ML و AI هستند که به شرکت‌ها کمک می‌کنند تا حجم زیادی از داده‌های مشتری را مدیریت کنند و تجزیه و تحلیل داده‌ها را در نقاط تماس متعدد خدمات بهداشت و درمان انجام دهند (Tyagi et al., 2016, Abdelaziz et al., 2018, Seddon & Currie, 2013). استفاده عمومی از فناوری‌های ذخیره‌سازی داده مبتنی بر ابر در بهداشت و درمان پتانسیل افزایش نتایج مراقبت از بیمار را ایجاد کرده است. محققان ممکن است از ابر در زمان خود و با کسری از هزینه برای استفاده از قابلیت های تحلیل ابررایانه استفاده کنند. تمام داده‌هایی که قبلاً در پرونده‌های بایگانی در دسترس نبودند، با استفاده از پیچیده‌ترین الگوریتم‌های رایانه‌ای موجود با ورود رایانش ابری قابل جستجو و تجزیه و تحلیل هستند (Gavrilov & Trajkovik, 2012, Hoang & Chen, 2010.

6. محرک های بالقوه رایانش ابری برای بهداشت و درمان صنعت
شکل 2 نمونه‌ای از محرک‌های مهم و بالقوه مختلف رایانش ابری برای افزایش عملکرد کلی حوزه بهداشت و درمان است. حرکت به ابر دو مزیت دارد بهداشت و درمان. هم پزشکان و هم بیماران از این موضوع بهره مند شده اند که از آن. در جنبه تجاری، رایانش ابری نشان داده شده است به کاهش هزینه های عملیاتی کمک می کند و در عین حال به ارائه دهندگان اجازه می دهد تا درمان با کیفیت بالا و متناسب را ارائه دهند. بیمارانی که دریافت درمان‌ها از این طریق است اکنون می‌توانند همان سطح مراقبت را از پزشک دریافت کنند و بخش سلامت حوزه های اصلی محرک های مشاهده شده مفاهیمی مانند کلان داده، یادگیری مصنوعی و ماشینی، تکنیک های بهداشت از راه دور، بالا تجزیه و تحلیل نیرومند و غیره است. رایانش ابری بیمار را بیشتر درمان کرده است که نتایج با افزایش مشارکت بیماران در برنامه های بهداشتی خود توسط ارائه دسترسی به داده های بهداشت و درمان آنها است (جیندال و همکاران، 2018، سینگ و همکاران،2017، جمال و همکاران، 2015، محمد و همکاران، 2014).
رایانش ابری بهترین راه حل ها را برای نیازهای بهداشت و درمان فراهم می کند که ارزان تر، سریع تر و شخصی تر هستند. به طور قابل توجهی می تواند کمک به تحقیقات پزشکی و اپیدمیولوژیک، پیش بینی بیماری، و آزمایشات بالینی تجزیه و تحلیل ابری از بیمارستان ها از طریق تجزیه و تحلیل ابری، تحلیل های پیش بینی، ابزارهای مبتنی بر هوش مصنوعی و منابع در تصمیم گیری های مبتنی بر شواهد پشتیبانی می کند. تجزیه و تحلیل ابری می تواند به طور مداوم نتایج را نظارت کند تا با تجزیه و تحلیل آنها از تجهیزات پزشکی مرتبط مختلف. بهداشت و درمان ارائه‌دهندگان راه‌حل ‌های مبتنی بر ابر را که می‌توانند برای بازاریابی، تجزیه و تحلیل/تشخیص، نظارت بر بیمار، پیشگیری و مدیریت استفاده شوند تا به اهداف خود برسند: (لیو و همکاران، 2018، نور و مون، 2012).
یک شرکت با یک کارمند از راه دور باید توسعه یابد تا افراد را از راه دور به سرعت مدیریت کند. همچنین مستلزم کاهش هزینه ها و ادامه فعالیت و رعایت قوانین سختگیرانه ایمنی و حفظ حریم خصوصی است. آنجا هیچ انعطافی برای رشد سریع و مؤثر زیرساخت های محلی موجود وجود نداشت و همچنین نمی توانست کاربران اضافی را در یک دوره قابل قبول گنجانده شود. کار استراتژیک شامل ایجاد یک مدل عملیاتی فناوری اطلاعات، ارزیابی پلت‌فرم‌ها و ابزارهای ابری و ایجاد مدرک قوی است. معماری ابری توسعه دهندگان را قادر می سازد تا به سرعت منابع و کار از راه دور، از جمله ایستگاه های کاری مجازی در فضای ابری را تامین کنند. که این کار دشواری مدیریت موجودی سخت افزار، تعمیرات و زیرساخت دسکتاپ مجازی را نیز برطرف می کند. E (Guo et al., 2012, Alshammari et al., 2020, Dzombeta et al., 2014).
ارائه دهندگان بهداشت و درمان لازم نیست نگران مدیریت داده های ابری خود باشند. پزشکان بهداشت و درمان ممکن است با کمک متخصصان توانمند فناوری اطلاعات که سیستم را نظارت و کنترل می کنند، بر زمینه های اساسی بهداشت و درمان تمرکز کنند. رایانش ابری نظارت بر پرداخت ها توسط ارائه دهندگان بهداشت و درمان را تسهیل می کند. علاوه بر این، سرمایه گذاری در زیرساخت های قابل توجه و پرهزینه ضروری نیست. انتخاب یک راه‌حل ابری می‌تواند بسیار مقرون‌به‌صرفه‌تر از ساختن سیستم‌های فیزیکی با شخصی‌سازی برنامه‌ای که مطابق با خواسته‌های آن‌ها باشد. سرورهای ابری می‌توانند اطلاعات را سریع‌تر آپلود، مبادله و بازیابی کنند تا متخصصان بهداشت و درمان، بیمارستان‌ها، تحقیقات و آژانس‌های مالی بتوانند بهتر همکاری کنند (Alphonsa & Amudhavalli، 2018، Agarwal & Sebastian، 2016، John & Shenoy، 2014)
حجم زیادی از داده های ایجاد شده در کسب و کار بهداشت و درمان با موفقیت در درایوهای مجازی ذخیره و قابل دسترسی است. رایانش ابری است برای ارائه خدمات و پلتفرم هایی استفاده می شود که به مدیریت مشتری کمک می کند. در نتیجه، بسیاری از شرکت ها یا سازمان هایی که خدمات بهداشت و درمان ارائه می دهند خدمات رایانش ابری به بیماران خود در نرم افزار، پلتفرم و زیر ساخت نیاز دارند. اینها امکان تبادل اطلاعات و رکورد را بهبود می بخشد و مدیریت و تخصیص منابع در موسسات بهداشتی را با رایانش ابری سرعت می بخشد و کار را برای متخصصان پزشکی ساده می کند تا با هم کار کنند و به صورت تیمی از طریق دستگاه های تلفن همراه درمان کنند واز ویدئو کنفرانس و نرم افزار طراحی شده برای شرکت های بهداشت و درمان استفاده کنند. ظرفیت پزشکان برای ارائه خدمات درمانی در سطح بالا به بیماران با حفظ ارتباط آنها با بیماران و همکاران افزایش یافته است (کازولا و همکاران، 2016، بامیه و همکاران، 2012، ایجاز و همکاران، 2021).

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

از شکل 2 مشاهده می شود، اقدامات اصلی برای مقابله با خطرات خدمات مالی زنجیره تامین عبارتند از: سختگیری استانداردهای دسترسی سازمانی، ایجاد یک پلت فرم عملیات فشرده، ایجاد یک سیستم اعتباری مشترک، استفاده از بسته بندی اعتبار، استفاده منطقی از قوانین و مقررات، اعمال منطقی قوانین و مقررات، و تقویت تحقیقات اطلاعات بازار. سخت‌گیری استانداردهای دسترسی سازمانی به این معنی است که بانک‌ها به‌عنوان ارائه‌دهنده خدمات مالی زنجیره تأمین، باید ارزیابی‌های دسترسی را برای شرکت‌های زنجیره تأمین انجام دهند. برای ارائه خدمات تامین مالی لازم است شرکت هایی با وضعیت عملکرد پایدار و پیشینه تجاری واقعی انتخاب شوند. ایجاد بستر عملیات فشرده به این معنی است که بانک می تواند با ایجاد بستر تبادل اطلاعات با بنگاه، استراتژی مدیریت اعتبار قبلی را تغییر داده و بستر عملیات فشرده را توسعه دهد تا نظارت موثر بر جریان سرمایه و جریان نقدی شرکت را محقق سازد. شرکت، پروژه. استقرار سیستم اعتباری مشترک به این معنی است که وضعیت اعتباری کل شرکت های زنجیره تامین باید در نظر گرفته شود نه فقط اعتبار بنگاه های بزرگ. اتخاذ روش بسته‌بندی اعتباری به همراه کردن دارایی‌های اعتباری شرکت تامین مالی با پروژه‌های تامین مالی و معرفی یک موسسه شخص ثالث برای تنوع بخشیدن به ریسک اعتباری شرکت اشاره دارد. کاربرد منطقی قوانین و مقررات به این معناست که بانک ها باید مفاد قانونی محل مؤسسه تأمین مالی را به دقت مطالعه کنند و کاربرد محصولات تأمین مالی را مطالعه کنند. باید یک اداره امور حقوقی ایجاد شود تا با تقویت همکاری با موسسات حقوقی به مسائل مختلف حقوقی رسیدگی کند تا امنیت مالی بانک ها حفظ شود. تقویت تحقیقات اطلاعات بازار به این معنی است که بانک ها باید منابع انسانی و منابع فنی زیادی را برای بررسی و تحلیل اطلاعات بازار سرمایه گذاری کنند و از نتایج نظرسنجی برای تدوین سیاست های اعتباری معقول استفاده کنند.

