هر گراف حمله مجموعهاي از سناريوهاي نفوذ به يک شبکه کامپيوتري را نمايش ميدهد. در اين مقاله، از گرافهاي حمله وزندار براي تحليل آسيبپذيري شبكههاي كامپيوتري استفاده ميشود. در اين گرافهاي حمله به هر سوءاستفاده توسط تحليلگر وزني نسبت داده ميشود. وزن نسبت داده شده ب چکیده کامل
هر گراف حمله مجموعهاي از سناريوهاي نفوذ به يک شبکه کامپيوتري را نمايش ميدهد. در اين مقاله، از گرافهاي حمله وزندار براي تحليل آسيبپذيري شبكههاي كامپيوتري استفاده ميشود. در اين گرافهاي حمله به هر سوءاستفاده توسط تحليلگر وزني نسبت داده ميشود. وزن نسبت داده شده به هر سوءاستفاده متناسب با هزينه لازم براي جلوگيري از آن سوءاستفاده است. هدف از تحليل گرافهاي حمله وزندار يافتن يك مجموعه بحراني از سوءاستفادهها است که مجموع وزنهاي آنها کمترين مقدار ممکن باشد و با جلوگيري از آنها هيچ سناريوي نفوذي امکانپذير نباشد. در اين مقاله، يك الگوريتم حريصانه، يك الگوريتم ژنتيك با عملگر جهش حريصانه و يك الگوريتم ژنتيك با تابع برازندگي پويا براي تحليل گرافهاي حمله وزندار پيشنهاد ميشود. از الگوريتمهاي پيشنهادي براي تحليل گراف حمله وزندار يك شبکه مثالي و چندين گراف حمله وزندار مقياس بزرگ استفاده ميشود. نتايج بدست آمده از آزمایشها، عملكرد بهتر الگوريتمهاي ژنتيك پيشنهادي را نسبت به الگوريتم حريصانه نشان ميدهند به گونهاي كه الگوريتمهاي ژنتيك فوق قادر هستند مجموعههاي بحراني از سوءاستفادهها با مجموع وزنهاي كمتر را پيدا كنند. همچنين، از الگوريتم ژنتيك با تابع برازندگي پويا براي تحليل چندين گراف حمله ساده مقياس بزرگ استفاده ميشود و عملكرد آن با يك الگوريتم تقريبي براي تحليل گرافهاي حمله ساده مقايسه ميشود.
پرونده مقاله
در این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شد چکیده کامل
در این مقاله، یک ساختار جدید شبکهای از آتاماتاهای یادگیر موسوم به آتاماتای یادگیر توزیعشده توسعهیافته معرفی شده و سپس الگوریتمی مبتنی بر این ساختار شبکهای برای حل مسأله زیرگراف بهینه در گرافهای تصادفی با یالهای وزندار از طریق نمونهگیری ارائه میشود. نشان داده شده که ساختار شبکهای جدید پیشنهادی قادر به حل مسایل بهینهسازی روی گرافهای تصادفی از طریق نمونهگیری با تعداد نمونه کمتر نسبت به روش نمونهگیری استاندارد است. علاوه بر این، اثباتی برای همگرایی آن به جواب بهینه ارائه شده و نشان داده میشود که ساختار شبکهای پیشنهادی همواره با احتمال 1 به جواب بهینه همگرا میگردد.
پرونده مقاله
در این مقاله به بررسی یک معیار جدید مقایسهای برای تولید پاسخ محیط در حل مسایل بهینهسازی روی گرافهای تصادفی به عنوان مدلی از شبکههای کامپیوتری توسط شبکهای از آتاماتاهای یادگیر میپردازیم. این روش جدید به دلیل لحاظکردن تقریبی از واریانس پاسخهای تولیدشده توسط شبکه آ چکیده کامل
در این مقاله به بررسی یک معیار جدید مقایسهای برای تولید پاسخ محیط در حل مسایل بهینهسازی روی گرافهای تصادفی به عنوان مدلی از شبکههای کامپیوتری توسط شبکهای از آتاماتاهای یادگیر میپردازیم. این روش جدید به دلیل لحاظکردن تقریبی از واریانس پاسخهای تولیدشده توسط شبکه آتاماتاهای یادگیر، قادر به انطباق بیشتری با محیط بوده و در نتیجه پاسخهای مناسبتری به اقدامهای انجامشده توسط آتاماتاها در شبکهای از آتاماتاهای یادگیر میدهد. روش جدید از طریق واردکردن یک مقدار نویز محاسبهشده، از ایستایی فرایند یادگیری و گیرافتادن آن در نقاط کمینه محلی جلوگیری کرده و باعث تسریع در فرایند یادگیری میشود. به کمک شبیهسازیها نشان میدهیم این روش جدید در مقایسه با روشهای فعلی که تا کنون مورد استفاده بوده است، هم به لحاظ سرعت همگرایی به جواب بهینه و هم به لحاظ قابلیت گریز از اثر واریانس وزن یالهای گراف تصادفی- که باعث میل جواب نهایی به سمت کوچکترین مقدار و نه مقدار میانگین میشود- عملکرد بهتری دارد.
