مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374523220251018Performance Evaluation of Apache and Nginx Web Servers on Docker, Podman, and LXC Containersبررسی و ارزیابی عملکرد وبسرورهای Apache و Nginx بر بستر کانتینرهای داکر، پادمن و LXC7998faعلیفرهادیاندانشکده مهندسی کامپیوتر، دانشگاه مازندران، بابلسر، مازندران، ایران.مصطفیبستامدانشکده مهندسی کامپیوتر، دانشگاه مازندران، بابلسر، مازندران، ایران.احسانعطائیدانشکده مهندسی کامپیوتر، دانشگاه مازندران، بابلسر، مازندران، ایران.مهدیباباگلیدانشکده مهندسی کامپیوتر، دانشگاه مازندران، بابلسر، مازندران، ایران.202513<p style="direction: ltr;">The expansion of cloud services has highlighted the necessity of virtualization methods for optimal use of hardware resources. While virtual machines were traditionally the main solution for virtualization, the emergence of containers has enabled the elimination of additional operating systems and reduced resource overhead. Technologies such as Docker, Podman, and LXC have gained widespread adoption in this domain. Concurrently, web servers like Nginx and Apache have been optimized for compatibility with these technologies. This paper evaluates the performance of these two web servers across different container platforms under various resource and concurrency conditions. The experiments indicate that the choice of container depends significantly on the web server type and the available resources. In resource-constrained environments, LXC shows better performance for Apache. Conversely, under higher resource availability, Docker yields superior results for running Nginx. The findings of this research can guide better decision-making when selecting the optimal combination of container technology and web server based on infrastructural requirements.</p><p>گسترش خدمات ابری، ضرورت بهره‌گیری از روش‌های مجازی‌سازی به‌منظور استفاده بهینه از منابع سخت‌افزاری را افزایش داده است. در گذشته، ماشین‌های مجازی گزینه اصلی برای مجازی‌سازی بودند، اما با ظهور کانتینرها، امکان حذف سیستم‌عامل اضافه و کاهش سربار منابع فراهم شد. فناوری‌هایی مانند داکر، پادمن و LXC در این حوزه کاربرد گسترده‌ای پیدا کرده‌اند. در همین راستا، وب‌سرورهای Nginx و Apache نیز برای سازگاری با این فناوری‌ها بهینه‌سازی شده‌اند. در این مقاله، عملکرد این دو وب‌سرور بر بستر کانتینرهای مختلف و تحت شرایط گوناگون منابع و همروندی بررسی شده است. آزمایش‌ها نشان می‌دهند که انتخاب نوع کانتینر به نوع وب‌سرور و میزان منابع بستگی دارد. در محیط‌های با منابع محدود، استفاده از LXC برای Apache نتایج بهتری داشته است. در مقابل، در شرایط با منابع بیشتر، داکر برای اجرای Nginx عملکرد مطلوب‌تری ارائه کرده است. یافته‌های این پژوهش می‌تواند به تصمیم‌گیری بهتر در انتخاب ترکیب مناسب کانتینر و وب‌سرور بر اساس نیازهای زیرساختی کمک کند.</p>http://ijece.org/ar/Article/Download/49036مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374523220251018Automation of Software Test Data Generation Based on Path Coverage Criteria and Using Coati Optimization Algorithm and Q Learningبهبود فرایند تولید خودکار داده آزمون نرمافزار مبتنی بر معیار پوشش مسیر و با استفاده از ترکیب الگوریتم بهینه سازی کواتی و الگوریتم یادگیری Q99110faمرضیهسپهوندگروه کامپیوتر، واحد خرمآباد، دانشگاه آزاد اسلامی، خرمآباد، ايران مجتبی صالحیگروه کامپیوتر، واحد خرمآباد، دانشگاه آزاد اسلامی، خرمآباد، ايران2024422<p>The software testing process is very time-consuming and expensive and accounts for almost half of the cost of software production. The main issue in the test data generation process is determining the program's input data in such a way that it meets the specified test criteria. In this research, the structural method has been used to automate the process of generating test data, focusing on the criterion of covering all finite paths. In