(3) معماری مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین
ایجاد مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین برای پیش‌بینی و کاهش ریسک‌های تامین مالی زنجیره تامین اهمیت زیادی دارد (وانگ و همکاران، 2022). با تجزیه و تحلیل عوامل خطر و اقدامات پاسخ ریسک خدمات مالی زنجیره تامین، الگوریتم‌های هوش مصنوعی و برخی از دستگاه‌های شبکه برای ایجاد یک مدل هشدار اولیه خطر، همانطور که در شکل 3 نشان داده شده است، استفاده می‌شوند.
از شکل 3 می توان دید، مدل هشدار زودهنگام ریسک خدمات مالی زنجیره تامین مبتنی بر الگوریتم هوش مصنوعی به سه ماژول تقسیم می شود: جمع آوری داده های ریسک، محاسبه هشدار اولیه ریسک، و خلاصه رویداد ریسک. جمع آوری داده های ریسک شامل مدیران، سیستم های نظارت و سیستم های جمع آوری داده های خارجی است. مدیران نه تنها باید از سیستم نظارت برای نظارت بر ریسک های خدمات مالی زنجیره تامین شرکت های خود استفاده کنند، بلکه باید از سیستم جمع آوری داده ها برای جمع آوری و تجزیه و تحلیل ریسک های خدمات مالی زنجیره تامین خارجی استفاده کنند. محاسبه هشدار زودهنگام خطر بر اساس الگوریتم‌های هوش مصنوعی و فناوری رایانه است و شاخص ریسک مربوطه بر اساس استانداردهای ریسک تعیین شده محاسبه می‌شود. پس از بیرون آمدن نتایج محاسبات، اطلاعات هشدار طبق رویه‌های مربوطه صادر می‌شود تا بنگاه‌های زنجیره تامین یا بانک‌ها بتوانند به سرعت اقداماتی را برای مقابله با خطرات خدمات مالی زنجیره تامین انجام دهند. پس از حل این رویداد ریسک تامین مالی، پرسنل ارشد شرکت‌های زنجیره تامین یا بانک‌ها جلسه‌ای برگزار می‌کنند تا مشکلات موجود در پیش‌کنترل ریسک خدمات مالی زنجیره تامین را خلاصه کنند. اثربخشی اقدامات پاسخ نیز ارزیابی می شود و سوالات و نظرات در یک پایگاه داده ثبت می شود.

3. کاربرد الگوریتم هوش مصنوعی در ارزیابی ریسک خدمات مالی زنجیره تامین
(1) شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات غیرخطی و تطبیقی متشکل از تعداد زیادی واحد پردازش به هم پیوسته است که دارای چهار ویژگی غیرخطی، عدم محدودیت، بسیار کیفی و غیر تحدب است (سانکار و همکاران، 2022).

4. هدف آزمایشی و طراحی مدل هشدار اولیه خطر
(1) هدف آزمایشی
با استفاده از شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای انجام تحقیقات تجربی در مورد ریسک خدمات مالی زنجیره تامین، ثابت می‌شود که مدل هشدار اولیه ریسک ساخته شده در این مقاله می‌تواند ریسک خدمات مالی زنجیره تامین را که صنعت انرژی با آن مواجه است کاهش دهد. تجارت بین المللی، در نتیجه توسعه صنعت انرژی را ارتقا می دهد.

(2) طراحی آزمایشی
4 بانک انتخاب و به دو گروه تقسیم شدند. گروه اول از مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی برای هشدار و کنترل خطرات خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه R نام داشت که شامل بانک S و بانک T می شد. گروه دوم از روش های سنتی هشدار زودهنگام ریسک برای پیش اخطار و کنترل ریسک های خدمات مالی زنجیره تامین استفاده کردند. این گروه گروه U نام داشت که شامل بانک V و بانک W بود. یک مطالعه تجربی 6 ماهه بر روی 4 بانک انجام شد و مطالعه تجربی از پنج بعد ارزیابی صحت اعتبار شرکت، بروز ریسک عملیاتی انجام شد. ، دقت جمع آوری اطلاعات، میزان تغییرات در ریسک های قانونی و نظارتی و دقت پیش بینی ریسک های محیطی خارجی. پس از پایان آزمایش، نتایج تجربی مشاهده و تجزیه و تحلیل می شود.

5. نتایج تجربی مدل هشدار اولیه خطر
(1) ارزیابی دقت اعتبار شرکت
آزمون ارزیابی اعتبار شرکتی 6 ماهه برای بانک‌های گروه R و بانک‌های گروه U انجام شد. بانک‌های گروه R از مدل هشدار زودهنگام ریسک مبتنی بر الگوریتم هوش مصنوعی برای ارزیابی و آزمایش استفاده کردند، در حالی که بانک‌های گروه U از روش‌های سنتی هشدار اولیه ریسک برای ارزیابی و آزمایش استفاده کردند. همانطور که در شکل 4 نشان داده شده است، آمار داده ها یک بار در ماه برای به دست آوردن دقت ارزیابی اعتبار بانک از شرکت انجام شد.
شکل 4a دقت ارزیابی بانک از اعتبار شرکتی و شکل 4b میانگین دقت ارزیابی بانک از اعتبار شرکتی را نشان می دهد. در مجموع، دقت ارزیابی بانک S و بانک T بالاتر از بانک V و بانک W بود. دقت ارزیابی بانک S در ماه اول 73.66 درصد، بانک T 72.7 درصد، بانک V و بانک W بود. به ترتیب 65.7 درصد و 64.8 درصد. در ماه اول، دقت ارزیابی بانک‌های گروه R 7.93 درصد بیشتر از بانک‌های گروه U بود. مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی از همان ابتدا در بهبود دقت ارزیابی بانک نقش داشت. از نتایج آزمون نهایی، دقت ارزیابی بانک اس و بانک تی به ترتیب 26/85 و 39/85 درصد و دقت ارزیابی بانک V و بانک W به ترتیب 63/79 و 59/81 درصد بود. دقت ارزیابی گروه R بالاتر از گروه U بود. در ماه چهارم، بانک V و بانک W هر دو کاهش اندکی در دقت ارزیابی داشتند، در حالی که بانک S و بانک T روند نزولی نشان ندادند، که نشان می‌دهد. که مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی از نظر دقت ارزیابی نسبتاً پایدار است. میانگین دقت ارزیابی گروه R 79.81% و در گروه U 74.29% بود. میانگین دقت ارزیابی گروه R 7.43 درصد بیشتر از گروه U بود که نشان داد مدل هشدار اولیه خطر مبتنی بر الگوریتم هوش مصنوعی می تواند نقش مهمی در بهبود دقت ارزیابی داشته باشد.

(2) بروز ریسک عملیاتی بانک
یک مطالعه 6 ماهه در مورد بروز ریسک عملیاتی بانک برای مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U انجام شد. نتایج تجربی در جدول 1 نشان داده شده است.
از جدول 1 می توان مشاهده کرد که بروز ریسک عملیاتی بانک در چهار پیوند عملیاتی طراحی طرح خدمات، تایید تامین مالی، وام دهی و مدیریت پس از اعتبار منعکس شده است. در طراحی طرح خدمات، بانک T با 21.63 درصد کمترین میزان بروز ریسک عملیاتی و بانک W با 24.47 درصد بیشترین میزان بروز ریسک عملیاتی را داشتند. در فرآیند تایید تامین مالی، بانک T با 21.24% کمترین میزان وقوع ریسک عملیاتی را داشت و بانک S دارای نرخ بروز ریسک عملیاتی بود که 0.41% کمتر از بانک V بود. در فرآیند وام دهی، نرخ ریسک عملیاتی بانک T 20.23 درصد بود که 2.24 درصد کمتر از بانک W بود. از نظر مدیریت پس از اعتبار، بانک V با 24.56 درصد بیشترین میزان بروز ریسک عملیاتی را داشت که 2.4 درصد بیشتر از بانک T بود. نرخ بروز ریسک عملیاتی کلی بانک S و بانک T به ترتیب 22.71% و 21.32% بود. نرخ بروز ریسک عملیاتی کل بانک V و بانک W به ترتیب 23.37٪ و 23.76٪ بود. بروز ریسک عملیاتی در گروه R 6.58 درصد کمتر از گروه U بود. مدل‌های هشدار اولیه ریسک مبتنی بر الگوریتم‌های هوش مصنوعی نقش مهمی در کاهش بروز ریسک‌های عملیاتی بانک داشتند.
(3) دقت جمع آوری اطلاعات
بررسی 6 ماهه صحت جمع آوری اطلاعات توسط بانک ها انجام شد. با مقایسه تفاوت بین بانک‌های گروه R و بانک‌های گروه U، تأثیر مدل هشدار زودهنگام ریسک و روش سنتی هشدار زودهنگام ریسک بر دقت جمع‌آوری اطلاعات مورد بررسی قرار گرفت. محتوای خاص در شکل 5 نشان داده شده است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. ارزیابی قابلیت اطمینان
ارزیابی احتمال عدم موفقیت (Pf) یک مسئله اساسی در تحلیل قابلیت اطمینان ساختارها است. در این بخش روشهای مختلف کلاسیک این تئوری بیان شده است. در این روشها، عدم قطعیت های احتمالی به عنوان متغیرهای تصادفی در مدل طراحی در نظر گرفته می شوند. عملکرد هر ساختار را می توان با عملکرد متغیرهای تصادفی اساسی سازه، بنام عملکرد محدود Limit (LSF) بیان کرد به طوری که مقدار مثبت عملکرد حالت حد، بیانگر ایمنی و ارزش منفی حد است. عملکرد نشانگر عدم موفقیت است. در تجزیه و تحلیل یک سیستم ، منطقه شکست توسط تابع تعریف می شود. که در آن R و Q به ترتیب مقادیر مقاومت و اثرات بار بر روی سازه را نشان می دهد.
بدست آوردن پاسخ مستقیم به این انتگرال به دلیل پیچیدگی عملکرد چگالی احتمال مشترک (خصوصاً برای متغیرهایی که توزیع غیر عادی دارند) دشوار است و در بیشتر موارد با استفاده از فرضیات ساده انجام می شود. این فرضیات در دو روش تقریبی و شبیه سازی ارائه شده است. روش های تقریب بر اساس شاخص اعتبار، در تیلور درجه اول و دوم از عملکرد حالت حد استفاده می کنند. روش های مبتنی بر شبیه سازی احتمال خرابی را به طور مستقیم و با استفاده از نمونه گیری محاسبه می کنند.
یکی از ساده ترین و ابتدایی ترین روش های تخمین مرتبه اول برای قابلیت اطمینان توسط کرنل [3] در سال 1967 ارائه شده است. این روش مبتنی بر تفکیک منطقه (g> 0) و ناحیه خرابی (g , 0) و گسترش خطی تابع حالت حد در حدود نقطه میانگین است.
در سال 1974، هاسوفر و لیند [4] یک شاخص قابلیت اطمینان جدید را با استفاده از فرم خطی عملکرد حالت حد در ترکیب با یک نقشه برای انتقال متغیرهای تصادفی از فضای طراحی به فضای عادی استاندارد (با میانگین صفر و انحراف استاندارد واحد) بر اساس ایده کرنل ارائه دادند و این شاخص به عنوان حداقل فاصله هندسی بین مبدا و عملکرد حالت کاهش یافته تعریف شده است. مطابق تعریفی که هاسوفر و لیند ارائه داده اند، نقطه طراحی نقطه ای از عملکرد حالت حد (g = 0) است که کمترین فاصله را از مبدا در فضای عادی استاندارد دارد. این نقطه همچنین به عنوان نقطه احتمالی شکست در نظر گرفته می شود (احتمالی ترین تقطه MPP). فاصله از این نقطه تا مبدأ به عنوان یک شاخص قابلیت اطمینان در نظر گرفته شده است که تخمین احتمال شکست ساختاری توسط معادله Pf = Φ (-β) که در آن Φ عملکرد توزیع عادی عادی استاندارد است. بنابراین، یک مشکل بهینه سازی باید مطابق با معادله اعمال شود.
در این معادله ، μex ، σex ، fx و Fx به ترتیب نشان دهنده میانگین نرمال معادله، انحراف استاندارد معادله عادی ، عملکرد چگالی احتمال (PDF) و عملکرد توزیع تجمعی (CDF) متغیر * x است در حالی که پارامترهای ϕ و Φ به ترتیب PDF را برای توزیع عادی استاندارد و CDF برای توزیع عادی استاندارد را نشان می دهد. من اگر متغیر دارای عملکرد توزیع غیر عادی باشد، روش فوق با استفاده از نقشه متغیر را به یک فضای عادی استاندارد منتقل می کند. این باعث افزایش قابل توجهی در میزان غیر خطی بودن عملکرد حالت حد و متعاقباً دقت حسابگر را کاهش می دهد.
در این مقاله، به منظور اعمال نوع توزیع متغیرها، فضای جستجوی مسئله بهینه سازی برای n نمونه های هر متغیر مطابق شکل ایجاد می شود. الگوریتم بهینه سازی برای جستجوی راه حل بهینه، بردار تولید می کند که ابعاد آن تعداد کل متغیرهای تصادفی (NRV) اعداد صحیح در فاصله [1 ، n] است. با توجه به مقادیر این بردار و معادله 5، بردار U در معادله 4 از فضای جستجوی مسئله ایجاد می شود (ماتریس SearchSpace). برای بررسی کارآیی روش پیشنهادی برای محاسبه شاخص قابلیت اطمینان، حد فرکانس حالت اول سازه به عنوان محدودیت احتمالی انتخاب شده است. بر این اساس در معادله 3، R مقدار فرکانس مجاز، همه در rad/s (سقوط هرتز) است که در هر مشکل به طور جداگانه ذکر شده است .همچنین Q مقدار فرکانس موجود، ω در rad / s (f در هرتز)، در ساختار خرپا را نشان می دهد. این پارامتر از آنالیز معین بدست می آید.جلوگیری از سر و صدا در تست های دینامیکی واقعی غیرممکن است، بنابراین باید استحکام رویکرد پیشنهادی مورد بحث قرار گیرد. این موضوع با ایجاد انحراف کوچک در پارامترهای دینامیکی تجربی (معادله (7)) بررسی شده و استحکام این رویکرد نیز برای کلیه مشکلات بررسی شده است.
در معادله (7) ، α یک عدد تصادفی در فاصله [-1 ، 1] است و نویز انحراف فرکانس های طبیعی است. ω حاکی از فرکانس با مقدار پر سر و صدا است.

