دانشگاه کاشان محاسبات نرم 2322-3707 6 1 2021 05 23 A study on DBSCAN Clustering algorithm issues and a survey on its improvements بررسی مشکلات الگوریتم خوشه بندی DBSCAN و مروری بر بهبودهای ارائه‌شده برای آن 2 37 111412 FA علی زاده ده بالایی دانشگاه صنعتی امیرکبیر علیرضا باقری دانشگاه صنعتی امیرکبیر حامد افشار دانشگاه صنعتی امیرکبیر Journal Article 2021 05 23 Clustering is an important knowledge discovery technique in the database. Density-based clustering algorithms are one of the main methods for clustering in data mining. These algorithms have some special features including being independent from the shape of the clusters, highly understandable and ease of use. DBSCAN is a base algorithm for density-based clustering algorithms. DBSCAN is able to detect clusters with different sizes and shapes in huge amounts of data and is also resistant to noise. Despite its advantages, this algorithm has its own drawbacks such as the difficulty in determining appropriate values for input parameters, inability to detect clusters with different density and inability to detect appropriate clusters when they are too close. Since 1996 that DBSCAN has been introduced, many different algorithms have been proposed as improvements of DBSCAN. In this paper, firstly the drawbacks of DBSCAN algorithm are discussed. Secondly, we review and discuss DBSCAN improvement algorithms in order to know the pros and cons of each algorithm and their success in improving DBSCAN algorithm. We also implemented some of these algorithms according to our studies and tested them according to the clustering evaluation criteria on standard data sets, so that we would to be able to judge the algorithms better. خوشه‌بندی یک از تکنیک‌های مهم کشف دانش در پایگاه داده‌ است. الگوریتم‌های خوشه‌بندی مبتنی بر چگالی یکی از روش‌های اصلی برای خوشه‌بندی در داده‌کاوی هستند. عدم محدودیت به شکل خوشه‌ها، ساده و قابل‌فهم بودن از جمله مزایای این الگوریتم‌ها است. DBSCAN الگوریتم پایۀ روش‌های خوشه‌بندی مبتنی بر چگالی است. این الگوریتم قابلیت کشف خوشه‌های با اندازه و اشکال متفاوت را از حجم زیادی از داده‌ها دارد و در مقابل نویز نیز مقاوم است. علی‌رغم وجود این مزایا، این الگوریتم دارای مشکلاتی نظیر سخت بودن تعیین مقدار دقیق پارامترهای ورودی، عدم‌تشخیص خوشه‌های با چگالی متفاوت و عدم‌تشخیص صحیح خوشه‌ها در هنگام نزدیک بودن خوشه‌ها به هم نیز می‌باشد. از سال 1996 که DBSCAN ارائه شده تا به امروز، الگوریتم‌های بسیار زیادی در جهت بهبود DBSCAN ارائه ‌شده‌اند. در این مقاله ابتدا، مشکلات الگوریتم DBSCAN بررسی می‌شوند. سپس به مرور و بررسی الگوریتم‌هایی که در جهت بهبود مشکلات الگوریتم DBSCAN ارائه ‌شده‌اند می‌پردازیم تا‌ با نقاط ضعف و قوت این الگوریتم‌ها و میزان موفقیت این الگوریتم‌ها در بهبود الگوریتم DBSCAN آشنا شویم. همچنین، با توجه به مطالعات انجام‌شده، اقدام به پیاده‌سازی برخی از این الگوریتم‌ها نموده‌ایم و آن‌ها را بر روی مجموعه داده‌های استاندارد، بر اساس معیارهای ارزیابی خوشه‌بندی تست کرده‌ایم تا بهتر بتوانیم دربارۀ این الگوریتم‌ها قضاوت کنیم.

