مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745224202563A Parallel and Efficient Algorithm for Detecting Overlapping Communities in Social Networksارائه الگوریتم موازی و کارا بهمنظور شناسایی انجمنهای همپوشان در شبکههای اجتماعی245258fa مصطفیسبزه کارگروه مهندسی کامپیوتر، دانشگاه صنعتی بیرجندشیمابرادران نژادگروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بیرجند، بیرجند، ایرانمهدیخزاعی پورگروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد بیرجند، بیرجند، ایرانمهدیخرددانشجوی دکتری، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی - دانشگاه قم - قم - ایران 2023810<p style="direction: ltr;">Social networks are not only tools for communication but also represent one of the key potentials in business and commerce. One of the most significant issues in this field is clustering nodes and extracting effective and useful patterns from them, known as community detection. A major challenge in community detection within social networks is the vast number of nodes, which makes any kind of analysis difficult. Another challenge is the overlap of cluster members, referred to as overlapping communities. In such networks, each node may belong to multiple groups. Considering overlaps between communities—especially in large-scale networks—poses significant challenges in accurately detecting and identifying communities. Therefore, many studies tend to overlook this issue. In this paper, an approach is proposed to address these challenges. The most time-consuming step in the proposed algorithm, identifying influential nodes, is performed in parallel. Moreover, overlaps between communities are taken into account and analyzed. The results of evaluating the proposed method, in comparison with other existing methods, indicate its superiority in terms of the uniformity of the detected communities.</p><p>شبکه‌های اجتماعی نه‌تنها به عنوان ابزاری برای ارتباطات، بلکه یکی از پتانسیل‌های مهم در کسب‌وکار و تجارت می‌باشند. یکی از مهم‌ترین مسائل تعریف‌شده در این حوزه، خوشه‌بندی گره‌ها و استخراج الگوهای مؤثر و مفید از آنهاست که به کشف انجمن معروف است. از چالش‌های مهم شناسایی انجمن در شبکه‌های اجتماعی می‌توان به حجم بسیار زیاد گره‌ها اشاره نمود که هر گونه تحلیلی بر روی آن را با مشکل مواجه می‌سازد. از دیگر چالش‌های پیش رو، اشتراک برخی از اعضای خوشه‌ها با یکدیگر می‌باشد که از آن به‌عنوان همپوشانی انجمن‌ها نام برده می‌شود. در چنین شبکه‌هایی هر گره می‌تواند به چند گروه تعلق پیدا کند. در نظر گرفتن همپوشانی بین انجمن‌ها به خصوص در شبکه‌های بزرگ، تشخیص و شناسایی انجمن را با مشکلات زیادی روبه‌رو می‌نمایند؛ از این رو در بیشتر پژوهش‌ها این مسئله نادیده گرفته می‌شود. در این مقاله، رویکردی به منظور رفع این مشکلات ارائه می‌شود. مرحله یافتن گره‌های تأثیرگذار شبکه که زمان‌برترین مرحله در الگوریتم پیشنهادی است، به‌صورت موازی انجام می‌شود و همچنین همپوشانی بین انجمن‌ها در نظر گرفته شده و تحلیل می‌گردد. نتایج حاصل از ارزیابی روش پیشنهادی در قیاس با روش‌های مورد مقایسه، حاکی از برتری آن در یکنواختی انجمن‌های کشف شده است.</p>http://ijece.org/fa/Article/Download/43556مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745224202563Mobility-Aware and Energy-Efficient Computation Offloading in Edge Computing for Multi-UAV based Networksتخلیهبار محاسباتی آگاه از تحرک و انرژی در رایانش لبه برای شبکههای مبتنی بر چند پهپاد259268faکیمیاقاسمیدانشكده مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران، ايرانزینبموحدیدانشكده مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران، ، ايران،0000-0002-8406-88832024211<p style="direction: ltr;">Communication networks and the Internet of Things respond to various needs with continuous development. The limitations of size, computing power and energy consumption in Internet of Things devices are the main challenges of this space. This paper emphasizes combining UAVs with edge computing so that this integration provides advanced coverage and efficient computing support, especially in uncertain situations such as incident response. The proposed solution, in terms of the mobility of IoT nodes and with the aim of improving the energy efficiency of the whole system, the problem of UAV path planning and computation offloading is jointly modeled. Then, a mobility- and energy-aware computation offloading and path planning algorithm based on the efficient coverage set of UAVs is presented, which helps to maximize the energy efficiency of the system by using communication and consensus agreements between IoT nodes. The evaluation results show that the proposed method improves energy efficiency by 137% and energy consumption by 28% compared to previous works.