3. الگوریتم های بهینه سازی فراابتکاری
3.1. بهینه سازی تبخیر آب
الگوریتم بهینه سازی تبخیر آب (WEO) توسط کاوه و بخش پوری [29] با الهام از روند تبخیر مولکول های آب از سطح اجسام جامد در مقیاس میکروسکوپی و بر اساس معادلات ارائه شده توسط وانگ و همکاران ارائه شده است. [30] الگوریتم WEO از دو مرحله مجزا به نام تبخیر تک لایه و قطره تشکیل شده است.
اگر مقدار عملکرد هدف هر مولکول تبخیر شده (WM (t+1)) بهتر از عملکرد مولکول آب جاری (WM (t)) باشد، مولکول آب جاری با مولکول تبخیر شده جایگزین می شود. در غیر این صورت تغییری در مولکول آب جاری مشاهده نمی شود. بهترین مولکول آب که تاکنون پیدا شده ذخیره شده و گزارش شده است.

3.2 بهینه سازی تبخیر آب با شتاب
الگوریتم بهینه سازی تبخیر آب (AWEO) نسخه ای از WEO است که توسط کاوه و بخش پوری ارائه شده است. همانطور که اشاره شد، روند الگوریتم WEO در دو مرحله مجزا صورت می گیرد. به عبارت دیگر، نیمی از فرآیند بهینه سازی با توجه به مرحله تبخیر تک لایه و نیمه دیگر مطابق با مرحله تبخیر قطرات انجام می شود. با این حال، در فرآیند الگوریتم AWEO ، از این دو مرحله بطور همزمان در هر تکرار استفاده می شود

طرح عادلانه MAX-MIN برای کانال های تداخلی MIMO: رویکرد Minorization-Maximization

Max-Min Fairness Design for MIMO Interference Channels: a Minorization-Maximization Approach

چکیده
1- مقدمه
2- مدل سیستم و فرمولسازی مسئله
3- روش پیشنهادی
4- طراحی precoder در مواجهه با نامعلومی دانش پیشین
5- نتایج عددی
6- نتیجه
پیوست A
پیوست B
پیوست C
پیوست D

چکیده
ما در مورد طرح precoder خطی (beamformer) در یک کانال تداخلی چند خروجی_چند ورودی بحث می کنیم (MIMO-IC). هدف، طراحی ماتریس های کوواریانس انتقال است به منظور دستیابی به ابزار max-min ی که برای همه کاربران مناسب باشد. مشکل بهینه سازی مربوطه به طور کلی محدب نبودن و NP-hardاست. ما یک الگوریتم کارآمد بر اساس تکنیک minorization-maximization (MM) برای به دست آوردن راه حل های کیفی مسئله طراحی می کنیم. روش پیشنهاد شده برنامه محدب مخروطی مرتبه دوم را در هر تکرار حل می کند (SOCP) و به یک نقطه ثابت مسئله در شرایط عادی همگرا می شود. ما همچنین الگوریتم را به مواردی که در ماتریس های کوواریانس نوییزی یا اطلاعات وضعیت کانال (CSI) اختلالاتی وجود دارد، گسترش می دهیم. نتایج شبیه سازی، اثربخشی روش پیشنهادی را در مقایسه با رقیب اصلی آن نشان می دهد.
1- مقدمه
ما مسئله طرح precoder خطی در یک کانال تداخلی MIMO را در نظر می گیریم که در آن مجموعه ای از جفت های فرستنده-گیرنده با بیش از یک منبع مشترک (زمان یا فرکانس) ارتباط برقرار می کنند. ماتریس precoder می تواند برای بهبود عملکرد شبکه نرخ کل یا نرخ حداقل طراحی شده باشد (max-min fairness) نقطه نظر [16] – [1].
مسئله طرح فرستنده_گیرنده خطی در معیار max-min fairness به طور گسترده ای در نوشته های [10] – [1] مطالعه شده است. در [1] و [2]، مسئله کنترل قدرت در یک سیگنال max-min با معیار نرخ plus-noise تداخلی مورد مطالعه قرار گرفته است و مرزهای عملکرد الگوریتم های کنترل قدرت به دست آمده است. مشکل طراحی فرستنده precoder که نرخ حداقل را برای کاربران شبکه چند ورودی_یک خروجی (MISO) حداکثر می کند نیز در [6] – [3] مورد مطالعه قرار گرفته است. نویسندگان [7] بدترین حالت موضوع SINR را به یک محدودیت قدرت در ماتریس precoder طراحی در یک MIMO-IC افزایش دادند و نشان دادند که این مشکل می تواند با استفاده از بسته های بهینه سازی مخروطی استاندارد حل شود. نویسندگان [17] طرح precoder عادلانه max-min را در یک IC تک ورودی چند خروجی درنظر گرفتند(SIMO) و نشان دادند که این مشکل می تواند در زمان چند جمله ای حل شده باشد. در [8] نویسندگان مسئله عادلانه max-min در MIMO-IC را به عنوان مسئله پیدا کردن فرستنده_گیرنده بهینه جهانی که SINR مینیمم را برای تمام کاربران ماکزیمم می کند از نو طرح کردند. آنها نشان دادند که وقتی هر فرستنده (گیرنده) مجهز به بیش از یک آنتن باشد و هر گیرنده (فرستنده) مجهز به بیش از دو آنتن باشد، مسئله به شدت NP-hard است. برای مقابله با این مشکل آنها دو الگوریتم که مسئله NP-hard اصلی را به یک سری زیرمجموعه های محدب تجزیه می کند پیشنهاد دادند. در [9] و [10]، نویسندگان مسئله طراحی precoder خطی را برای MIMO-IC تحت یک معیار عادلانه max-min در نظر گرفتند و نشان دادند که وقتی حداقل دو آنتن در هر فرستنده و گیرنده وجود دارد ، مسئله به کلاس مسئله های NP-hard تعلق می گیرد. آنها الگوریتمی که راه حل تقریبی مشکل اصلی را محاسبه می کند پیشنهاد دادند. توجه داشته باشید که در کارهای فوق ماتریس های precoder برای مواردی که تعداد علامت ها در یک جریانی که به طور پیشین شناخته شده فرض شده است طراحی شده اند.
در این مقاله، طرح precoder تداخلی را برای حالت چند ورودی چند خروجی (MIMO) در نظر گرفتیم. هدف ما طراحی ماتریس کوواریانس انتقال (تعداد علامت های انتقالی که می توانند ناشناخته باشند) تحت یک معیار عادلانه max-min برای سیستم ها با استفاده از گیرنده های خطای مربع میانگین مینیمم خطی مرسوم (LMMSE)است. ما یک الگوریتم کارآمد محاسباتی مبتنی بر تکنیک Minorization-maximization (MM) 1 را برای به دست آوردن راه حل های کیفی مسئله طراحی پیشنهاد می کنیم. راه حل های به دست آمده نقاط ثابت مسئله در شرایط معمولی است. در مقایسه با [9] و [10]، ما بیشتر یک مورد اصلی را با طراحی ماتریس های کوواریانس precoder در نظر می گیریم، که به معنی تعداد مطلوبی از علامت ها در یک جریان است همچنین به عنوان یک نتیجه جانبی به دست آمده است. ما همچنین الگوریتم خود را به موردی که در آن عدم قطعیت در ماتریس کوواریانس نویز یا در CSI وجود دارد گسترش می دهیم.
بقیه مقاله به شرح زیر است: مدل سیگنال و سیستم همراه با مسائل مربوط به طراحی کوواریانس precoder max-min در بخش دوم شرح داده شده است. روش پیشنهادی برای طراحی کوواریانس های Precoder و به ویژه ماتریس های Precoder تحت معیار عادلانه max-min در بخش سوم باز شده است. طراحی Precoder تحت کوواریانس نویز و CSI ناقص در بخش چهارم در نظر گرفته شده اند. نتایج عددی در بخش پنج ارائه شده است و، در نهایت، نتیجه گیری در بخش ششم آورده شده است.

Abstract

We address the problem of linear precoder (beamformer) design in a multiple-input multiple-output interference channel (MIMO-IC). The aim is to design the transmit covariance matrices in order to achieve max-min utility fairness for all users. The corresponding optimization problem is non-convex and NP-hard in general. We devise an efficient algorithm based on the minorization-maximization (MM) technique to obtain quality solutions to this problem. The proposed method solves a second-order cone convex program (SOCP) at each iteration and converges to a stationary point of the problem under mild conditions. We also extend our algorithm to the case where there are uncertainties in the noise covariance matrices or channel state information (CSI). Simulation results show the effectiveness of the proposed method compared with its main competitor.