the structural method, the problem becomes a search problem, and metaheuristic algorithms can be used to solve it. The proposed method is a hybrid algorithm in which the q-learning algorithm is used as a local search method within the structure of the Coati search algorithm. The results of the tests have shown that this method for generating test data is faster than many metaheuristic algorithms and can provide better coverage with fewer evaluations. On average, our proposed algorithm shows about 25-30% improvement in coverage compared to other algorithms, which makes it significantly more effective than other algorithms. This shows that our algorithm achieves superiority over other compared algorithms due to its more efficient and optimal path coverage approach.</p><p>آزمون نرم‌افزار یکی از مهم‌ترین روش‌های تحلیل میزان اطمینان کیفیت نرم‌افزار است. این فرایند بسیار زمان‌بر و پرهزینه است و تقریباً نیمی از هزینه تولید نرم‌افزار را به خود اختصاص داده است. از این رو به دنبال استفاده از روش‌های خودکار به منظور کاستن هزینه و زمان آزمون هستیم. مسأله عمده در فرایند تولید داده آزمون، تعیین داده‌های ورودی برنامه، به گونه‌ای است که معیار آزمون مشخص‌شده را برآورده سازد. در این تحقیق از روش ساختاری به منظور فرایند خودکارسازی تولید داده آزمون با تمرکز بر معیار پوشش همه مسیرهای متناهی استفاده شده است. در روش ساختاری، مسأله به یک مسأله جستجو تبدیل شده و از الگوریتم‌های فرامکاشفه‌ای برای حل آن استفاده می‌شود. روش پیشنهادی یک الگوریتم ترکیبی است که در آن الگوریتم یادگیری q به‌عنوان یک روش جستجوی محلی در درون ساختار الگوریتم جستجوی کواتی مورد استفاده قرار می‏گیرد. به طور متوسط، الگوریتم پیشنهادی ما در مقایسه با سایر الگوریتم‌ها حدود 25 تا 30 درصد بهبود را در پوشش نشان می‌دهد که آن را به طور قابل توجهی نسبت به دیگر الگوریتم ها مؤثرتر می‌کند. نتایج آزمایش‌ها نشان می‌دهد که الگوریتم پیشنهادی به‌دلیل رویکرد بهینه در جست‌وجوی مسیرهای آزمون، در مقایسه با سایر الگوریتم‌ها، پوشش مسیر بالاتری حاصل کرده است.</p>http://ijece.org/ar/Article/Download/46471مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374523220251018Safe Offloading Based on Federated Learning in the Fog Computing Environment Using Software-Defined Networksتخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرمافزار محور111120fa محمدرضاشرفی هویداگروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران محمد رضاملاحسینیگروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران وحیدآیت الهی تفتیگروه کامپیوتر، واحد تفت، دانشگاه آزاد اسلامی، تفت، ایران20241110<div class="markdown-body antialiased typing-container">
<p>The Internet of Things poses significant challenges in data processing and storage due to the large volume of data generated, including latency, location awareness, and real-time mobility support. Edge computing is recognized as an effective solution to these challenges. This paper examines various secure offloading methods based on collaborative learning in edge computing environments using software-defined networking and analyzes four optimization methods: SDN, SA+GA, OLB-LBMM, and Round-Robin. The main objective of this research is to improve performance and security in the data offloading process while addressing existing challenges. The SDN method provides a flexible framework for managing resources and data in IoT networks, demonstrating better performance than other methods. By reducing latency and optimizing resource allocation, it enhances user satisfaction and increases revenue for cloud service providers. Additionally, the SA+GA and OLB-LBMM algorithms offer improvements in efficiency and security, although they face challenges related to latency and computational complexity. The results indicate that collaborative learning combined with SDN can significantly enhance secure data offloading and enable dynamic network resource management. This research can serve as a foundation for future studies aimed at optimizing data offloading processes in edge computing environments.</p>