پرونده مقاله
با ترکیب منطقهای زمانی و منطق فازی میتوان منطقهای جدیدی ایجاد و از آن در وارسی خودکار مدلهای پویای فازی استفاده نمود. تاکنون در چند مقاله مدلهای کریپکه فازی FzKripke و گراف برنامه فازی FzPG به عنوان دو مدل زمانی فازی تعریف و جهت وارسی خواص زمانی روی این مدلها، منط چکیده کامل
با ترکیب منطقهای زمانی و منطق فازی میتوان منطقهای جدیدی ایجاد و از آن در وارسی خودکار مدلهای پویای فازی استفاده نمود. تاکنون در چند مقاله مدلهای کریپکه فازی FzKripke و گراف برنامه فازی FzPG به عنوان دو مدل زمانی فازی تعریف و جهت وارسی خواص زمانی روی این مدلها، منطق زمانی FzCTL ارائه شده و بدون ارائه الگوریتم وارسی مدل، کاربردهایی از آنها در وارسی مدارات منطقی فازی مانند فلیپ- فلاپهای فازی معرفی شده است. در این مقاله جهت برخورد با مشکل انفجار فضای حالت در مدلهای زمانی فازی، روشی نمادین ارائه شده که به کمک آن، مدلها در قالبی بسیار فشرده ذخیره و پردازش میشوند. در این مقاله کارایی الگوریتمهای طراحیشده نیز مورد ارزیابی تحلیلی و تجربی قرار میگیرند. به عنوان مطالعه موردی، کارایی روش در وارسی و کشف مخاطره پویای یک مدار فلیپ- فلاپ D فازی، مورد بررسی قرار گرفته و زمان اجرا و حافظه مصرفی الگوریتم در شرایط مختلف مدل، ارائه شده است
پرونده مقاله
در این مقاله مراحل طراحی مقاوم برای یک مبدل تکالقاگر دوخروجی (SIDO) با استفاده از روش نامساوی ماتریسی (LMI) مورد بررسی قرار گرفته است. با توجه به ساختار پیچیده مبدل از روش فلوگراف سیگنال (SFG) برای مدلکردن آن استفاده شده است. با استفاده از مدل استخراجشده از SFG، عوام چکیده کامل
در این مقاله مراحل طراحی مقاوم برای یک مبدل تکالقاگر دوخروجی (SIDO) با استفاده از روش نامساوی ماتریسی (LMI) مورد بررسی قرار گرفته است. با توجه به ساختار پیچیده مبدل از روش فلوگراف سیگنال (SFG) برای مدلکردن آن استفاده شده است. با استفاده از مدل استخراجشده از SFG، عوامل غیر خطی و نامشخص در قالب یک چندضلعی محدب و به عنوان محدودیتهای روش LMI در نظر گرفته میشوند. مقاومبودن مبدل از طریق حذف تأثیر تغییرات مشخص شده و نیز داشتن پاسخ مناسب از طریق جایدهی قطبها توسط روش LMI تضمین میگردد. خروجیهای به دست آمده بر روی پارامترهای فیدبک حالت اعمال شده و نتایج عملکردی آن در محیط سیمولینک متلب و بر روی مدار سوئیچینگ مورد ارزیابی و صحهگذاری قرار گرفتهاند. در نهایت نتایج به دست آمده با یک کنترلکننده PI رایج مقایسه شده است.