1- Introduction

We consider the linear precoder design problem in a MIMO interference channel in which a set of transmitter-receiver pairs communicate over a shared (time or frequency) resource. The precoder matrices can be designed to improve the network performance from a sum rate or minimum rate (max-min fairness) point of view [1]–[16].

The problem of linear transceiver design under the max-min fairness criterion has been widely studied in the literature [1]– [10]. In [1] and [2], the power control problem under a maxmin signal-to-interference-plus-noise ratio (SINR) criterion has been studied and performance bounds for power control algorithms have been obtained. The problem of designing the transmitter precoder that maximizes the minimum rate of users in a multiple-input single-output (MISO) network is also studied in [3]–[6]. The authors of [7] maximized the worst case SINR subject to a power constraint on the design precoder matrices in a MIMO-IC and showed this problem can be solved using standard conic optimization packages. The authors of [17] considered the max-min fairness precoder design in a single-input multiple-output (SIMO) IC and showed that this problem can be solved in polynomial time. In [8], the authors recast the max-min fairness problem in MIMO-IC as the problem of finding the globally optimal transceiver that maximizes the minimum SINR among all users. They showed that when each transmitter (receiver) is equipped with more than one antenna and each receiver (transmitter) is equipped with more than two antennas, the problem is strongly NPhard. To deal with the problem they proposed two algorithms which decompose the original NP-hard problem into a series of convex subproblems. In [9] and [10], the authors considered the problem of linear precoder design for MIMO-IC under a max-min fairness criterion and showed that when there are at least two antennas at each transmitter and receiver, the problem belongs to a class of NP-hard problems. They proposed an algorithm that computes an approximate solution to the original problem. Note that in the aforementioned works, the precoder matrices are designed for the cases in which the number of symbols in a stream is assumed to be apriori known.

In this paper, we consider the precoder design for multipleinput multiple-output (MIMO) interference channels. We aim to design the transmit covariance matrices (the number of transmitted symbols can be unknown) under a max-min fairness criterion for systems using the conventional linear minimum mean square error (LMMSE) receivers. We propose a computationally efficient algorithm based on the Minorizationmaximization (MM)1 technique to obtain quality solutions to this design problem. The obtained solutions are stationary points of the problem under mild conditions. Compared with [9] and [10], we consider a more general case by designing the precoder covariance matrices, which means that the optimal number of symbols in a stream is also obtained as a byproduct. We also extend our algorithm to the case where there are uncertainties in the noise covariance matrices or in the CSI.

The rest of the paper is organized as follows. The signal and system model along with the associated max-min precoder covariance design problem are described in Section II. The proposed method for designing the precoder covariances and , in particular, the precoder matrices under the max-min fairness criterion is derived in Section III. Precoder design under noise covariance uncertainty and imperfect CSI is considered in Section IV. Numerical results are provided in Section V and, finally, conclusions are drawn in Section VI.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

1.2. انگیزه مطالعه حاضر
هدف اصلی کار ما تعریف یک پیش بینی کننده درجه (میزان)شادکامی (H-DP) است که به دست آوردن اطلاعات از مهمترین عوامل موثر بر شادکامی را مجاز می کند. به طور خاص ، این امر به منظور آزمایش بهره وری از روش یادگیری عمیق رگرسیون عمومی در پیش بینی شادکامی اندازه گیری شده ار نظر روان سنجی مقیاس افسردگی- شادکامی کوتاه روانشناختی (SDHS) را اجازه می دهد.
برای این منظور ، ما ساخت یک ساختار داده ای شهودی استخراج شده از شبکه عصبی عمیق (D- SDNN) مبتنی بر ساختار مفهومی عوامل روانشناختی – پریشانی احساسی ، شخصیت ، راهکار های مقابله با استرس و حمایت اجتماعی ادراک شده برای یادگیری نظارت شده را پیشنهاد می دهیم. اعتقاد بر این است که تکنیک فعلی یادگیری عمیق مزایای مختلفی دارد [39،40]. در میان آنها ، انتظار می رود D-SDNN که صحت پیش بینی را نسبت به مواردی که توسط MLR داده شده است ، بهبود بخشد ، و همچنین اثر – وزن را – که ابعاد مفهومی مختلف – عوامل روان شناختی – در ظهور درجه (میزان)خاصی از شادکامی و در نتیجه در H-DPدارند ،کنترل نماید.
بقیه مقاله به شرح زیر سازماندهی می شوند. ابتدا ، در بخش 2 ، شرح مختصری از مقیاس های روان سنجی مورد استفاده برای سنجش فاکتورهای روانی استفاده شده به وسیله D-SDNN مان را ارائه می دهیم. در مرحله بعد ، نمونه و رویه پیش پردازش داده ها ارائه می شود. بخش 3 به طرح مفهومی و ویژگی های اصلی D-SDNN اختصاص داده شده است. چهار D-SDNN آموزش داده شده است. بخش 4 نتایج ما را با استفاده از یک داده واقعی و در مقایسه با MLR ارائه می دهد. تأثیر ، مشارکت ، محدودیت ها و کارهای آینده در بخش 5 ارائه شده است. سرانجام ، یک نتیجه گیری کوتاه در بخش 6 آورده شده است.

2. موضوعات
2.1. نمونه : موضوع برای ملاحظه
بهزیستی (رفاه) روانشناختی و روانی فقط اخیراً با مقیاس های معتبر و پایا قابل اندازه گیری است ، اما شادکامی را می توان رضایت از زندگی ، فقدان افسردگی ، برونگرایی ثابت و غیره دانست ، بنابراین حتی اگر آنها یک ساختار یکسان را تشکیل ندهند ، ممکن است روابط محکمی بین آن ها پیدا کنند. نوشته ها نشان می دهد که بسیاری از منابع ممکن است در شادکامی تأثیر بگذارند ، شدیدترین تأثیرات مربوط به وضعیت تأهل ، ارتباط با شغل ، وضعیت شغلی ، اوقات فراغت و شایستگی های بهداشتی و مهارت های اجتماعی است [41]. بنابراین ، در این مقاله ما از یک ابزار خاص برای ارزیابی شادکامی استفاده کرده ایم و ساختهای مرتبط و متفاوت دیگری (به عنوان راهبردهای مقابله ، شخصیت ، پریشانی هیجانی و حمایت اجتماعی) را در این مدل گنجانده ایم تا بتوانیم تصویری کامل از حالات روانی و ذهنی نمونه طراحی کنیم.

2.1.1. تشریح نمونه
هدف از اين مطالعه مقطعي ، جمعيت بالغ غير نهادينه مقيم والنسيا بود. در مجموع 823 شرکت کننده نظرسنجی را تکمیل کردند که 59.8٪ از آنها زن بودند. میانگین سنی 46 سال (1/21 ±)از 18 تا 92 سال بود. با توجه به سطح تحصیلی نمونه ، 2/12 درصد آموزش رسمی دریافت نکرده اند ، 8/25 درصد آموزش ابتدایی ، 7/28 درصد آموزش متوسطه و 3/33 درصد مابقی نیز آموزش عالی را دریافت کرده بودند یا در حال حاضر در حال دریافت بودند. از نظر وضعیت زناشویی آنها ، 39٪ آنها مجرد ، 41.4٪ متاهل ، 8/8٪ جدا شده و یا طلاق گرفته بوده اند و 11.3٪ بقیه نیز بیوه بوده اند.

2.1.2. زمینه های مستثنی
نمونه آماری توسط 76 مصاحبه کننده مختلف جمع آوری شده است که نشان می دهد برخی از شرکت کنندگان با بیش از یک نفر مصاحبه شده اند. ما برای جلوگیری از نتایج نادرست این واقعیت را در نظر گرفتیم. به این معنا ، اگر پاسخ های متعدد هر یک از شرکت کنندگان تکرار شده برابر بود ، مشارکت کننده به حساب آورده می شد ، در مورد دیگر مستثنی شده بود.