https://scj.kashanu.ac.ir/article_111412_ca186eba93bb6fd3c0e899ce83cd19a0.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 6 1 2021 05 23 Ø§Ø±Ø§Ø¦Ù ÛÚ© Ø±Ø§ÙÚ©Ø§Ø± Ø‌Ø¯ÛØ¯ Ø¯Ø± ØªÚ©ÙÛÚ© Ø¨Ú©Ø§Ø± Ú¯Ø±ÙØªÙ Ø´Ø¯Ù Ø¯Ø± Ù¾Ø±ÙØªÚ©Ù ARAN Ø‌ÙØª Ø¨ÙÛÙÙ ÙÙÙØ¯Ù Ù Ø§ÙØ²Ø§ÛØ´ Ú©Ø§Ø±Ø¢ÛÛ ÙØ³ÛØ±ÛØ§Ø¨Û Ø§ÙÙ Ø¯Ø± Ø´Ø¨Ú©Ù ÙØ§Û Ø³ÛØ§Ø± ÙÙØ±Ø¯Û ارائه یک راهکار جدید در تکنیک بکار گرفته شده در پروتکل ARAN جهت بهینه نمودن و افزایش کارآیی مسیریابی امن در شبکه های سیار موردی 38 47 111413 FA اعظم دوه لی احمد شریف Journal Article 2021 05 23 جهت برقراری امنیت در مسیریابی در شبکه های موردی، پروتکل های مسیریابی امن متفاوتی ارائه شده اند. اما متاسفانه روش بکار گرفته شده در برخی از این پروتکل ها ناکارآمد بوده و برخلاف افزایش امنیت، باعث کاهش کارایی و بهینگی شده و یا اشکالات و نواقصی را بدنبال دارند. ما در این مقاله ابتدا به معرفی یکی از این پروتکل های مسیریابی امن به نام ARAN پرداخته و نشان داده ایم که اگرچه این پروتکل در عملیات مسیریابی در شبکه های موردی، امنیت را ایجاد نموده است اما تکنیک بکار گرفته شده در آن برای برقراری امنیت علاوه بر مصرف انرژی زیاد (که یکی از محدودیت های اصلی شبکه های بی سیم می باشد) با افزایش سایز بسته های مسیریابی، نرخ سربار را نیز افزایش داده و در نتیجه افزایش تاخیر و کاهش سرعت را نیز بدنبال داشته است. ما در این مقاله با ارائه ی راه کاری جدید به جای تکنیک بکارگرفته شده در ARAN سعی در برطرف نمودن مشکلات و ناکارآمدی آن نموده و باعث بهینه و کارآمدتر شدن آن شد ه ایم بطوریکه نتایج حاصل از شبیه سازی نشان می دهد که اعمال روش پیشنهادی ما در این الگوریتم با کاهش اندازه بسته های مسیریابی و نرخ سربار حاصل از آن باعث کاهش میزان مصرف انرژی شده و همچنین زمان احراز هویت و بدنبال آن زمان مسیریابی را نیز کاهش داده است. برای برقراری امنیت در مسیریابی در شبکه‌های موردی، پروتکل‌های مسیریابی امن متفاوتی ارائه شده‌اند. اما متأسفانه روش به کار گرفته شده در برخی از این پروتکل‌ها ناکارآمد بوده و برخلاف افزایش امنیت، باعث کاهش کارایی و بهینگی شده و یا اشکالات و نواقصی را به دنبال داشته‌اند. با مطالعۀ پروتکل‌های مسیریابی امن بسیاری، نتایج حاصل از مطالعات نشان داد که ARAN نسبت به اکثر آن‌ها سرویس‌های امنیتی تشخیص هویت و عدم انکار را با استفاده از تصدیق‌های رمزنگاری به‌صورت مطمئن و امن‌تری ایجاد کرده است [11ـ16] و همچنین در برابر حملات گره‌های بدخواه مقاوم می‌باشد. در نتیجه به‌طور کلی امنیت خوبی را اعمال نموده است. اما تکنیک به کار گرفته شده در آن برای برقراری امنیت، علاوه بر مصرف انرژی زیاد (که یکی از محدودیت‌های اصلی شبکه‌های بی‌سیم است) با افزایش سایز بسته‌های مسیریابی، نرخ سربار را نیز افزایش داده و در نتیجه افزایش تأخیر و کاهش سرعت را نیز به دنبال داشته است. بنابراین ما در این مقاله ابتدا به معرفی ARAN پرداخته و سپس نشان داده‌ایم که اگرچه این پروتکل در عملیات مسیریابی در شبکه‌های موردی، امنیت را ایجاد نموده است، تکنیک به کار گرفته شده در آن برای برقراری امنیت علاوه بر مصرف انرژی زیاد با افزایش سایز بسته‌های مسیریابی، نرخ سربار را نیز افزایش داده و در نتیجه افزایش تأخیر و کاهش سرعت را نیز به دنبال داشته است. ما در این مقاله با ارائۀ راهکاری جدید به‌جای تکنیک به کارگرفته شده در ARAN، سعی در برطرف نمودن مشکلات و ناکارآمدی آن نموده و آن را بهینه و کارآمدتر کرده‌ایم، به‌طوری که نتایج حاصل از شبیه‌سازی نشان می‌دهد که اعمال روش پیشنهادی ما در این الگوریتم با کاهش اندازۀ بسته‌های مسیریابی و نرخ سربار حاصل از آن باعث کاهش میزان مصرف انرژی شده و همچنین زمان احراز هویت و به‌دنبال آن زمان مسیریابی را نیز کاهش داده است.