پرونده مقاله
بازشناسی خودکار فعالیتهای انسان، بخشی جداییناپذیر از هر برنامه تعاملی با انسان است. یکی از چالشهای عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیتها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زم چکیده کامل
بازشناسی خودکار فعالیتهای انسان، بخشی جداییناپذیر از هر برنامه تعاملی با انسان است. یکی از چالشهای عمده برای شناخت فعالیت، تنوع در نحوه فعالیت افراد است. همچنین بعضی از فعالیتها ساده، سریع و کوتاه هستند، در حالی که بسیاری دیگر پیچیده و دارای جزئیات هستند و در مدت زمان طولانی انجام میشوند. در این مقاله، ما از دادههای اسکلت که از توالی تصاویر RGB-D استخراج میشوند استفاده میکنیم. ما مدل گرافی را پیشنهاد میدهیم که قادر است فعالیتهای پیچیده و ساده را بازشناسی کند. برای بهینهسازی پارامترهای مدل گرافی احتمالی از روش پیشبینی ساختاری توزیعشده استفاده میکنیم. این روش در سه مجموعه داده به طور گسترده مورد آزمایش (60- CAD، UT-Kinect و D3 Florence) قرار میگیرد که هر دو نوع فعالیت را پوشش میدهند. نتایج نشان میدهد که روش ما میتواند هر دو نوع فعالیت ساده و پیچیده را به طور مؤثر تشخیص دهد، در حالی که اکثر آثار قبلی تنها بر یکی از این دو نوع تمرکز میکنند. همچنین ما نشان میدهیم استفاده از روشهای خوشهبندی برای مقداردهی اولیه تأثیر زیادی در نتایج دارد.
پرونده مقاله
مثلثبندی مجموعه نقاط S در صفحه، برابر با تعبیه مسطح یک گراف مسطح مستقیمالخط بیشین (با بیشترین یال) روی مجموعه نقاط است به طوری که مجموعه رئوس گراف دقیقاً همان مجموعه نقاط داده شده باشد. دو مسئله مهم در این زمینه مورد تحقیق است. الف) به چند طریق میتوان مجموعه نقاط S ر چکیده کامل
مثلثبندی مجموعه نقاط S در صفحه، برابر با تعبیه مسطح یک گراف مسطح مستقیمالخط بیشین (با بیشترین یال) روی مجموعه نقاط است به طوری که مجموعه رئوس گراف دقیقاً همان مجموعه نقاط داده شده باشد. دو مسئله مهم در این زمینه مورد تحقیق است. الف) به چند طریق میتوان مجموعه نقاط S را مثلثبندی کرد ب) کدام مثلثبندی بر اساس ویژگی خاصی بهینه است. مسئله اول یک مسئله باز است و به جز در شرایط خاص که دارای رابطه بسته میباشد تا به حال الگوریتمی با زمان چندجملهای برای آن در حالت کلی ارائه نشده است. مسئله دوم نیز در حالتی که هدف پیداکردن مثلثبندی که مجموع طول یالهای آن کمترین باشد یک مسئله NP-HARD است (MWT)، لذا تحقیقات در راستای ارائه الگوریتمهای مکاشفهای، فرامکاشفهای یا تقریبی برای این دو حالت انجام شده است.
در این مقاله روشی ارائه شده که در آن با تولید گراف تقاطع حاصل از تمامی پارهخطهای حاصل از تمامی زوج نقاط S تولید میشود و سپس الگوریتمهایی برای تولید همه مجموعههای مستقل بیشین (MIS) گراف تقاطع و همچنین روشی برای شمارش تعداد این مجموعهها ارائه میشود. این رویکرد تولید گراف تقاطع و تبدیل مسئله مثلثبندی به مسئله مجموعه مستقل بیشین نگاهی جدید به مسئله مثلثبندی در هر دو حالت الف و ب محسوب میشود و از آنجا که ارائه الگوریتم برای مسئله الف یا ب به خاطر ذات هندسیبودن آن دشوار است لذا با رویکرد مطرحشده در این مقاله، تمامی الگوریتمهایی که تا به حال برای مسئله MIS مطرح شده است را میتوان برای حل مسئله مثلثبندی در هر دو حالت الف یا ب به کار برد. تکنیک تبدیل مسئله مثلثبندی به مسئله MIS رویکردی است که تا به حال روشی مبتنی بر آن برای حل مسایل شمارش تعداد طرق مثلثبندی یا مثلثبندی با کمترین وزن گزارش نشده است. علاوه بر این یک روش تخمینی مکاشفهای برای تعیین متوسط تعداد حالات مثلثبندی ارائه خواهد شد که نتایج پیادهسازی نشان میدهد روی نمونههایی از ورودی نزدیک به مقدار دقیق هستند.