</p><p>شبکه‌های ارتباطی و اینترنت اشیا با توسعه مداوم، به نیازمندی‌های مختلفی پاسخ می‌دهند. محدودیت‌های اندازه، توان محاسباتی و مصرف انرژی در دستگاه‌های اینترنت اشیا چالش‌های اساسی این فضا محسوب می‌شوند. این مقاله بر روی ترکیب پهپادها با رایانش لبه تاکید دارد به‌طوری‌که این یکپارچگی، پوشش پیشرفته و پشتیبانی محاسباتی کارآمد را فراهم می‌کند، به ویژه در شرایط نامعلوم مانند واکنش به حوادث. راه‌حل پیشنهادی، با لحاظ تحرک گره‌های اینترنت اشیا و با هدف بهبود کارایی انرژی کل سیستم، مسئله برنامه‌ریزی مسیر پهپاد و تخلیه‌بار محاسباتی به صورت توامان مدل‌سازی شده می‌کند. سپس، یک الگوریتم تخلیه‌بار محاسباتی و برنامه‌ریزی مسیر آگاه از تحرک و انرژی بر مبنای مجموعه پوششی کارآمد پهپادها ارائه شده است که با استفاده از ارتباطات و توافق‌های اجماعی بین گره‌های اینترنت اشیا به حداکثر رساندن کارایی انرژی سیستم کمک می‌کند. نتایج ارزیابی نشان می‌دهد که روش پیشنهادی کارایی انرژی را تا ۱۳۷ درصد و میزان مصرف انرژی را تا ۲۸ درصد نسبت به کارهای پیشین بهبود می بخشد.</p>http://ijece.org/fa/Article/Download/45773مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745224202563Improving Delay and Energy Consumption in Task Offloading for Fog-Based IoT Networks Using Software-Defined Networksبهبود تأخیر و انرژی در بارگیری وظایف در شبکههای اینترنت اشیا مبتنی بر مه با استفاده از شبکههای نرمافزارمحور269277faرضاخالقی فردانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایرانرضامحمدیدانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایرانمحمدنصیریدانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران سکینهسهرابیدانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان، ایران2023513<p style="direction: ltr;">The rapid growth of IoT technology has led to the emergence of various latency-sensitive IoT applications. These applications require significant computational resources for real-time processing, resulting in high energy consumption in IoT devices. To address this issue, task offloading using fog computing has emerged as a novel solution. Fog-based task offloading reduces latency and enhances the flexibility of IoT devices. This study proposes a mathematical model aimed at minimizing end-to-end delay and energy consumption for task offloading in IoT-fog networks based on software-defined networking (SDN) infrastructure. The simulation results of the proposed model are compared with two metaheuristic algorithms (Genetic Algorithm and Firefly Algorithm) and a baseline paper, focusing on delay and energy consumption metrics. After implementing the scenario and conducting analysis, the simulation results indicate that the proposed model, using metaheuristic algorithms, achieved approximate average reductions of 18% in delay and 19% in energy consumption.</p><p>رشد سریع فناوری اینترنت اشیا منجر به ظهور انواع مختلفی از برنامه‌های کاربردی اینترنت اشیای حساس به تأخیر شده است. این برنامه‌ها به منابع محاسباتی قابل توجهی برای پردازش در زمان واقعی نیاز دارند که منجر به مصرف زیاد انرژی در دستگاه‌های اینترنت اشیا می‌شود. برای پرداختن به این مسئله، بارگیری وظایف با استفاده از محاسبات مه به‌عنوان یک راه‌حل جدید ظاهر شده است. بارگیری وظیفه با استفاده از محاسبات مه، باعث کاهش تأخیر و انعطاف‌پذیری دستگاه‌های اینترنت اشیا می‌گردد. در این پژوهش یک مدل ریاضی با هدف کاهش میزان تأخیر انتهابه‌انتها و مصرف انرژی برای بارگیری وظایف در شبکه اینترنت اشیا و مه که مبتنی بر زیرساخت شبکه‌های نرم‌افزارمحور می‌باشد، معرفی شده است. سپس نتایج حاصل از شبیه‌سازی مدل پیشنهادی بر اساس معیارهای تأخیر و انرژی مصرفی با دو الگوریتم فراابتکاری ژنتیک و سوسک‌های بال آتشین و همچنین مقاله پایه مقایسه شده است. پس از پیاده‌سازی سناریو و تجزیه و تحلیل، نتایج حاصل از شبیه‌سازی حاکی از آن است که مدل پیشنهادی با استفاده از الگوریتم‌های فراابتکاری توانسته است که به طور میانگین و تقریبی، تأخیر و انرژی مصرفی را به ترتیب 18 و 19 درصد کاهش دهد.