https://scj.kashanu.ac.ir/article_111413_871e9aa459beb421c0df4028fd7d04aa.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 6 1 2021 05 23 A Novel Hybrid Method for Network Intrusion Detection System Using Computational Intelligence Algorithms راهکار ترکیبی نوین جهت تشخیص نفوذ در شبکه‌های کامپیوتری با استفاده از الگوریتم-های هوش محاسباتی 48 65 111414 FA منصور شیخان دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران عطیه عباسی دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران Journal Article 2021 05 23 In this paper, a novel hybrid method is proposed for intrusion detection in computer networks using combination of misuse-based and anomaly-based detection models with the aim of performance improvement. In the proposed hybrid approach, a set of algorithms and models is employed. The selection of input features is performed using shuffled frog-leaping (SFL) algorithm. The misuse detection module is implemented using decision tree. The anomaly detection module is implemented using radial-basis function neural network (RBFNN) or support vector machine (SVM). The optimum training parameters of RBFNN are obtained using particle swarm optimization or genetic algorithms. The proposed method is evaluated by conducting experiments using the NSL-KDD intrusion dataset. The experimental results show the superior performance of the proposed method as compared to misuse-based and anomaly-based systems. In addition, the combination of decision tree and SVM can achieve detection rate (DR) of 97.4 percent using 10 selected input features by SFL algorithm. However, other hybrid systems tested on NSL-KDD achieved DR of 82.3 percent and 83.1 percent by using 33 and 14 selected features, respectively. The execution time of the proposed method is 28 times lower than other competitive simulated models in this paper, as well. در این مقاله، راهکاری ترکیبی و نوین برای تشخیص نفوذ در شبکه‌های کامپیوتری معرفی شده است که از مزایای هر دو روش شناسایی سوءاستفاده و شناسایی ناهنجاری بهره می‌برد. در راهکار پیشنهادی، سامانه‌های شناسایی ناهنجاری و شناسایی سوءاستفاده به‌منظور بهبود عملکرد شناسایی نفوذ با هم ترکیب شده‌اند. رویکرد پیشنهادی از مجموعه‌ای از الگوریتم‌ها و مدل‌ها برای تحقق سامانۀ تشخیص نفوذ بهره می‌جوید. برای انتخاب ویژگی‌های ورودی بهینه به سامانه، از الگوریتم جهش قورباغه استفاده شده است. بخش شناسایی سوءاستفاده در این سامانه، درخت تصمیم‌گیری را بدین‌منظور به‌ کار می‌گیرد. برای شناسایی ناهنجاری در این سامانه، از مدل‌های شبکۀ عصبی پایه- شعاعی یا ماشین بردار پشتیبان استفاده شده است. الگوریتم‌های بهینه‌سازی ازدحام ذرات یا وراثتی نیز در فرایند آموزش شبکۀ عصبی به‌ کار گرفته شده‌اند. نتایج تجربی به‌دست‌آمده با استفاده از مجموعه‌دادۀ NSL-KDD گزارش شده است. این نتایج نشان می‌دهند که رویکرد پیشنهادی می‌تواند کارایی شناسایی نفوذ در شبکه را در مقایسه با استفادۀ صرف از شناسایی ناهنجاری یا سوءاستفاده بهبود ببخشد. همچنین مدلی با انتخاب ویژگی به‌کمک الگوریتم جهش قورباغه و دسته‌بندی با ترکیب روش‌های درخت تصمیم‌گیری و ماشین بردار پشتیبان، با 10 ویژگی انتخابی ورودی به نرخ آشکارسازی 4/97 درصد می‌رسد. این در حالی است که سامانه‌های آموزش‌دیده با دادگان مشابه در سایر پژوهش‌ها با تعداد 33 و 14 ویژگی انتخابی ورودی به‌ترتیب به نرخ آشکارسازی 3/82 درصد و 1/83 درصد رسیده‌اند. همچنین با حفظ نرخ آشکارسازی نفوذ در تراز سایر روش‌های رقیب شبیه‌سازی‌شده در این مقاله، سرعت اجرای الگوریتم تا 28 برابر نسبت‌ به روش‌های مذکور بهبود پیدا می‌کند.