پرونده مقاله
گرافها یکی از ساختارهای مهم و پرکاربرد در ذخیرهسازی دادهها هستند. برخی اوقات رئوس گرافها دربردارنده ویژگیهایی است که محاسبه میزان اثر آنها بر روی گراف از اهمیت بسزایی برخوردار است. در این نوشتار برخی از این ویژگیها را به کمک رنگها و درجه رنگی مدل کرده و حل بسیار چکیده کامل
گرافها یکی از ساختارهای مهم و پرکاربرد در ذخیرهسازی دادهها هستند. برخی اوقات رئوس گرافها دربردارنده ویژگیهایی است که محاسبه میزان اثر آنها بر روی گراف از اهمیت بسزایی برخوردار است. در این نوشتار برخی از این ویژگیها را به کمک رنگها و درجه رنگی مدل کرده و حل بسیار سریع مسئله را به کمک دو الگوریتم زیرخطی که نیازی به مشاهده همه اطلاعات ندارد، مورد بررسی قرار میدهیم. در روش اول فرض میکنیم اطلاعات هر رأس از گراف و ویژگیهای آن را میدانیم و سپس یک الگوریتم تقریبی با ضریب به ازای دادهشده برای آن ارائه میدهیم. سپس در بخش بعدی این فرض را کنار گذاشته و نشان میدهیم همچنان میتوان به چنین تقریبی دست یافت در حالی که امید ریاضی زمان اجرای الگوریتم ارائهشده زیرخطی است.
پرونده مقاله
ترانزیستورهای نانونوار گرافنی نوع شاتکی (SBGNRFET)، علیرغم ویژگیهای بارزی که نسبت به ترانزیستورهای متداول دارند، دارای جریان خاموش نسبتاً زیاد و نسبت پایین میباشند. در این مقاله ساختار جدیدی از ترانزیستور نانونوار گرافنی نوع شاتکی ارائه شده که در آن گیت ترانزیستور چکیده کامل
ترانزیستورهای نانونوار گرافنی نوع شاتکی (SBGNRFET)، علیرغم ویژگیهای بارزی که نسبت به ترانزیستورهای متداول دارند، دارای جریان خاموش نسبتاً زیاد و نسبت پایین میباشند. در این مقاله ساختار جدیدی از ترانزیستور نانونوار گرافنی نوع شاتکی ارائه شده که در آن گیت ترانزیستور به دو قسمت تقسیم شده است. به گیتی که در سمت درین قرار گرفته است، ولتاژ ثابت متصل شده و گیتی که در سمت سورس قرار گرفته است، گیت اصلی ترانزیستور میباشد. ساختار SBGNRFET ارائهشده با مشخصههای هندسی و فیزیکی و در بایاسهای متفاوت با استفاده از شبیهساز عددی مبتنی بر توابع گرین غیر تعادلی شبیهسازی شده و کارایی افزاره مورد ارزیابی قرار گرفته است. نتایج شبیهسازی نشاندهنده بهبود نسبت Ion/Ioff تا 7/6 برابر در V 8/0= VDS میباشد. در این ولتاژ نسبت Ion/Ioff از 2/1 در ترانزیستور SBGNRFET معمولی به 01/8 در ترانزیستور جدید رسیده و جریان خاموش Ioff از µA 5 به µA 7/0 کاهش یافته است. همچنین در V 6/0= VDS، به عنوان ولتاژ تغذیه، نسبت Ion/Ioff از 97/3 به 8/15 و جریان خاموش Ioff از µA 63/0 به µA 16/0 رسیده است.
پرونده مقاله
در این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک ا چکیده کامل
در این مقاله ابتدا نوعی از بهینهسازی جایگشت معرفی شده است. در این نوع بهینهسازی فرض گردیده که تابع هزینه، دارای یک تابع توزیع احتمال ناشناخته است. این فرض باعث میشود که پیچیدگی حل مسئله یافتن جایگشت بهینه که به دلیل بزرگی ذاتی فضای جوابها پیچیده است، تشدید شود. یک الگوریتم مبتنی بر آتاماتای یادگیر توزیعشده برای حل مسئله از طریق انجام توأمان جستجو در فضای جوابهای جایگشت و نمونهگیری از مقادیر تصادفی ارائه میدهیم. ضمن بررسی ریاضی رفتار الگوریتم جدید پیشنهادی، نشان میدهیم که با انتخاب مقادیر مناسب پارامترهای الگوریتم یادگیر، این روش جدید میتواند جواب بهینه را با احتمالی به اندازه دلخواه نزدیک به ۱۰۰% و از طریق هدفمندکردن جستجو به کمک آتاماتای یادگیر توزیعشده پیدا کند. نتیجه اتخاذ این سیاست، کاهش تعداد نمونهگیریها در روش جدید در مقایسه با روشهای مبتنی بر نمونهگیری استاندارد است. در ادامه، مسئله یافتن درخت پوشای کمینه در گراف تصادفی به عنوان یک مسئله بهینهسازی جایگشت تصادفی بررسی گردیده و راه حل ارائهشده مبتنی بر آتاماتای یادگیر برای حل آن به کار گرفته شده است.