</p>http://ijece.org/fa/Article/Download/42261مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745224202563Stock Trend Prediction Using Sentiment Index and Enhanced SVM with an Entropy-Based Sentiment Cost Functionپیشبینی روند سهام با استفاده از شاخص احساسات و SVM بهبودیافته با تابع هزینه مبتنی بر آنتروپی احساسات278286faمهین یعقوب زادهگروه برق، دانشکده مهندسی، دانشگاه فردوسی مشهد ،مشهد،ایرانعباسابراهیمی مقدمگروه برق، دانشکده مهندسی، دانشگاه فردوسی مشهد ،مشهد،ایرانhttps://orcid.org/0000-0002-3921-9814مرتضیخادمیگروه برق، دانشکده مهندسی، دانشگاه فردوسی مشهد ،مشهد،ایرانhttps://orcid.org/0000-0002-3921-9814هادیصدوقی یزدیگروه کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد ،مشهد،ایرانhttps://orcid.org/0000-0002-6885-49562024615<p style="direction: ltr;">Stock market prediction has always been a focus of researchers. Advances in artificial intelligence and machine learning algorithms have enabled the use of textual data alongside numerical data for better stock market forecasting and performance. In this research, to predict the trend of the New York Stock Exchange (NYSE) index, numerical data, textual data, and a machine learning model were employed. The model's input includes numerical data as well as the results of sentiment analysis from texts extracted from X (formerly Twitter). Sentiment analysis is performed using a specific machine learning algorithm, Fin-BERT. Additionally, to improve prediction results, prior knowledge of data distribution is incorporated into the cost function of the proposed classifier (SVM). This knowledge is obtained through the calculation of sentiment entropy. Experimental results show that incorporating sentiment entropy into the model's cost function improves prediction performance.</p><p>پیش‌بینی بازار سهام همیشه مورد توجه پژوهشگران بوده است. پیشرفت در زمینه هوش مصنوعی و الگوریتم‌های یادگیری ماشین باعث شده که بتوان از داده‌های متنی در کنار داده‌های عددی، جهت پیش‌بینی و عملکرد بهتر بازار بهره برد. در این پژوهش جهت پیش‌بینی روند شاخص بازار سهام نیویورک (NYSE) از داده‌های عددی، داده‌های متنی و یک مدل یادگیری ماشین استفاده شده است. ورودی مدل اولاً داده‌های عددی و ثانیاً نتایج تحلیل احساسات از متن‌های استخراج‌شده از شبکه X است. تحلیل احساسات با یک الگوریتم خاص مبتنی بر یادگیری ماشین (Fin-BERT) انجام شده است. همچنین برای بهبود نتایج پیش‌بینی، در طبقه‌بند پیشنهادی (SVM) دانش پیشینی که در مورد توزیع داده‌ها موجود است در تابع هزینه SVM وارد شده است. این دانش از طریق محاسبه آنتروپی احساسات به دست می‌آید. نتایج آزمایش‌ها نشان می‌دهند که با در نظر گرفتن آنتروپی احساسات در تابع هزینه مدل، نتایج پیش‌بینی بهبود می‌یابد.</p>http://ijece.org/fa/Article/Download/47047مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745224202563Detection of Spam Pages Using XGBoost Algorithmتشخیص صفحات اسپم با استفاده از الگوریتم XGBoost287294fa ریحانه رشیدپوردانشكده مهندسي كامپيوتر، دانشگاه یزد، یزد، ایرانعلی محمدزارع بیدکیدانشكده مهندسي كامپيوتر، دانشگاه یزد، یزد، ایران2024618<p style="direction: ltr;">Today, search engines are the gateway to the web. With the increasing popularity of the web, the efforts to exploit it for commercial, social, and political purposes have also increased, making it difficult for search engines to distinguish good content from spam. The concept of web spam was first introduced in 1996 and quickly became recognized as one of the key challenges for the search engine industry. The phenomenon of spam occurs primarily because a significant portion of web page visits comes from search engines, and users tend to check the first search results. The goal of identifying spam pages is to ensure that these pages cannot achieve high rankings using deceptive strategies. Our effort is to provide an effective method for identifying spam pages, thereby reducing the presence of spam in the top search results. In this article, two methods for combating web spam are proposed. The first method, called XGspam, identifies spam pages based on the XGBoost learning algorithm with an accuracy of 94.27%. The second method, named XGSspam, offers a solution to the challenge of imbalanced web data by combining the SMOTE oversampling algorithm with the XGBoost classification model, achieving an accuracy of 95.44% in identifying spam pages.