2.2. توضیحات مقیاس های روان سنجی
مقیاس های روان سنجی پرسشنامه های استاندارد هستند که متغیرهای پنهان (عوامل روانشناختی) را از طریق موارد تجربی (شاخص های رفتاری) اندازه گیری می کنند. روش استفاده از مقیاس روان سنجی شامل اولین مرحله است که در آن مقیاس اعتبار سنجی شده است و مرحله دوم که پایایی آن تخمین زده می شود. به منظور استفاده، زمانی که مقیاسی در یک جمعیت خاص تأیید شد ، اعتبار آن مجدداً بررسی نمی شود. با این حال ، پایایی یک مقیاس، باید هر بار که این مقیاس در یک نمونه متفاوت استفاده شود ، بررسی شود. چندین شاخص برای برآورد همسانی درونی (یعنی پایایی) مقیاس وجود دارد. شاخصی که معمولاً به کار گرفته می شود ضریب کرونباخ است [42]. بنابراین ، ما در زیر مقیاس های مختلف روانسنجی به کار رفته در این کار را برای اندازه گیری متغیرهای پنهان ارائه خواهیم داد. ضرایب کرونباخ به دست آمده برای هر مقیاس در بخش 2.3 ارائه شده است.
شادکامی با مقیاس کوتاه افسردگی- شادکامی (SDHS) اندازه گیری شد [16]. این، یک مقیاس لیکرت 4 نقطه ای مرتب شده از 0 (“هرگز”) تا 3 (“اغلب”) با در مجموع 6 آیتم (مورد) است که 3 مورد از آنها احساسات مثبت را نشان می دهد (به عنوان مثال “احساس می کردم زندگی لذت بخش است”) در حالی که سه احساسات منفی دیگر توصیف می کنند – و از این رو به طور معکوس نمره می گیرد – (به عنوان مثال “احساس بی هوشی کردم”). نمره کل (که ممکن است بین 0- افسردگی- و 18- شادکامی- متغیر باشد) برای به دست آوردن درجه (میزان)شادکامی / افسردگی برای هر یک از شرکت کنندگان محاسبه شد و به عنوان استاندارد طلا (استاندارد پذیرفته شده) برای آموزش نظارت شده برای نتیجه D-SDNN مورد استفاده قرار گرفت.
راهکار های مقابله سازوکارهای ذهنی مختلفی برای مدیریت مطالبات و درگیری ها و تنظیم پاسخ هیجانی و استرس است. این راهکار ها شامل استفاده از منابع شخصی است و راهکار های مقابله در شرایطی که افراد به طور مکرر احساس می کنند منابع کافی ندارند یا نمی توانند به طور صحیح به این تقاضا پاسخ دهند، درگیر می شوند. راهکار های اصلی مقابله هدایتی ، شناختی و هیجانی است و می تواند بر روی مسئله یا به سمت احساسات متمرکز شود – آنچه در آن لحظه داریم- متمرکز شود. راهبردهای مقابله با استفاده از پرسشنامه Brief COPE مورد ارزیابی قرار گرفت [43]. این مقیاس لیکرت 4 نقطه ای است که از 1 (“من معمولاً این کار را نمی کنم)” تا 4 (“من معمولاً این کار را زیاد می کنم”) با 28 آیتم(موردی) که به 14 زیر مقیاس 2 آیتمی(موردی) هر یک : خود پرایشانی ، مقابله فعالانه ، انکار ، سوء مصرف مواد ، استفاده از حمایت عاطفی ، استفاده از حمایت ابزاری ، بی تفاوتی رفتاری ، بیرون ریختن ، اصلاح مجدد مثبت ، برنامه ریزی ، شوخ طبعی ، دین و سرزنش خود مجددا گروه بندی شده اند.
شخصیت با پرسشنامه شخصیت آیزنک مجددا- خلاصه شده (EPQR-A) مورد ارزیابی قرار گرفت.[44] این شامل 4 مقیاس از 6 آیتم(آیتمی) دوگانه (“بله / خیر”) است که هر روان رنجوری ، برون گرایی ، روان پریشی و صمیمیت را ارزیابی می کنند.
پریشانی هیجانی احساسی است که شخص یا موقعیتی درگیر تحمل یک رنج روان شناختی است و می تواند در درجات مختلف نه تنها شناختی یا کلامی بلکه از طریق علائم ذهنی یا جسمی – افسردگی ، اضطراب ، بی خوابی ، بی اشتهایی یا پرخوری، ناراحتی ، سرگیجه ، خستگی ، حالت تهوع ، درد ، و غیره اظهار شود. پریشانی هیجانی را می توان به عنوان وضعیت مخالف بهزیستی ، شادکامی ، رضایت شخصی ، رفاه و غیره تفسیر کرد. این فاکتور روانشناختی با استفاده از پرسشنامه سلامت عمومی 28 آیتمی (موردی) (GHQ – 28) اندازه گیری شد [45]. مقیاس لیکرت در مقیاس 5 درجه (میزان)ای از 0 (“اصلاً” نیست) تا 4 (“خیلی بیشتر از حد معمول”) است و درمجموع 28 آیتم (مورد) در 4 زیر مقیاس از 7 مورد مجددا گروه بندی شده اند: نشانه های جسمانی ، اضطراب / بی خوابی ، اختلال عملکرد اجتماعی و افسردگی شدید.
حمایت اجتماعی با مطالعه نتایج پزشکی(MOS) پرسشنامه حمایت اجتماعی (MOS-SSS) مورد بررسی قرار گرفت [46]. این شامل یک سؤال اول است که درباره تعداد دوستان و بستگان نزدیک که شخص دارد مورد می پرسد، به علاوه یک مقیاس لیکرت 5 امتیازی از 1 (“هیچ زمانی”) تا 4 (“همه زمان ها”) با مجموع 19 آیتم (مورد) در 4 زیرمقیاس حمایت عملکردی 8 ، 4 ، 4 و 3 آیتمی (موردی) در هر زیر مقیاس دسته بندی شده اند. اینها عبارتند از: تعامل هیجانی / اطلاعاتی ، کنش متقابل اجتماعی ملموس، عاطفی، مثبت.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

4. کار پیشنهاد شده
در طول چند سال گذشته تعداد بیشتری از کارهای تحقیقاتی تکنیک های داده کاوی را به اشکال مختلفی اعمال کرده اند. در کار پیشنهادی، ما آنها را در سیستم تشخیص نفوذ پذیرفته ایم. شکل 1 معماری کار پیشنهادی را نشان می دهد. انتخاب ویژگی های مهم اولین گام برای تشخیص نفوذ است. انتخاب ویژگی فرآیند انتخاب زیر مجموعه ای از ویژگی های اصلی با توجه به معیارهای خاص است و برای داده هایی با ابعاد بالاتر اهمیت دارد. اجازه دهید F مجموعه ای از ویژگی های دارای تعداد “n” باشد. زیر مجموعه ای از ویژگی های پیچیده، 2n-1 است. مجموعه ای از زیر مجموعه های ویژگی به عنوان S مشخص شده و توسط:
که در اینجا n = 41 در مجموعه داده KDD.
تعداد زیر مجموعه ها بسیار بزرگ و جامع است. کار با تمام زیر مجموعه ها و گرفتن راه حل های شمارنده فراتر از راه حل عملی است و از این رو استراتژی های مختلف باید اقتباس شوند. الگوریتم برای انتخاب ویژگی می تواند به دو دسته تقسیم شود: انتخاب ویژگی های مبتنی بر فیلتر و انتخاب ویژگی های مبتنی بر پوشش [17]. الگوریتم firefly اکتشافی که ابتدا توسط Xin-She Yang توسعه یافت [25] و در رویکرد پوشش قرار گرفته است که تاکنون در هیچ یک از کارهای موجود در NIDS مورد توجه قرار نگرفته است. ساختن ویژگی های کمتر باعث بهبود کارایی تشخیص نفوذ شبکه می شود. اگرچه هر کار بر روی IDS با مجموعه داده مبنا تمرکز داشت، وی وانگ و همکاران [ ۱۹ ] این ویژگی ها را از محیط زمان واقعی ساخته و ویژگی های را با استفاده از آنالیزKNN و اصل مولفه های اصلی طبقه بندی کردند.

.A انتخاب ویژگی مبتنی بر فیلتر
ویژگی ها بر اساس ویژگی های کلی داده های آموزشی بدون تکیه بر الگوریتم های داده کاوی ارزیابی می شوند. این زیرمجموعه را با محتوای اطلاعات خود یا با اطلاعات متقابل یا با افزایش اطلاعات ارزیابی می کند. ما این ویژگی را با بزرگترین اطلاعات متقابل (MI) انتخاب کرده ایم. اطلاعات متقابل دو متغیر تصادفی با استفاده از آنتروپی محاسبه می شود که قادر به تعیین عدم قطعیت متغیرهای تصادفی و مقادیر اطلاعات به اشتراک گذاشته شده توسط آنها می باشد [24].

.Bانتخاب ویژگی های مبتنی بر پوشش
از یک طبقه بندی کننده برای ارزیابی زیرمجموعه ای از ویژگی ها با دقت پیش بینی آن ها استفاده می کند (بر روی داده های آزمون). مقاله بررسی شده توسط Monowar و همکاران (13) در مورد بسیاری از روش های جستجو برای بهترین زیر مجموعه، که در آن یکی از روش ها انتخاب ویژگی های مبتنی بر پوشش است، مورد بحث است. در کار پیشنهادی ما، الگوریتم Firefly اطلاعات متقابل (MIFA) به عنوان یک استراتژی انتخاب ویژگی در انتخاب ویژگی پوشش با استفاده از C۴ ۵ [ ۸ ] و شبکه بیزین (۵)به عنوان یک طبقه بندی کننده انتخاب شده است. شکل 3، روش انتخاب ویژگی مبتنی بر پوشش را نشان می دهد.
به طور کلی، دو نوع الگوریتم تصادفی وجود دارد: اکتشافی و فرااکتشافی. اکتشافی به معنی “یافتن” یا “کشف توسط آزمون و خطا” و فرا اکتشافی، نسخه بهبود یافته الگوریتم اکتشافی و firefly است که در اصل توسط ژین جیانگ یانگ توسعه داده شد [ ۲۵ ]، که در آن فرض می شود fireflies با وجود خود به یکدیگر جذب می شوند. تابع هدف هر مساله بهینه سازی را می توان در وجود یک firefly ترسیم کرد.
در الگوریتم firefly دو مسئله مهم وجود دارد: تنوع روشنایی و فرمول جاذبیت. بنابراین جاذبیت بین دو firefly i و j با توجه به فاصله متفاوت است که با فاصله از منبع آن کاهش می یابد. یک عامل دیگر ضریب جذب به دلیل رسانه ای است که بر جاذبیت تاثیر می گذارد. از این رو روشنایی یک firefly در شعاع (r) از یک firefly با منبع روشنایی B بصورت زیر است: در کار پیشنهادی، تعداد ابعاد (D) 41 است که نشان دهنده تعداد کل ویژگی های مربوط به تشخیص نفوذ شبکه است. پیچیدگی انتخاب ویژگی ها 2D است، که نوعی از چند جمله ای غیر قطعی است. از این رو نیاز به انتخاب ویژگی های موثر برای کاهش پیچیدگی محاسبات و ذخیره سازی برای استقرار زمان واقعی وجود دارد. شبه کد برای انتخاب ویژگی های مبتنی بر اطلاعات متقابل و الگوریتم firefly به NIDS داده شده است در الگوریتم ارائه شده است.
در این کار برای ارزیابی انتخاب ویژگی، از C4.5 و شبکه بیزین استفاده شده است. هر firefly به عنوان یک بردار دودویی با تعداد زیادی از ویژگی های D نمایش داده می شود و توسط vi = (vi1، vi2، vi3، vid …، viD)، i = 1 … n مشخص می شود که در آن ‘n’ تعداد firefly است. هر عنصر vi به 0 یا 1 محدود می شود که نشان می دهد که آیا این ویژگی ترافیک انتخاب شده است یا نه. به عبارت دیگر، هر firefly vi به عنوان یک نقطه در فضای بردار D بعدی قرار می گیرد.
زیر مجموعه ای از ویژگی های (41 ویژگی) توسط ترکیب های مختلف از حضور 0 یا 1 در مجموعه ویژگی های نشان داده شده است.
هر firefly در یک جهت در فضای جستجو حرکت می کند تا زیرمجموعه ویژگی بهینه را بر اساس دقت مدل طبقه بندی با زیر مجموعه ای از ویژگی های انتخاب شده را پیدا کند. دقت ارزیابی کننده (مدل طبقه بندی) شامل ویژگی انتخاب شده به عنوان یک تابع هدف یا وجود firefly در نظر گرفته می شود. Firefly با استفاده از معادله دیفرانسیل،از دقت روشنی کمتری به دقت روشنایی بالاتر حرکت خواهد کرد Eq.6 و فاصله بین دو Firefly با استفاده از معادل 7 محاسبه می شود. تعدادی از ویژگی های حاصل از الگوریتم Firefly متفاوت است. برای داشتن تعدادی از ویژگی های ثابت برای اجرای موثر در الگوریتم Firefly مبتنی بر اطلاعات متقابل (MIFA)، استراتژی انطباقی در کار فعلی پیشنهاد شده است که نوآوری کار پیشنهادی در NIDS است. این کنترل فرآیند اضافه کردن یا حذف ویژگی های حاصل توسط الگوریتم Firefly است که تعداد مشخصی از ویژگی ها را ایجاد می کند. Long Zhang et.al [28] در انتخاب ویژگی ها با استفاده از الگوریتم firefly برای تعیین داده های مختلف معیار بدون اصلاح تعدادی از ویژگی های مورد نیاز انتخاب شد. در کار پیشنهادی، تعداد ویژگی های انتخاب شده در k ثابت است. اگر تعداد حاصل از ویژگی ها | vd == 1 | می گویند “m” کمتر از k است و سپس (k-m) تعداد ویژگی های باقی مانده به آن بر اساس اطلاعات متقابل (MI) از ویژگی های انتخاب نشده اضافه شده است. آن m بزرگتر از k است، MI برای ویژگی های حاصل محاسبه شده و (m-k) تعداد ویژگی های با کمترین MI حذف می شوند. این استراتژی به عنوان استراتژی سازگاری مبتنی بر اطلاعات متقابل (MIAS) معنا می یابد.
موقعیت i firefly در MIFA از قانون به روز شده در معادله (8) استفاده می کند.
در کار پیشنهادی، سه نوع مختلف استراتژی انتخاب ویژگی به شرح زیر است:
• ویژگی مجموعه بر اساس اطلاعات متقابل (S1)
• مجموعه ویژگی های به دست آمده از روش پوشش شده MIFA با C4.5 به عنوان ارزیاب (S2)
• مجموعه ویژگی های به دست آمده از روش پوشش شده MIFA با شبکه بیزی به عنوان ارزیاب (S3)
رأی مبتنی بر انتخاب ویژگی ها از این مجموعه ویژگی ها (یکی از ویژگی های این سه مجموعه انتخاب شده است که در حداقل دو مجموعه موجود است) همانطور که در معادله (9) مشاهده می شود
مجموعه ای از ویژگی های نهایی حاصل از آن به عنوان ورودی به طبقه بندی C4.5 استفاده می شود.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