</div>
<div class="chat-index-message-content"> </div>
<div class="message-metadata-button-container buttons-left-top"> </div>
<div class="message-metadata-button-container buttons-right-top"> </div><div class="markdown-body antialiased typing-container">
<p style="direction: rtl;">در اینترنت اشیا به دلیل حجم بالای داده‌ها، چالش‌های قابل توجهی در پردازش و ذخیره‌سازی اطلاعات هست که نیاز به توجه دارد؛ از جمله تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی. محاسبات مه به عنوان یک راهکار مؤثر برای این چالش‌ها شناخته می‌شود. این مقاله به بررسی روش‌های مختلف تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم‌افزارمحور می‌پردازد و چهار روش بهینه‌سازی شامل SDN، SA+GA، OLB-LBMM و Round-Robin را مورد تحلیل و مقایسه قرار می‌دهد. هدف اصلی این تحقیق، بهبود عملکرد و امنیت در فرایند تخلیه داده‌ها با توجه به چالش‌های موجود است. روش شبکه نرم‌افزارمحور به عنوان یک چارچوب منعطف برای مدیریت منابع و داده‌ها در شبکه‌های اینترنت اشیا، عملکرد بهتری نسبت به سایر روش‌ها ارائه می‌دهد و با کاهش تأخیر و بهینه‌سازی تخصیص منابع، موجب افزایش رضایت کاربران و درآمد ارائه‌دهندگان خدمات ابری می‌شود. همچنین الگوریتم‌های SA+GA و OLB-LBMM بهبودهایی در کارایی و امنیت ارائه می‌دهند، اما با چالش‌هایی در تأخیر و پیچیدگی محاسباتی <br />مواجه هستند. نتایج نشان می‌دهند که یادگیری مشارکتی در ترکیب با شبکه نرم‌افزارمحور می‌تواند بهبود قابل توجهی در تخلیه امن داده‌ها و مدیریت منابع شبکه ایجاد کند.</p>
</div>
<div class="chat-index-message-content"> </div>
<div class="message-metadata-button-container buttons-left-top"> </div>
<div class="message-metadata-button-container buttons-right-top"> </div>http://ijece.org/ar/Article/Download/48486مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374523220251018A Hybrid Method for Heart Disease Diagnosis Using Integrated Feature Selection and Optimized Classification Approachesارائه روشی ترکیبی جهت تشخیص بیماری قلبی با بهره گیری از رویکردهای انتخاب ویژگی تلفیقی و طبقه بندی بهینه121131faمارالكلاه كجگروه مهندسی کامپیوتر، واحد سوسنگرد، دانشگاه آزاد اسلامی، سوسنگرد، ایران0000000252350227مرجانمطیعی زادهگروه کامپیوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران20211227<p style="direction: ltr;">Heart disease is one of the leading causes of mortality worldwide, and its early diagnosis is of great importance. Existing feature selection methods for heart disease diagnosis are typically limited to using a single algorithm, which may lead to the selection of redundant features or the omission of important ones, consequently reducing classification accuracy. In this paper, a novel hybrid method for feature selection is proposed, which identifies more efficient and relevant features by employing a soft integration of the results from multiple feature selection algorithms. To enhance the accuracy and speed of diagnosis, an Extreme Learning Machine (ELM) classifier with a wavelet kernel is utilized, where its parameters are optimized using a modified version of the Shuffled Frog-Leaping Algorithm (SFLA). The improved algorithm incorporates a dynamic weighting mechanism and is combined with a Genetic Algorithm (GA), contributing to improved classification accuracy and speed. To demonstrate the robustness and generalizability of the proposed method, it is tested on three well-known UCI datasets. Evaluation results show that the proposed model achieves an accuracy of 93.3%. These findings highlight the high capability and generalization power of the proposed method in heart disease diagnosis.