پرونده مقاله
به واسطه قدرت و سادگی، سیستمهای پردازش گراف مبتنی بر بلوک در سالهای اخیر مورد توجه ویژهای قرار گرفتهاند. اغلب این سیستمها از روشهای بخشبندی عمومی و همهمنظوره جهت تولید پارتیشنهای مورد نیاز خود استفاده میکنند. همین امر منجر شده که کارایی این سیستمها محدود شود. چکیده کامل
به واسطه قدرت و سادگی، سیستمهای پردازش گراف مبتنی بر بلوک در سالهای اخیر مورد توجه ویژهای قرار گرفتهاند. اغلب این سیستمها از روشهای بخشبندی عمومی و همهمنظوره جهت تولید پارتیشنهای مورد نیاز خود استفاده میکنند. همین امر منجر شده که کارایی این سیستمها محدود شود. برای رفع این مشکل الگوریتمهای خاصمنظورهای برای بخشبندی این دسته از سیستمها ارائه شده است، اما مشکل این دسته از روشها آن است که همچنان معیارهای سنتی نظیر تعداد یال برشی و تعادل بار به عنوان تابع هدف این روشها مد نظر قرار گرفته است. این در حالی است که قدرت سیستمهای پردازش گراف مبتنی بر بلوک به واسطه ویژگیهای منحصر به فردی است که در طراحی این دسته از سیستمها مد نظر قرار گرفته است. به همین جهت در این مقاله، ویژگیهای ذاتی و اساسی این دسته از سیستمها مورد توجه قرار گرفته و با توجه به این خواص، دو معیار جدید به عنوان معیار تابع هدف بخشبندی، معرفی شده است. بر اساس تحقیقات انجامگرفته، روش پیشنهادی اولین الگوریتم بخشبندی است که قطر گراف سطح بالا و اندازه گرههای گراف سطح بالای حاصل از بخشبندی را به عنوان تابع هدف در نظر گرفته میگیرد. ارزیابی روش پیشنهادی بر روی مجموعه دادههای واقعی نشان داد که روش پیشنهادی به طور مؤثری قادر به کاهش قطر گراف سطح بالای حاصل از بخشبندی نسبت به سایر الگوریتمهای بخشبندی متداول میباشد. به علاوه، یال برشی حاصل از روش پیشنهادی بسیار نزدیک به یکی از معروفترین روشهای بخشبندی متمرکز، متیس میباشد. از آنجا که قطر گراف سطح بالا رابطه مستقیمی با تعداد سوپراستپهای مورد نیاز در سیستمهای پردازش گراف بلوکی دارد، روش پیشنهادی با کاهش آن قادر به افزایش کارایی این دسته از روشها خواهد شد.
پرونده مقاله
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اث چکیده کامل
پیشبینی رفتار آینده بازار سهام به عنوان یک چالش حائز اهمیت در یادگیری ماشین توجه زیادی را به خود جلب کرده است و رویکردهای یادگیری عمیق، نتایج قابل قبولی را در این زمینه به دست آوردهاند. مطالعات پیشین، اهمیت درنظرگرفتن دادههای سهام مرتبط را در خلال عملکرد پیشبینی اثبات کردهاند. با وجود این، مدلسازی روابط بین سهام به عنوان یک گراف جهتدار و ساخت بازنمایی گرههای این گراف به کمک مکانیزم توجه تا کنون مورد استفاده قرار نگرفته است. ما در این کار، چهارچوبی به نام DeepNet را معرفی میکنیم که یک شبکه جهتدار دودویی را از تأثیرات دادههای سهام در بهبود دقت پیشبینی یکدیگر ایجاد میکند و با استفاده از شبکه توجه گراف، اهمیت گرههای همسایه برای ساخت بازنماییها را در حین عملیات آموزش، کشف مینماید. ما مدل جدیدی از شبکه توجه گراف را برای استفاده در گرافهای جهتدار توسعه دادیم که قادر است اهمیت بردار ویژگی گرهها برای ساخت بازنمایی را به صورت یکطرفه در نظر بگیرد. نهایتاً ارزیابیهای ما بر روی دادههای بازار سهام تهران نشان میدهد که مدل معرفیشده از دقت و MCC بالاتری نسبت به مدلهای رقیب برخوردار است.
پرونده مقاله