https://scj.kashanu.ac.ir/article_111414_d418f0ff319ad37810a014ddd425bbd8.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 6 1 2021 05 23 Prediction of Approperiate Number of Virtual Machines based on Time Series and Artifical Methoads via Virtual machines Clustering پیش‌بینی تعداد مناسب ماشین های مجازی بر اساس سری زمانی و روش‌های هوشمند مبتنی بر خوشه‌ بندی ماشین های مجازی 66 77 111415 FA الناز اسداللهی دانشگاه خوارزمی سید امیر اصغری دانشگاه خوارزمی Journal Article 2021 05 23 . یکی از مهم‌ترین چالش‏های رایانش ابری، مدیریت منابع و بهینه‏سازی تخصیص منابع در مراکز داده‏ای ابری در لایۀ زیرساخت است. در این مقاله به بررسی موضوع تخمین تعداد مناسب ماشین‏های مجازی در مراکز داده‏ای ابری پرداخته شده است. از جمله ایرادات رویکردهای پیشین، در نظر گرفتن مستقل ماشین‏های مجازی و بی‏توجهی به رفتارهای مشابه ماشین‏های مجازی است. بهره‏جویی از الگوریتم‏های یادگیری ماشین و سری زمانی و راهکار خوشه‏بندی رفتاری و خودکار ماشین‏های مجازی به‌عنوان عناصر زمینه‏ساز تأمین بهینۀ منابع در نظر گرفته شده است. پیش‏بینی سری زمانی و استفاده از گذشته، برای تخمین آینده به هدف جلوگیری از نقض توافق سطح خدمات از یک سو و جلوگیری از صرف هزینه‏های تأمین، نگهداری و مجازی‏سازی ماشین‏های مجازی که در آینده مورد استفاده قرار نخواهند گرفت از سوی دیگر، موجب افزایش کیفیت خدمات ابری شده است. هر میزانی که پیش‏بینی انجام‌شده دقیق‏تر باشد، منابع ماشین‏های مجازی آماده‌شده با نیاز واقعی مشتریان در آینده سازگارتر خواهد بود و فراهم‏کنندگان خدمات ابری کمتر متضرر می‏شوند. نوآوری انجام‌شده اعمال خوشه‏بندی رفتاری و خودکار ماشین‏های مجازی است که موجب کاهش تعداد سری‏های زمانی مشابهی که در نهایت منجر به دریافت یک نوع ماشین مجازی می‏شود، دقت در پیش‏بینی سری زمانی ماشین‏های مجازی، کاهش بار پردازشی و سهولت در اعمال راهبردهای مدیریتی شده است. به‌کارگیری روش پیشنهادی، موجب افزایش دقت پیش‏بینی‏کننده‏ها و کاهش خطا به میزان 1.93 برابر شده است.