</p><p>بیماری‌های قلبی یکی از مهم‌ترین عوامل مرگ‌ومیر در جهان محسوب می‌شوند و تشخیص زودهنگام آنها از اهمیت بالایی برخوردار است. روش‌های موجود در انتخاب ویژگی برای تشخیص بیماری قلبی معمولاً محدود به استفاده از یک الگوریتم واحد بوده و ممکن است منجر به انتخاب ویژگی‌های زائد یا حذف ویژگی‌های مهم شوند که این امر دقت طبقه‌بندی را کاهش می‌دهد. در این مقاله، روش ترکیبی جدیدی برای انتخاب ویژگی ارائه شده که با بهره‌گیری از تلفیق نرم نتایج چند الگوریتم انتخاب ویژگی، ویژگی‌های کارآمدتر و مرتبط‌تر شناسایی می‌شوند. همچنین برای افزایش دقت و سرعت تشخیص، از طبقه‌بندی ماشین یادگیری حداکثری با کرنل موجک استفاده شده که پارامترهای آن توسط نسخه اصلاح‌شده الگوریتم فراابتکاری قورباغه بهینه می‌شوند. این الگوریتم اصلاح‌شده شامل مکانیزم وزن‌دهی پویا و ترکیب با الگوریتم ژنتیک می‌باشد که به بهبود دقت و سرعت طبقه‌بندی کمک می‌کند. برای اثبات توانمندی و تعمیم‌پذیری روش، آن بر روی سه مجموعه داده معتبر UCI آزمایش شده که نتایج ارزیابی نشان می‌دهند دقت مدل پیشنهادی به 3<sub>/</sub>93% رسیده است. نتایج بیانگر توانمندی و تعمیم‌پذیری بالای روش پیشنهادی در تشخیص بیماری قلبی می‌باشد.</p>http://ijece.org/ar/Article/Download/33191مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374523220251018Automatic Classification of Breast Cancer Images Using Transfer Learning on Enhanced Mammography Imagesطبقهبندی خودکار تصاویر سرطان پستان با استفاده از یادگیری انتقال بر روی تصاویر ماموگرافی بهبودیافته132138fa زهراامیریگروه مهندسی کامپیوتر، دانشکده برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایرانزهرامرتضاییگروه علوم کامپیوتر، دانشکده ریاضی و علوم کامپیوتر، دانشگاه حکیم سبزواری، سبزوار، ایران20241121<p style="text-align: left;"><span style="font-family: 'times new roman', times, serif;"><strong>Breast cancer</strong> is considered one of the major concerns in global health, and it is divided into two types: benign and malignant. The malignant type poses a higher risk due to its faster metastasis. Therefore, there is a critical need for fast and accurate detection. Despite the expertise of radiologists, errors due to incorrect interpretation often lead to misdiagnoses. To address this issue, this paper proposes an intelligent system for analyzing mammography images, which includes preprocessing, feature extraction, and classification stages. In this system, the image quality is first improved using preprocessing techniques like Contrast Limited Adaptive Histogram Equalization (CLAHE), and then the region corresponding to the cancerous mass is extracted using Otsu’s thresholding segmentation method. Additionally, key features for distinguishing between benign and malignant tumors are extracted using two pre-trained Convolutional Neural Network (CNN) models, namely ResNet50 and InceptionV3. Finally, the extracted features are analyzed using a Support Vector Machine (SVM) classifier to predict the tumor types. The result of this work is an improvement in diagnostic accuracy and early breast cancer detection, which reduces human error and the current challenges in interpreting mammography images</span></p><p>سرطان پستان، یکی از نگرانی‌های مهم در حوزه بهداشت جهانی محسوب می‌شود، که به دو نوع خوش‌خیم و بدخیم تقسیم می‌شود. نوع بدخیم آن به دلیل متاستاز سریعتر، خطر بیشتری دارد. از اینرو، نیاز حیاتی به تشخیص سریع و دقیق دارد. علیرغم تخصص رادیولوژیست‌ها، خطاهای ناشی از تفسیر غلط منجر به تشخیص‌های نادرست می‌شود. برای حل این مشکل، این مقاله سیستم هوشمندی را برای تحلیل تصاویر ماموگرافی پیشنهاد می‌کند که شامل مراحل پیش‌پردازش، استخراج ویژگی‌ها و طبقه‌بندی آنها می‌باشد. در این سیستم، ابتدا با استفاده از تکنیک‌های پیش‌پردازشی مانند بهبود هیستوگرام تطبیقی محدود شده توسط کنتراست کیفیت تصویر را بهبود بخشیده و در ادامه از روش قطعه‌بندی به روش آستانه‌گذاری آتسو برای استخراج ناحیه مربوط به توده سرطانی استفاده می‌شود. همچنین با استفاده از دو مدل از پیش آموزش داده شده شبکه‌های عصبی پیچشی (CNN)، یعنی ResNet50 و InceptionV3، ویژگی‌های کلیدی برای تمایز بین تومورهای خوش‌خیم و بدخیم استخراج می‌شود. در نهایت، با بهره‌مندی از طبقه‌بند ماشین بردار پشتیبان (SVM)، ویژگی‌های استخراج شده به منظور پیشبینی نوع تومورها، تجزیه و تحلیل می‌شود. نتیجه این کار، بهبود دقت تشخیص و همچنین تشخیص زودهنگام سرطان پستان است، که منجر به کاهش خطای انسانی و چالش‌های فعلی در تفسیر تصاویر ماموگرافی می‌شود.