انجمن کامپیوتر ایران
علوم رایانش و فناوری اطلاعات
2676-5438
23
1
2025
04
21
پیشنهاد یک چارچوب جامع برای نظام ملی حکمرانی داده
1
7
230495
FA
سیدهادی
سجادی
پژوهشگاه ارتباطات و فناوری اطلاعات (مرکز تحقیقات مخابرات ایران)، تهران، ایران
مسلم
حبیبی
دانشگاه صنعتی شریف دانشکده مهندسی صنایع
Journal Article
2025
04
22
حکمرانی داده در معنای وسیع آن از پرداختن صرف به موضوع کیفیت، امنیت و حریم خصوصی دادههای درون سازمانی، فراتر رفته و علاوه برجنبههای ملی و ایجاد نهادهای ملی تنظیمگری، شامل قاعدهگذاری و هنجارسازی در سطح بینالمللی نیز هست. حکمرانی مطلوب در سطح ملی برای مدیریت دادهها در صور مختلف آن اعماز مدیریت انواع دادههای شخصی، دادههای غیرشخصی، مجموعه دادههای پژوهشی مورد نیاز پژوهشگران، کلاندادهها و دادههای مورد نیاز برای تصمیمسازی و اداره مطلوب سازمان و جامعه، قابل بحث و بررسی است. پوشش این ابعاد، نیازمند طراحی یک نظام ملی حکمرانی داده براساس یک چارچوب است. بررسی ادبیات تحقیق این حوزه نشان میدهد یک چارچوب جامع که همه ابعاد فوق را مد نظر قرار دهد، تاکنون ارائه نشده است. در این مقاله یک چارچوب جامع با در نظرگرفتن سه سطح اقدام ملی، اقدام در سطح سازمانهای دولتی و حاکمیتی و اقدام در سطح شرکتهای خصوصی پیشنهاد شده است و در هر سطح نوع اقدامات بنا به ماهیت عملکردی متفات آنها، تعریف شده است. براساس این چارچوب، امکان تنظیمگریهای دقیق با تقسیم مسئولیتهای نهادهای متولی در هر کشور، بهتر انجام میشود و نظام مسئولیتپذیری و پاسخگویی مناسبتری بوجود میآید. <br />کلمات کلیدی: حکمرانی داده، تنظیمگری، چارچوب حکمرانی، حریم خصوصی، داده شخصی، کیفیت داده
https://www.jcsit.ir/article_230495_8b8d91f2dc4e7d972604ca0bfd2a132c.pdf
انجمن کامپیوتر ایران
علوم رایانش و فناوری اطلاعات
2676-5438
23
1
2025
04
21
جایابی سرویس های اینترنت اشیا در محیط های مه–ابر سلسه مراتبی با استفاده از الگوریتم ژنتیک مبتنی بر نخبه گرایی
8
21
229235
FA
فرهاد
طاوسی
گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه فنی و حرفه ای، تهران
سعدون
عزیزی
دانشگاه کردستان
0000-0002-5788-0438
عبدالباقی
قادرزاده
گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه آزاد اسلامی، سنندج
Journal Article
2023
02
27
رایانش مه-ابر سلسله مراتبی یک الگوی محاسباتی امیدبخش برای پردازش و ذخیره سازی دادههای حجیم تولید شده توسط دستگاههای اینترنت اشیا است. با توجه به اینکه گره های محاسباتی مه توزیع شده، ناهمگن و دارای محدودیت منابع هستند، نمی توان همه سرویس های اینترنت اشیا را داخل محیط مه استقرار داد. بنابراین، لازم است یک الگوریتم کارآمد برای انتخاب مجموعه سرویس هایی که باید روی محیط مه قرار داده شوند طراحی کرد. وقتی که نیازمندی های متنوع سرویس ها شامل زمان پاسخ و هزینه در نظر گرفته شود مسئله پیچیده تر می شود. با این انگیزه، در این مقاله ابتدا یک مدل بهینه سازی برنامه ریزی عدد صحیح مختلط برای مسئله جایابی سرویس های اینترنت اشیا در محیط مه-ابر سلسله مراتبی با هدف کمینه سازی زمان پاسخ، هزینه و هدر رفت منابع ارائه می شود. سپس به منظور حل مدل به صورت کارآمد، یک الگوریتم ژنتیک مبتنی بر نخبه گرایی پیشنهاد می گردد که در آن سعی می شود تعادل خوبی بین اکتشاف و بهره برداری برقرار شود. آزمایش های گسترده و متنوعی برای ارزیابی عملکرد روش پیشنهادی انجام شده است. نتایج حاصل نشان می دهد که روش ارائه شده از نظر معیارهای کیفیت سرویس، هزینه و بهره وری منابع به مراتب بهتر از سایر الگوریتم ها عمل می کند. به طور ویژه، روش پیشنهادی مقدار تابع هدف را به طور متوسط بین 42.3% تا 49.8% بهبود می دهد.