https://scj.kashanu.ac.ir/article_111415_d037ee0321f624e397d5759b150b8baf.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 6 1 2021 05 23 Polynomiography via a new iterative method پلی نومیوگرافی، به وسیله یک روش تکراری جدید 78 87 111416 FA مرتضی بیشه نیاسر دانشگاه کاشان Journal Article 2021 05 23 the importance and application of mathematics and its techniques in most of the branches of science is undeniable. one of these applications is polynomiography. Polynomiography is visualization process of finding the roots of a given complex polynomial, and has importance for both the art and science aspects. In this paper, we plan to propose a new iterative technique for polynomiography. By provided examples, we are going to show that using this technique will result to interesting patterns. اهمیت و کاربرد ریاضی و تکنیک‌های مبتنی بر آن در بسیاری از علوم انکارناپذیر است. یکی از این کاربردها پلی‌نومیونگاری است. پلی‌نومیونگاری فرایند تجسم ریشه‌های یک ‌چندجمله‌ای مختلط است که از منظر علوم و هنر حائز اهمیت است. در این مقاله قصد داریم پلی‌نومیونگاری حاصل از یک روش تکراری جدید را ارائه کنیم. طی مثال‌های بیان‌شده، مشاهده خواهیم کرد که با اعمال این تکنیک، طرح و الگوهای زیبایی حاصل خواهد شد.

https://scj.kashanu.ac.ir/article_111416_2cba05f9bef8a5c234481be2c2b49e3f.pdf

دانشگاه کاشان محاسبات نرم 2322-3707 6 1 2021 05 23 Dynamic Morphology-based License Plate for Color and Infrared Images تشخیص پویای پلاک خودرو مبتنی بر مورفولوژی برای تصاویر رنگی و مادون قرمز 88 99 111417 FA محمدرضا ذوقی دانشگاه کاشان محسن اسماعیلی دانشگاه کاشان Journal Article 2021 05 23 This paper proposes to use the method of edge detection, morphology, and dynamic image thickening for license plate extraction from images. In the proposed algorithm, a different thickening is used for rear and front parts of the image; besides, to increase the segmentation rate, determination of the license plate frame using standard deviation in the vertical histogram diagram is suggested. Furthermore, separation of the numbers and characters, which are stuck together due to dirt, is performed using the aspect ratio of the components and location of the valleys in the vertical histogram diagram in binary scale. The proposed method is a complement for license plate extraction, which is capable of detecting several license plates in the image. Also, by modifying the proposed method and highlighting the objects’ edges, it can be also used on infrared images. Results of the tests performed on a set of color and infrared images indicate improvement in the location rate and segmentation rate of license plates compared to the current methods. در این مقاله برای استخراج پلاک از تصویر، روش لبه‌یابی و مورفولوژی، همراه با ضخیم‌سازی پویای تصویر پیشنهاد می‌شود. در الگوریتم پیشنهادی برای قسمت‌های عقب و جلوی تصویر از ضخیم‌سازی متفاوت استفاده می‌شود. همچنین، برای افزایش نرخ قطعه‌بندی، تعیین دقیق کادر پلاک با استفاده از انحراف‌معیار در نمودار هیستوگرام عمودی پیشنهاد می‌گردد و نیز جداسازی اعداد و حروفی که براثر کثیفی پلاک به‌هم‌چسبیده‌اند، با استفاده از نسبت ابعاد قطعات و مکان درّه‌ها در نمودار هیستوگرام عمودی تصویر در مقیاس دودویی صورت می‌گیرد. روش ارائه‌شده تکمیل‌کنندۀ مرحلۀ استخراج پلاک می‌باشد که قابلیت شناسایی چندین پلاک در تصویر را دارد. همچنین، اصلاح روش پیشنهادی و برجسته کردن مرزهای اشیا، آن را برای استفاده روی تصاویر مادون قرمز مهیا می‌کند. نتایج آزمایش‌ها بر روی مجموعه‌ای از تصاویر رنگی و مادون قرمز، بهبود نرخ مکان‌یابی و قطعه‌بندی پلاک را نسبت به روش‌های موجود نشان می‌دهند.

https://scj.kashanu.ac.ir/article_111417_bed2a6e9c6afdf27d7ff1cbaaf9a0a37.pdf