</p>http://ijece.org/ar/Article/Download/48640مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران1682374523220251018Enhancing Text Image Super-Resolution by Intentionally Weakening OCR Loss to Impose Stricter Reconstruction Constraints on the SR Networkتقویت فراتفکیکسازی تصاویر متنی توسط تضعیف عامدانه تابع زیان خوانش برای اعمال سختگیری بیشتر بر شبکه فراتفکیکساز 139145faکمیلمهرگاندانشکده مهندسی دانشگاه فردوسی مشهد، مشهد، ایرانعباسابراهیمی مقدمانشکده مهندسی دانشگاه فردوسی مشهد، مشهد، ایرانمرتضیخادمی درحدانشکده مهندسی دانشگاه فردوسی مشهد، مشهد، ایران20241225<p style="direction: ltr;">Low-resolution text images often lead to significant errors in Optical Character Recognition (OCR), negatively impacting the performance of automated text recognition systems. Text image super-resolution (SR) is a critical step for improving OCR accuracy, particularly when dealing with inputs of very low resolution. While conventional SR methods succeed in enhancing general image quality, they often struggle to preserve the fine-grained details and structural integrity of characters. In this paper, we propose a novel text super-resolution method that leverages intelligent feedback; by intentionally weakening the OCR loss, our approach imposes stricter reconstruction constraints on the SR network. This unique approach specifically guides the network to generate images that faithfully preserve character structures. The modified loss function compels the SR network to reconstruct fine details lost in the low-resolution input, thereby leading to a significant improvement in downstream OCR accuracy. Experimental results demonstrate that our method not only enhances visual clarity but also boosts the accuracy of subsequent OCR systems by approximately 10% compared to the original low-resolution images. This novel approach represents an effective step toward optimizing the pipeline for text recognition from low-resolution inputs.</p><p>تصاویر متنی با وضوح پایین معمولاً باعث ایجاد خطاهای جدی در خوانش و بازیابی متن می‌شوند که این امر می‌تواند بر کارایی سیستم‌های خوانش متن، تأثیر منفی بگذارد. فراتفکیک‌سازی تصاویر متنی، به‌ویژه در شرایطی که تصاویر اولیه دارای تفکیک‌پذیری پایینی هستند، از عوامل کلیدی در بهبود دقت سیستم‌های خوانش متن است. روش‌های سنتی فراتفکیک‌سازی، هرچند در بهبود کیفیت تصاویر موفق بوده‌اند، اما همچنان در حفظ جزئیات <br /> دقیق حروف و ساختار متن با چالش مواجهند. در این پژوهش، روشی برای فراتفکیک‌سازی تصاویر متنی ارائه شده که با بهره‌گیری از بازخورد هوشمندانه توسط تضعیف عامدانه تابع زیان خوانش، سخت‌گیری بیشتری بر شبکه فراتفکیک‌ساز اعمال کرده تا به‌طور ویژه تصاویری تولید کند که در آن ساختار حروف به‌خوبی حفظ شده باشد. این تابع زیان، شبکه فراتفکیک‌سازی را وادار به بازسازی جزئیات ازدست‌رفته در تصاویر کرده و دقت سیستم‌های خوانش متن <br /> را به‌طور قابل توجهی بهبود می‌بخشد. نتایج تجربی نشان می‌دهند که این روش نه‌تنها به افزایش وضوح بصری تصاویر منجر می‌شود، بلکه کارایی و دقت سیستم‌های خوانش متن را حدود ۱۰ درصد نسبت به تصاویر اولیه بهبود می‌بخشد. این رویکرد جدید گامی مؤثر در جهت بهینه‌سازی فرایندهای خوانش متن از تصاویر با تفکیک‌پذیری پایین به شمار می‌رود.</p>http://ijece.org/ar/Article/Download/48961