هر روز، سازمان‌ها حجم قابل‌توجهی از فایل‌های رخداد (لاگ) تولید می‌کنند که برای بررسی شرایط، اشکال‌زدایی و رفع ناهنجاری‌ها نیاز به پردازش دارند. برون سپاری چنین فرایندی به دلیل نیاز به پردازش بلادرنگ و نگهداری امنیتی مناسب نیست. با توجه به انبوه نرم افزارها و سرویس‌های مختلف، سازمان‌ها با حجم قابل توجهی از گزارش‌ها و رخدادهای تولیدی مواجه هستند که به جای حذف یا نادیده گرفته شدن، باید پردازش شوند. در روش سنتی، کارشناسان روزانه به صورت دستی پرونده‌های رخداد را بررسی می‌کنند که این امر از یک سو باعث کندی فرآیند، افزایش زمان و عدم دقت و از سوی دیگر به دلیل نیاز به نیروی متخصص، هزینه‌های بالای استخدام را در پی دارد. این مقاله راه حلی را معرفی می‌کند که از شبکه‌های عصبی مولد برای ایجاد یک ساختار محلی برای تجزیه و تحلیل گزارش در سازمان استفاده می‌شود. این فرآیند شامل بازیابی و تجزیه فایل‌های متنی از بخش‌های مختلف، تقسیم آن‌ها به بخش‌های قابل مدیریت، جاسازی و ذخیره آن‌ها در یک پایگاه داده برداری است. در این ساختار، یک فرد آموزش دیده بدون تخصص خاص می‌تواند به سرعت به اطلاعات لازم با استفاده از اعلان‌های مناسب (پرامپت نویسی) از یک مدل زبان بزرگ که به صورت محلی در سازمان توسعه یافته و در هر زمان قابل دسترسی است، استفاده کند. ازهمین روی، روش پیشنهادی می¬تواند باعث پایداری امنیت، افزایش سرعت تجزیه و تحلیل و کاهش هزینه‌های منابع انسانی شود. تفاصيل المقالة

in Named Data Network (NDN), besides routing packets in the network, each router is able to cache and provide content. Depending on the caching policy, content can be cached in routers between the consumers and the servers. The NDN supports two streams. The flow of interest packets is propagated by the consumers in the network and passes through the nodes to the content provider routers or content producers. The flow of data packets is published from the content producer or the content provider, in reverse route. If the network leverage only one or more specific points to cache content as a provider, then the network’s load just focuses on them, and other parts of the network might be disabled. Consequently, by increasing the request rate, congestion might emerge.Fair content caching is proposed in this study to achieve load balancing in the network. Hence, the dynamic content storage approach is employed to balance the network load. In the proposed method, by balancing the load of each router in the network to the threshold limit, tries to balance the load in the entire network. In this approach, the amount of incoming traffic of each router is monitored, and if the load of each router exceeds the threshold limit, the router diverts its high-demand data to another part of the network that has a lower load share. Therefore, part of the requests related to some content will be sent to another part of the network to distribute the load more fairly. تفاصيل المقالة