پژوهش در این عرصه حل این مسئله را با تکنیک‌های مدیریت صف فعال (AQM) محلی یا جریان انتها به انتها و کنترل ازدحام برای پروتکل‌های انتقال هدف قرار می دهد.
مسئله، در حالی که تشخیص آن سخت نیست، بدون یک هزینه سربار قابل توجه به سختی حل می شود [36]. پروتکل کنترل ازدحام در نقطه انتهایی ممکن است متفاوت باشد، و AQM را پیچیده تر کند؛ این اطلاعات اغلب برای روترها هم در دسترس نیستند، به همین دلیل روترها هم ممکن است قادر به پیش بینی دور انداختن بسته‌ها در شرایط ازدحام نباشند، و همین الگوریتم‌ها را به شدت پیچیده تر میکند و نسبت به تنظیم پارامترها حساس تر میکند.
AQM یک ایده تازه نیست: تکنیک‌های بیشماری پیشنهاد شدند، مانند دور انداختن زود هنگام تصادفی (RED)، و ما به خواننده پیشنهاد می کنیم که برای کسب اطلاعات بیشتر در مورد این موضوع به [36][37] مراجعه کند. با توجه به این پروپوزال‌های بسیار، آن‌ها با پذیرش محدودی مواجه شده اند، که تا حدی با توجه به مسائل ذکر گفته شده بالا در تنظیم پارامترها و هزینه محاسباتی الگوریتم‌ها بوده است [35]. اخیرا، روش‌های جدید و آسان تری برای تنظیم و استقرار الگوهای AQM، مانند مدیریت تاخیر کنترل شده (CoDel)، در محصولات تجاری متعدد پذیرفته شده است. CoDel یک الگوریتم AQM است که تاخیر بافرینگ را با مانیتورینگ تاخیر صف D در یک بازه ( معمولا 100ms) و گم شدن بسته‌ها در زمانی که حداقل مقدار D بزرگتر از 5ms ثانیه است، محدود می کند. با این وجود همانطور که در بخش D قسمت 3 بحث می کنیم، مشابه Bufferbloat به دامنه‌های بی سیم مربوط است.

.Bمسئله Incast
مراکز داده نواحی محدودی هستند که شامل سرورها و سیسم‌های نظارت کننده فعالیت‌های سرور، ترافیک و عملکرد وب هستند. تبادل داده بین سرورها معمولا بر اساس APIهای مبتنی بر پروتکل انتقال ابرمتن (HTTP) است، که از TCP به عنوان پر کاربردترین پروتکل انتقال در مراکز داده استفاده می شود. برخی از فعالیت ها، مانند مهاجرت‌های ماشین مجازی، نیز حجم بالایی از ترافیک را بین سرورها ایجاد میکند. بنابراین، لینک‌ها در مراکز داده معمولا پهنای باند بالا و تاخیر کمی دارند، در عین حال که سوئیچ‌ها بافرهای کوچکی دارند، برخلاف آنچه که در لینک‌های دسترسی، که در بخش قبل گفته شد، رخ می دهد.
فریم ورک‌های رایانش ابری به صورت گسترده در مراکز داده بزرگ قرار دادند و بارهای ترافیک بسیار بالایی را تولید می کند. برای مثال، MapReduce (که از الگوی طراحی تجمعی/بخش بندی استفاده می کند) [40] یا PageRank (استفاده شده برای جستجوی وب) [41] اغلب شامل الگوهای ترافیک چند به یک هستند، که در آن‌ها کارگران متعدد داده‌هایی را همزمان به یک گره تجمعی واحد ارسال میکنند، که در شکل 1 نشان داده شده است. در این سناریوی چند به یک، اگر همه جریان‌های incast متعدد از یک سوئیچ عبور کنند، بافر آن ممکن است کافی نباشد، و به ازدحام منجر شود. مکانیزم بازیابی بسته‌های گم شده TCP کمتر به درد می خورد، و با تایم اوت‌های متعدد مواجه می شود و باعث تنزل توان عملیاتی و تاخیرهای طولانی می شود [42].
تلاش‌های بسیاری برای تحلیل و حل این مسئله، که مسئله Incast گفته می شود، و عملکرد شبکه و تجربه کاربر را تضعیف می کند، صورت گرفته است [43]. تحلیل تخمین دقیق توان عملیاتی را می توانید در [42] و [44] ببینید. راه حل‌ها ممکن است به چهار گروه ذکر شده در [42] دسته بندی شوند: (1) تنظیم پارامترهای سیستم، مانند غیرفعال کردن شروع آهسته برای اجتناب از انباشتگی و سرریز ناگهانی بافر که باعث تایم اوت انتقال‌های مجدد می شود؛ (2) ارتقای طراحی الگوریتم سمت کاربر و داخلی شبکه، برای کاهش هدر رفت پهنای باند، حداقل سازی تایم اوت‌های انتقال مجدد و کاهش تعداد بسته‌های گم شده، و بهبود بازیابی سریع بسته‌های گم شده [39]؛ جایگزینی الگوریتم‌های کنترل ازدحام مبتنی بر گم شدن بسته با پیاده سازی‌های بهتر که اندازه پنجره ازدحام را برطبق تاخیر اندازه گرفته شده از RTTها تنظیم می کنند؛ مانندVegas؛ و (4) طراحی الگوریتم‌های کاملا جدید برای این محیط خاص، مانند Data Center TCP (DCTCP) [45]، که از اعلان ازدحام صریح (ECN) برای ارائه متدهای کنترلی مبتنی بر پنجره، یا IATCP [46]، یک رویکرد مبتنی بر نرخ استفاده می کند که مجموع تعداد بسته‌های تزریق شده برای برآورده کردن محصول تاخیر پهنای باند (BDP) شبکه را محاسبه می کند [42].

.Cتاخیر و بلاکینگ Head of Line
HoL پدیده ای است که زمانی رخ میدهد که دو جریان داده مستقل یا بیشتر یک ارتباط TCP را به اشتراک گذارند، برای مثال با ترافیک وب بر روی TCP؛ چرا که این پروتکل انتقال داده ای که دریافت میکند را به عنوان یک جریان مستمر واحد از بایت‌ها تفسیر می کند، و نیازمند تحویل ترتیبی است، با گم شدن یا تاخیر یک بسته برای هر جریانی، باعث تاخیر قابل توجه می شود. HoL در هر پروتکلی که نیازمند تحویل ترتیبی است یک مسله شناخته شده است، و راه حل‌های آشکار آن بازکردن یک ارتباط برای هر جریان داده ای است که از سربار قابل توجه در راه اندازی ارتباطی و بازیابی خطا رنج می برد. علاوه بر این، با این گزینه، کنترل ازدحام کمتر پایدار است، چرا که هر ارتباط به صورت مستقلی اجرا می شود.
ترافیک وب یک مثال از مسئله HoL است: معمولا، صفحات وب شامل اشیای متعددی هستند، مانند متن، تصویر، رسانه و اسکریپت‌های ثالث؛ زمانی که یک کلاینت یک صفحه را از سرور درخواست می کند، هریک از این اشیا با یک درخواست HTTP GET واحد دانلود می شوند، اما نیازی نیست که در همان لحظه نمایش داده شوند. HTTP/1.1 مالتی پلکسینگ را اجازه نمیدهد، لذا کلاینت مجبور است که برای هر شی یک ارتباط TCP باز کند، که مسائل گفته شده در بالا پیش می آید. نسخه 2 پروتکل، که در سال 2015 تحت عنوان RFC 7540 معرفی شد، قرار بود که این مسئله را با استفاده از یک ارتباط TCP واحد برای مدیریت همه درخواست ها، با کاهش زمان بارگذاری صفحه حل کند. به هر حال، این مزیت با HoL در شبکه‌هایی که بسته‌ها گم می شدند لغو شد: با توجه به اینکه همه بسته‌ها برای جریان‌های HTTP 2.0 متعدد در طول زمان بر یک ارتباط TCP مالتی پلکس می شوند، که نیازمند تحویل ترتیبی است، سپس گم شدن یک بسته باعث توقف همه جریان‌ها می شود، نه فقط جریان مربوط به بسته، که در شکل 2 نیز نشان داده شده است. برای مثال، سنجش‌هایی در شبکه‌های سلولی نشان میدهد که HTTP/2 مزیت عملکردی قابل توجهی نسبت به HTTP/1.1 ندارد [19].
در اصل، تحویل ترتیبی برای قابلیت اعتماد ضروری نیست، اما پروتکل‌های انتقال مانند TCP نیازمند هردوی آن‌ها هستند، اگر چه پروپوزالی برای بسط TCP برای اجازه دادن انتقال بدون ترتیب برای سرویس‌های چند رسانه ای برای اجتناب از مسئله HoL وجود دارد، این به صورت گسترده پذیرفته نشده است. شکل 2 نشان می دهد که پروتکل‌ها از جریان‌های داده متعدد مانند SCTP یا QUIC حمایت می کنند، که در بخش 3 تشریح شده است، و می توان بر مسئله HoL به دلیل اینکه هیچ خط واحدی برای مسدود سازی وجود ندارد غلبه کند: هر جریان، بافر خود را دارد و تحویل ترتیبی در هر جریان تضمین می شود [58].
سناریوهای چند مسیره مورد دیگری است که در آن TCP به شدت از مسئله HoL رنج می برد؛ که این مسئله را به صورت دقیق در بخش 5 تشریح می کند.