</p><p>امروزه موتورهای جستجو دروازه ورود به وب هستند. با افزایش محبوبیت وب، تلاش برای بهره‌برداری تجاری، اجتماعی و سیاسی از وب نیز افزایش یافته و در نتیجه تشخیص یک محتوای خوب از اسپم برای موتورهای جستجو دشوار شده است. مفهوم اسپم وب نخستین بار در سال 1996 معرفی شد و خیلی زود به عنوان یکی از چالش‌های کلیدی برای صنعت موتور جستجو شناخته شد. پدیده اسپم اساساً به این دلیل اتفاق می‌افتد که بخش قابل توجهی از مراجعات به صفحه وب از موتور جستجو می‌آیند و کاربران تمایل به بررسی اولین نتایج جستجو دارند. هدف از شناسایی صفحات اسپم این است که این صفحات با استفاده از استراتژی‌های فریب قادر به کسب رتبه بالا نباشند. تلاش ما ارائه روشی مؤثر در شناسایی صفحات اسپم و در نتیجه کاهش حضور اسپم در نتایج اول جستجوست. در این مقاله دو روش برای مقابله با اسپم وب پیشنهاد شده است. روش اول به نام XGspam صفحات اسپم را بر اساس الگوریتم یادگیری XGBoost با دقت 27/94% شناسایی می‌کند. در روش دوم به نام XGSspam راهکاری برای چالش نامتوازن‌بودن داده‌های وب با استفاده از ترکیب الگوریتم بیش‌نمونه‌برداری SMOTE با مدل دسته‌بندی XGBoost ارائه شده که به دقت 44/95% در شناسایی صفحات اسپم می‌رسد.</p>http://ijece.org/fa/Article/Download/47119مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران16823745224202563Proposing a Deep Learning Based Solution for Detecting Suspicious Cases of COVID-19ارائه راهکاری مبتنی بر یادگیری عمیق به منظور تشخیص موارد مشکوک به کووید 19295303faآتناعبیدیگروه کامپیوتر، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران0009-0009-5337-8756هانیهمحمودیگروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی مشهد، ایرانزهراحیدران داروقه امنیهگروه برق، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایرانایمانذباحگروه برق و کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران 2023714<p style="direction: ltr;">Deep neural networks are used in the detection of diseases and medical tasks due to their power and capability in extracting complex features and non-linear relationships. Following the emergence of COVID-19, deep learning approaches have been introduced as a powerful approach in diagnosing this disease. In some cases, data mining-based methods cannot definitively diagnose COVID-19 due to their lack of appropriate generalizability on the data. The aim of this research is to propose a solution to improve the diagnostic results in suspicious COVID-19 images.</p>
<p style="direction: ltr;">In this study, after diagnosing the disease using two deep networks, GoogleNet and AlexNet, the probability layer of the two learned networks is extracted, and the suspicious cases of the disease are identified. Then, the top features extracted from the two deep learners are combined and sent to a perceptron neural network for the diagnosis of suspicious cases. The extraction of the best features was performed using principal component analysis. The study database includes 224 CT scan images of COVID-19-infected lungs and 522 lung images of healthy individuals, obtained from the GitHub repository. The study results indicate that the aggregation of deep learners in the probability layer can lead to a 98.1% improvement in the diagnosis of COVID-19 in suspicious cases.</p><p>شبکه‌های عمیق به دلیل توانمندی در استخراج ویژگی‌های پیچیده و ارتباطات غیرخطی، برای تشخیص بیماری‌ها و وظایف پزشکی مورد استفاده قرار می‌گیرند. پس از ظهور بیماری کووید 19، یادگیرهای عمیق به عنوان رویکرد‌ی قدرتمند در حوزه تشخیص این بیماری مطرح شده‌اند. در برخی موارد، متدهای مبتنی بر داده‌کاوی نمی‌توانند کووید 19 را به‌طور قطعی تشخیص دهند که دلیل آن، عدم قابلیت تعمیم مناسب روی داده‌هاست. هدف از این پژوهش ارائه راهکاری به منظور بهبود نتیجه تشخیص در تصاویر مشکوک به کووید 19 است. در این پژوهش پس از تشخیص بیماری با استفاده از دو شبکه عمیق گوگل و الکس، لایه احتمالی دو یادگیر استخراج شده و موارد مشکوک به بیماری شناسایی می‌شوند. سپس برترین ویژگی‌های مستخرج از دو یادگیر عمیق ترکیب شده و به یک شبکه عصبی پرسپترون جهت تشخیص موارد مشکوک ارسال می‌گردد. استخراج بهترین ویژگی‌ها توسط روش تحلیل مؤلفه اصلی صورت گرفته است. پایگاه داده مورد مطالعه، شامل 224 تصویر سی‌تی‌اسکن ریه مبتلا به کووید 19 و 522 تصویر ریه افراد سالم می‌باشد که از مرجع گیت‌هاب تهیه شده است. نتایج آزمون‌ها مبين آن است که تجمیع یادگیرهای عمیق در لایه احتمالی می‌تواند منجر به بهبود تشخیص کووید 19 در موارد مشکوک به میزان 1<sub>/</sub>98% شود.</p>http://ijece.org/fa/Article/Download/43241