https://www.jcsit.ir/article_229235_18e208e24e6d7f4535e5d726456332a4.pdf
انجمن کامپیوتر ایران
علوم رایانش و فناوری اطلاعات
2676-5438
23
1
2025
04
21
ارائه یک رویکرد مبتنی بر نمایش ویژگیهای متنی برای تحلیل احساس متن فارسی
22
30
231502
FA
میثم
روستائی
دانشگاه مازندران
0000-0003-0999-7647
Journal Article
2023
02
14
با رشد گسترده شبکههای اجتماعی و سیستمهای پرسش و پاسخ انجمنی، کاربران قادرند به راحتی نظرات و عقاید خود را در مورد اخبار، محصولات و رویدادهای اجتماعی بیان کنند. در سالهای اخیر، میزان دادههای غیرساختیافته نظیر متن بسیار افزایش یافته و نیاز به ابزارهای خودکار برای پردازش آنها بیش از پیش حس میشود. تشخیص احساس متن به فرآیند درک و طبقهبندی حالت عاطفی نویسنده از روی متن نوشته شده نظیر نظرات داده شده در فروشگاههای اینترنتی و شبکههای اجتماعی اشاره دارد و در تحلیل بازار و ارزیابی کیفیت خدمات نقش اساسی ایفا میکند. در این پژوهش، حدود 12 هزار جمله فارسی که شامل نظرات کاربران در مورد محصولات دیجیتال است مورد بررسی قرار میگیرد. برای این منظور، با تولید بردارهای نمایش کلمات و اطلاعات نحوی آنها با استفاده از تکنیک skip-gram و فراهم کردن شکلهای متفاوتی از نمایش ویژگیها، اطلاعات کاملتری به معماری پیشنهادی که بر اساس شبکههای عصبی کانولوشنی است تزریق میشود. با استفاده از این رویکرد، ویژگیهای عملکردی کلمات بهتر ثبت میشود. ارزیابیهای انجام شده نشان میدهند نتایج مدل پیشنهادی بر اساس معیار F1 بر روی پیکره استاندارد به ترتیب برای حالتهای دو کلاسه و چند کلاسه 92.13 و 70.51 است که حاکی از کارایی بالاتر رویکرد پیشنهادی در مقایسه با مدلهای سنتی یادگیری ماشین و مدلهای بروز در تعیین احساس متن فارسی میباشد.