.Dعملکرد در کانال‌های بی سیم
عملکرد TCP در کانال‌های بیسیم از زمان معرفی سرویس‌های بی سیم تجاری در دهه 1990 بررسی شده است [59]. الگوهای کنترل ازدحام سنتی معمولا به گم شدن بسته ها، که فرض میکنند ناشی از ازدحام است، با کاهش نرخ ارسال واکنش نشان می دهند. در لینک‌های بی سیم، بسته‌ها ممکن است به دلیل کاهش کیفیت کانال گم شوند. بنابراین، انتزاع ارتباطات کلی ضعیف است، و عملکرد انتها به انتها تضعیف میشود. راه حل‌های متداول شامل ارائه مکانیزم‌های انتقال مجدد و حفاظت در لینک‌های بی سیم [60] (حتی با افزایش نوسانات تاخیر)، و پروکسی‌های ارتقای عملکرد درون شبکه است. چندین تکنیک در طول سال‌ها برای تکنولوژی‌های متفاوت پیشنهاد شده است مانند LTE [62]، و WiFi [63]. خوانندگان را به برای بحث‌های گسترده در مورد عملکرد TCP در لینک‌های بی سیم به [63][64] ارجاع می دهیم.
اخیرا، پذیرش فرکانس های mmWave برای نسل بعد شبکه‌های سلولی علاقه ای نسبت به عملکرد TCP در لینک‌های بی سیم بوجود آورده است. به خصوص، در این رسانه بی سیم نوسانات کانال بسیار بیشتر از فرکانس‌های زیر 6GHz است، که با توجه به حساسیت نسبت به مسدود سازی موارد معمولی، و جهت گیری ارتباطات است. این محدودیت‌ها بر طرح لایه‌های پایینی پشته پروتکل تاثیری ندارد، اما بر عملکرد لایه انتقال، که در [66][67] بحث شده است تاثیر می گذارد. حلقه کنترل TCP براستی برای واکنش مناسب به پویایی کیفیت کانال خیلی آهسته است و نرخ داده ای را ارائه میدهد که بر لینک‌های mmWave تاثیر می گذارد. برای مثال، حتی اگر Bufferbloat در شبکه‌های سلول زیر 6GHz ارائه شوند، این جدید در mmWaves مخرب تر است، جایی که بافرهای بزرگ برای حفاظت از تغییرات زمانی و ناگهانی ظرفیت لینک نیاز است، با توجه به انتقال خط دید (LOS) به غیرخط دید (NLOS). علاوه بر این، این نشان میدهد که TCP استفاده زیربهینه ای از نرخ داده mmWave بسیار بالا دارد، چرا که زمان زیادی می برد که بعد از گم شدن بسته یا در آغاز ارتباط به ظرفیت کامل دست یابد. از آنجایی که این مسئله در منطق کنترل ازدحام ذاتی است، هر پروتکلی که کنترل ازدحام را اجرا می کند نیازمند کار کارآمدی در یک سناریوی بی سیم است.

3. پروتکل‌های انتقال اخیر
در این بخش، بر تشریح سه پروتکل انتقال به تازگی پیشنهاد شده تمرکز میکنیم: QUIC, SCTP and DCCP. به طور خاص، ویژگی‌های اصلی هر پروتکل را تشریح میکنیم، و با توجه به TCP نوآوری‌های آن را مطرح می کنیم. جدول 1 مشخصه‌های اصلی این پروتکل‌ها را، همراه با اسناد IEFT مرتبط و برخی از جزییات اجرایی آن‌ها خلاصه میکند. بحث بر مکانیزم‌های کنترل ازدحام می تواند توسط این پروتکل‌ها استفاده شود و بسط‌های چند مسیره اخیر در زیر بخش بعدی ارائه شده است.
جدول 1: خلاصه ای از ویژگی‌های اصلی پروتکل‌های انتقال اخیر که در این مقاله بررسی شده اند (SCTP, QUIC and DCCP). ما همچنین یک بررسی بر پروتکل‌های TCP و UDP قبلی به عنوان مقایسه آورده ایم.

A . یک ارتباط اینترنتی UDP سریع (QUIC)
QUIC یک مکانیزم انتقال لایه کاربرد یا اپلیکیشن است [69] که توسط گوگل در سال 2013 معرفی شده و در حال حاضر برای استانداردسازی توسط IEFT در نظر گرفته شده است. QUIC در کرنل اجرا نمی شود، اما به عنوان یک کتابخانه فضای کاربر یا در خود اپلیکیشن اجرا می شود، و بر UDP به عنوان پروتکل انتقال اصلی تکیه می کند. انگیزه‌های اصلی مربوط به معرفی QUIC در [70] بحث شده است. در حالی که گزینه‌های متعددی برای TCP در لایه انتقال پیشنهاد شده اند، پذیرش آن‌ها خیلی گسترده نیست، با توجه به موارد استخراج شده ناشی شده از جعبه‌های میانی در شبکه ای که بسته‌ها از پروتکل‌های مجهول را دور می اندازد، برای مثال پروتکل‌هایی که از TCP و یا UDP متفاوت هستند. QUIC بسته‌های خود را در دیتاگرام‌های UDP کپسوله میکند، بنابراین از بیشتر ناسازگاری‌ها با جعبه‌های میانی اجتناب میکند. دوم، همانطور که در بخش 1 گفتیم، TCP در کرنل اجرا می شود، و هر تغییر یا الگوریتم کنترل ازدحام جدید نیازمند یک به روز رسانی سیستم عامل است، که همیشه امکان پذیر نیست. سرانجام، از نظر طراحی پروتکل، QUIC حل مسئله HoL TCP را که در بخش II-C تشریح شد را هدف قرار میدهد، و تاخیر دست تکان دادن در آغاز ارتباط را کاهش می دهد.

QUIC از (1) برخی از ویژگی‌های TCP، شامل مکانیزم تایید، کنترل ازدحام، و بازیابی بسته‌های گم شده، (2) مذاکرات کلیدی TLS 1.3 که نیازمند ارتباطات رمز شده است، و (3) ویژگی‌هایی HTTP/2، مانند چند جریانی تشکیل شده است [58]. شکل 3 تفاوت‌هایی را در پشته پروتکلی برای یک ترکیب HTTP/2 و TCP و HTTP/2 و QUIC نشان می دهد. ترکیب این عناصر به QUIC اجازه میدهد که چند عرصه کلیدی را بهینه سازی کند. برای مثال، یکپارچه سازی دست تکان دادن‌های مربوط به انتقال و رمزنگاری در همان پیام کاهش زمان را برای دست تکان دادن اولیه ممکن میسازد. علاوه بر این، رمزگذاری هدر بسته بررسی و ردیابی هدر بسته را برای جعبه‌های میانی مشکل می کند. علاوه بر این، این بازیابی بسته‌های گم شده TCP را با تمایز قائل شدن در ACKها بین بسته‌های گم شده و خارج از ترتیب بهبود می بخشد. یک ارتباط واحد از چند جریان مستقل تشکیل شده است ( که می تواند به جریان‌های HTTP/2 نگاشت یابد) لذا گم شدن یک بسته از یک جریان واحد دیگر را مسدود نمیکند، که مسئله HoL را به صورت موثری کاهش میدهد. سرانجام، شناسه‌های اضافی برای برچسب گذاری یک ارتباط معرفی شدند، که می توانند حتی در مورد تغییرات در آدرس پروتکل اینترنت (IP) حفظ شوند.
1) ایجاد ارتباط: ایجاد ارتباط یکی از نوآوری‌های اصلی معرفی شده در QUIC است، به خصوص با گزینه 0-RTT. TCP حداقل به یک RTT برای دست تکان دادن در زمان استفاده از TLS 1.3، یک یا دو RTT اضافی برای دست تکان دادن رمزنگاری در زمان استفاده از نسخه 1.2 قبلی تر احتیاج دارد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. رویکرد پژوهشی
برای توسعه SIA، ما از یک روش پژوهش علمی طراحی شده استفاده کردیم [20، 21] که در آن تحقیق از طریق چرخه طراحی انجام می شود. یک چرخه طراحی شامل سه مرحله است: بررسی مشکل، طراحی مصنوعی و اعتبارسنجی مصنوعی [20]. در زیر ما این مراحل را در جزئیات توضیح می دهیم.
مرحله تحقیق مسئله : در اینجا، هدف ما تحقیق و مسئله (بازنگری) قبل از هر گونه طراحی مصنوعی، و یا هر پیشرفت اجرا شده است (20). در کار قبلی [30]، ما بررسی کردیم که چگونه می توان از اندازه گیری های مرکزی برای مشخص کردن نفوذ ذینفعان در اکوسیستم OSS استفاده کرد و چگونه در طول زمان تکامل یافته اند. یافته ها به ایجاد درک مشکل کمک کردند.
به منظور شناخت بیشتر زمینه مشکل، یک بررسی ادبی برای شناسایی کارهای مربوط به آن انجام شد:
– فرآیندهای RE رسمی و غیرمستقیم در اکوسیستم OSS (به عنوان مثال [2، 6، 7، 9، 12])،
– چگونگی آگاهی از پویایی در تعاملات و ارتباطات ذینفعان ممکن است برای تجزیه و تحلیل برنامه های آنها بکار گرفته شود (به عنوان مثال [1، 10، 14، 15، 18، 34، 35]) و
– چگونه ساختار شبکه های اجتماعی می تواند برای تعریف تعاملات ذینفعان و تاثیر در روند RE از اکوسیستم OSS (به عنوان مثال، [15، 22-26، 28، 29، 36، 37]) استفاده شود.
ادبیات ارائه شده پایه های مفهومی را ارائه می دهد که همراه با یافته های کار قبلی [30] پایگاه دانش و اطلاعاتی برای فرایند طراحی مصنوعی را تشکیل می دهد.
فاز طراحی مصنوعی: در اینجا، دانش حاصل از فاز قبلی به عنوان ورودی برای طراحی یک مصنوع با فرضیه ای که می تواند به عنوان یک درمان برای مشکل طراحی عمل کند، استفاده می شود [20]. تجزیه و تحلیل نفوذ سهامداران SIA) ) روش رسمی و ساختار به عنوان هفت مرحله، که در فصل 3 ارائه شده است. (S1-S7) و در شکل 1 (S1-S2 ، شامل تنظیم هدف و دامنه آنالیز است. S3 مربوط به جمع آوری داده ها است، در حالی که S4-S6 مربوط به پردازش داده ها است. در نهایت، S7 تجزیه و تحلیل داده پردازش شده را در نظر می گیرد.
فاز اعتبار سنجی مصنوعی: در اینجا، مصنوعات طراحی شده قبلا در زمینه مسئله مورد آزمایش قرار گرفته اند تا رفتار آن ها در مورد مسئله طراحی را ارزیابی کنند [20]. برای آزمایش SIA، ما آن را در یک اثبات مفهوم نشان می دهیم که از طریق مطالعه موردی در اکوسیستم Apache Hadoop OSS کاربردی و عملی است (فصل 4 را ببینید). این را می توان به عنوان یک فرم اولیه از اعتبار توصیفی مشاهده کرد که در آن اطلاعات از پایگاه دانش و سناریوهای دقیق می تواند مورد استفاده قرار گیرد.