https://www.jcsit.ir/article_231502_9b22b5523cbd2e944114de3dbeae5552.pdf
انجمن کامپیوتر ایران
علوم رایانش و فناوری اطلاعات
2676-5438
23
1
2025
04
21
پیشبینی خطاهای نرمافزاری با دانهبندی دادهها
31
45
218852
FA
بهروز
شاهی
بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران
هومان
تحیری
بخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشکده مهندسی برق و کامپیوتر، دانشگاه شیراز، شیراز، ایران
Journal Article
2024
09
28
به دلیل پیچیدگی بالای سیستمهای نرمافزاری و با توجه به محدودیت زمان و هزینه توسعه ، کشف تمامی خطاهای نرم افزار در زمان توسعه، بسیار دشوار می-باشد. بنابراین، پیشبینی خطاها با استفاده از نسخههای قبلی پروژهها یا پروژههای دیگر جهت ایجاد نرمافزار با قابلیت اطمینان بالا ضروری است. عدم تعمیم-پذیری الگوریتمهای پیشبینی خطاهای نرمافزاری، عدم تعادل بین دادههای خطا و بدون خطا و متفاوت بودن مقادیر ویژگیها در پروژههای مختلف، چالشهای اساسی در سیستمهای پیشبینی خطاهای نرمافزار میباشند. این مقاله یک معماری چهار سطحی برای پیشبینی خطاهای نرمافزاری ارایه میکند. ابتدا الگوریتمی برای دانه بندی مقادیر عددی معرفی میشود. سپس اهمیت ویژگیها بر اساس مقادیر دانه بندی شده محاسبه میشود. در ادامه دادهها به سه قسمت آموزشی، اعتبارسنجی و تست تقسیم میشود و برای متعادل شدن نسبت دادههای خطا به دادههای غیرخطا بر روی دادههای آموزشی از الگوریتم oversampling استفاده میشود. در انتها سه نوع ارزیابی و مقایسه با سایر روشها با استفاده از دیتاستهای PROMISE وNASA انجام میپذیرد. نتایج این مقاله نشان می-دهد که پیشبینی خطا در هر سه نوع ارزیابی در اکثر پروژههای هر یک از دیتاستها عملکرد بهتری نسبت به سایر روشها دارد. همچنین نشان داده می شود که تعمیم پذیری ارایه شده در این مقاله بر روی هر مجموعه دادهای قابل انجام است.
https://www.jcsit.ir/article_218852_12c4d0e320e92f42b48c59d0403a944f.pdf
انجمن کامپیوتر ایران
علوم رایانش و فناوری اطلاعات
2676-5438
23
1
2025
04
21
طبقهبندی پروتئینهای بالقوه در طراحی دارو بهکمک یادگیری بهینه و کاهش بُعد متکیبر خوشهبندی ویژگیها و تحلیل مشارکتی
222259
FA
شیوا
شکرچیان
دانشگاه میبد
حسین
اسلامی
دانشگاه میبد
خسرو
رضائی
دانشگاه میبد
Journal Article
2024
12
05
در دهههای اخیر، پیشرفتهای سریع در حوزه پروتئومیکس و طراحی دارو، نیاز به شناخت دقیقتر ساختار و عملکرد پروتئینها را افزایش داده است. یکی از چالشهای اصلی در این زمینه، پیشبینی دقیق پروتئینهای بالقوه برای طراحی داروهای مؤثرتر است. این پژوهش با هدف بهبود دقت و کارایی پیشبینی پروتئینهای بالقوه از طریق رویکردی کارآمد انجام شده است. در این مقاله، یک روش ترکیبی نوآورانه ارائه شده است که یادگیری مبتنی بر XGBoost بهینهشده، الگوریتم بهینهسازی ازدحام ذرات، و یک گام جدید انتخاب ویژگی مبتنی بر خوشهبندی و تحلیل پیچیدگی مشارکتی را با هم ترکیب میکند. پس از پیش پردازش و استخراج ویژگی، ویژگیهای مهم با خوشهبندی و انتخاب نمایندههای کلیدی شناسایی میشوند. سپس، مدلهای پیشبینی با استفاده از دادههای پروتئومیکس و اطلاعات ساختاری پروتئینها آموزش داده میشوند. در نهایت، نسخه ارتقاءیافته الگوریتم ازدحام ذرات برای بهینهسازی پارامترهای مدلهای یادگیری XGBoost استفاده میشود. دادههای مورد استفاده شامل پروتئومیکس و ساختارهای پروتئینی از پایگاههای DrugBank و Swiss-Prot هستند. نتایج نشان میدهد این رویکرد باعث افزایش چشمگیر دقت پیشبینیها شده و دقت مدلها را به 96/6 درصد رسانده است. این روش نوین طراحی داروهای مؤثرتر را تسهیل کرده، هزینه و زمان را کاهش داده و تحقیقات آینده را تقویت میکند.
https://www.jcsit.ir/article_222259_2767909aab882d9e4df12f787af743d0.pdf