3. روش تجزیه و تحلیل نفوذ سهامداران ((SIA)
SIA تلاش می کند تا به شرکت های درگیر در اکوسیستم OSS برای ساختن فرآیند شناسایی و تجزیه و تحلیل ذینفعان خود به طور سیستماتیک در هنگام برطرف نمودن روند داخلی RE خود با اکوسیستم کمک کند (نگاه کنید به شکل 1). تمرکز به طور خاص در شناسایی و مشخص کردن تعاملات ذینفعان و تأثیر در روند RE در اکوسیستم OSS است. همانطور که توسط Glinz و Wieringa [4] پیشنهاد می شود، SIA ،افراد و سازمان ها را به عنوان ذینفعان در نظر می گیرد اما عمدتا از سطح سازمانی است، به این معنی که افراد در اکوسیستم OSS باید تا حد امکان به وابستگی سازمانی خود متصل شوند. در زیر، ما یک مروری دقیق از SIA و هفت گام آن را ، همانطور که در شکل 1 و جدول 1 آمده است ارائه می دهیم.
هدف از فرایند تجزیه و تحلیل (S1) ) را تعیین کنید: اولین قدم این است که تعیین کنید کدام سوالات برای پاسخ دادن بر اساس تجزیه و تحلیل سهامداران، به عنوان مثال، برای شناسایی مشارکت بالقوه یا رقبا، برای شناسایی و یادگیری از ذینفعان در یک موقعیت خاص، یا برای شناسایی برنامه های متضاد در رابطه با شرایط خاص پاسخ داده میشوند.
محدود کردن دامنه تجزیه و تحلیل بر اساس هدف ( (S2): بر اساس هدف فرایند تجزیه و تحلیل، ممکن است محدودیت های که می تواند بر چگونگی تجزیه و تحلیل تاثیر بگذارد از لحاظ مصالح مورد نیاز در تجزیه و تحلیل داخل شوند، به عنوان مثال ، تجزیه و تحلیل محدود به:
– مولفه خاص یا مجموعه ای از ویژگی های OSS خواهد بود ؟
– یک فرد خاص یا مجموعه ای از ذینفعان خواهد بود؟
– یک دوره زمان مشخص یا مجموعه ای از رهاسازی ها خواهد بود؟
مخازن مصنوعی مورد نیاز (S3): در مرحله سوم، هدف این است که مخازن هایی را که عمدتا توسط اکوسیستم OSS استفاده می شود شناسایی و حذف کنند. نمونه هایی از جمله ردیاب موضوع، لیست های پستی، سیاهه های مربوط به IRC، مخازن کد منبع و بررسی کد [6، 7] وجود دارند. هنگامی که این موارد شناسایی می شوند، مخازن باید برای جمع آوری اطلاعات لازم استخراج شوند. این می تواند یا به صورت دستی یا با کمک ابزارهای موجود یا سفارشی انجام شود.
طبقه بندی افراد در هر وابستگی آنها (S4): در مرحله چهارم، افرادی که در اکوسیستم OSS شرکت دارند، باید در رابطه با وابستگی آنها طبقه بندی شوند. این یک گام ضروری است به این دلیل که افراد وابسته به شرکت ممکن است نماینده دستور کار حامی مالی یا کارفرمای خود باشند [38، 39]. با این حال، همه افراد درگیر نیستند.

اگر هیچ وابستگی پیدا نگردد یا وجود نداشته باشد، افراد میتوانند به عنوان ذینفعان فردی یا به عنوان یک گروه جمع آوری شوند. به عنوان مثال، می گویند، جان، مارک، لوسی، کیت، و مری در توسعه اکوسیستم Apache Hadoop OSS شرکت دارند. جان و کیت برای یک شرکت به نام Hortonworks کار می کنند و بنابراین یک دستور کار مشترک دارند. بنابراین، آنها به عنوان یک شرکت ذینفع که توسط شرکت Hortonworks نمایندگی می شوند، جمع می شوند. مارک، لوسی و مری همه مستقل و با تفاوت هستند و لوسی یک کاربر نسبتا فعال در اکوسیستم است، در حالی که مارک و مری بیشتر درگیر یک سرگرمی هستند. بنابراین، لوسی میتواند به عنوان یک سهامدار مستقل دیده شود، در حالی که مارک و ماری میتوانند به یک گروه از علاقمندان تبدیل شوند و به عنوان یک شرکت ذینفع در نظر گرفته شوند. این نوع طبقه بندی و جداسازی نسبتا ذهنی است و باید بر اساس یک مورد در هر اکوسیستم انجام شود.
ایجاد شبکه های تعامل ذینفعان (S5): در مرحله بعد، باید یک شبکه تعامل برای هر مخزن مصنوعی مورد نیاز برای ایجاد تجسم تعاملات بین سهامداران ایجاد شود. برای ایجاد این شبکه ها، تعامل بین ذینفعان به مصنوعات مورد نیاز در یک مخزن مصنوعی مورد نیاز باید شناسایی شود. به عنوان مثال، تعدادی از افراد (ذینفعان) را که در مورد نیاز ها ، ملزومات و همچنین پیاده سازی بالقوه یک ویژگی جدید در پروژه OSS بحث می کنند، در نظر بگیرید. درخواست ویژگی توسط یک مسئله (الزامات مصنوعی) در OSS ردیاب موضوع اکوسیستم (مخزن مصنوعی مورد نیاز) نشان داده شده است. بحث (تعاملات) بین افراد در مورد تکامل و بهبود ویژگی ها در این موضوع ثبت شده و ادامه دارد. این بحث مداوم ممکن است به عنوان “رویداد” در نظریه شبکه اجتماعی اشاره شود [22]. افرادی که در بحث ها شرکت می کنند می توانند به عنوان “شرکت کنندگان” یک رویداد اشاره شوند [22].
به طور مشابه، مجموعه ای از الزامات را می توان با جمع آوری مصنوعات مورد نیاز در مخزن به یک شبکه تجزیه و تحلیل کرد. با بازگشت به مثال، یک شبکه می تواند ایجاد شود که شامل تمام مسائل مربوط به ردیاب موضوع است که مربوط به انتشار خاصی است که در یک زمان خاص ایجاد شده یا متعلق به یک زیرمجموعه مشابه باشند. یک شبکه مربوطه می تواند بر اساس لیست پستی ایجاد شده با توجه به شرایط مشابه بررسی شود.
با ایجاد شبکه های متناظر از همه مخازن مصنوعی مورد نیاز، تحلیلگر ممکن است یک نمای کلی از آنچه ذینفعان درگیر هستند و نحوه تعامل آنها را بدست آورد. لازم به ذکر است که مشارکت ذینفعان در این رویداد (به عنوان مثال، بحثهای مربوط به RE مربوط به یک موضوع) ممکن است نسبتا به سایر سهامداران متفاوت باشد. سرمایه گذار با سطح بالایی از مشارکت ممکن است در نظر گرفته شود که سرمایه گذاری و منافع بیشتری در این رویداد داشته باشد. این تفاوت ها در سرمایه گذاری زمان و منابع باید در نظر گرفته شود تا دیدگاه مناسبی از سهم ذینفعان در یک مورد داشته باشد. اندازه نسبی این سرمایه گذاری همچنین به ارائه یک مجموعه داده عادلانه تر در هنگام انجام تجزیه و تحلیل نفوذ از شبکه های تعامل کمک می کند. همانطور که توسط Orucevic-Alagic و همکاران پیشنهاد شده است. [25]، وزنها را می توان محاسبه کرد تا اندازه نسبی مشارکت را به یک رویداد توصیف کند.

افزایش یادگیری عمیق در کشف دارو

The rise of deep learning in drug discovery

Over the past decade, deep learning has achieved remarkable success in various artificial intelligence research areas. Evolved from the previous research on artificial neural networks, this technology has shown superior performance to other machine learning algorithms in areas such as image and voice recognition, natural language processing, among others. The first wave of applications of deep learning in pharmaceutical research has emerged in recent years, and its utility has gone beyond bioactivity predictions and has shown promise in addressing diverse problems in drug discovery. Examples will be discussed covering bioactivity prediction, de novo molecular design, synthesis prediction and biological image analysis.

1 Introduction

Digital data, in all shapes and sizes, is growing exponentially. According to the National Security Agency of the USA, the Internet is processing 1826 petabytes of data per day [1]. In 2011, digital information grew nine times in volume in just five years [2]; and by 2020 its amount in the world is expected to reach 35 trillion gigabytes [3]. The high demand of exploring and analyzing big data has encouraged the use of data-hungry machine learning algorithms like deep learning (DL). DL has gained huge success in a wide range of applications such as computer games, speech recognition, computer vision, natural language processing, selfdriving cars, among others [4]. It is fair to say that DL is changing our everyday life. In the Gartner-selected top ten technology trends of 2018, DL-represented AI technologies were ranked at the top position [5]. Over the past decade, there has been a remarkable increase in the amount of available compound activity and biomedical data [6,7] owing to the emergence of new experimental techniques such as HTS, parallel synthesis, among others [7,8]. How to efficiently mine the large-scale chemistry data becomes a crucial problem for drug discovery. Larger data volumes in combination with increased automation technology have promoted further use of machine learning. Besides established methods like support vector machines (SVM) [9], neural networks (NN) [10] and random forest (RF) [11], which have been utilized to develop QSAR models for a long time, methods like matrix factorization [12] and DL have started to be used. DL has taken advantage of the increased amounts of data and the continuous increase of available computer power. A difference between most other machine learning methods and DL is the flexibility of the NN architecture in DL. Architectures that will be discussed in this review are convolutional neural networks (CNNs), recurrent neural networks (RNNs) and fully connected feed-forward networks. Single-layer NNs have been used in QSAR modeling for a long time [10]; and with increasing data size and computational power have made it natural to apply multilayer feed-forward networks for bioactivity predictions. A somewhat surprising development has been the use of RNNs in de novo design which could not be foreseen a few years ago. With the adoption of high-throughput imaging equipment, CNNs have gained remarkable success in computer vision and have become a natural choice for biological image processing. The field of applying DL in drug discovery is rapidly progressing with new articles published almost every week. Recently, several reviews on DL applications in computational chemistry and life sciences have been published [13–18]. Here, we focus more on DL applications in drug discovery particularly in the chemoinformatics and biological image analysis domains and highlight DL architectures used so far within drug discovery.