رایانش ابری یک فناوری نوظهور و در حال رشد است که به طور گسترده برای ارائه محاسبات، خدمات ذخیره‌سازی و سایر منابع از طریق اینترنت استفاده می‌شود. در دسترس بودن سرویس‌های ابری یکی از مهمترین نگرانی‌های ارائه‌دهندگان خدمات ابری است. در حالی که سرویس‌های ابری عمدتا از طریق اینترنت منتقل می‌شوند، مستعد حملات مختلفی هستند که منجر به درز اطلاعات حساس شود. حمله DDoS به عنوان یکی از مهمترین تهدیدات امنیتی برای محیط رایانش ابری شناخته می‌شود. این حمله تلاشی صریح توسط یک مهاجم برای جلوگیری و عدم دسترسی به خدمات یا منابع مشترک در یک محیط ابری است. در این مقاله رویکردی ترکیبی برای مقابله با حمله DDoS در محیط رایانش ابری مورد بحث قرار گرفته است. این روش اهمیت روش‌های مبتنی بر انتخاب ویژگی‌های موثر و مدل‌های دسته‌بندی را برجسته می‌کند. در اینجا، رویکردی بر مبنای آنتروپی و بهینه‌سازی ازدحام ذرات برای مقابله با این حملات در محیط رایانش ابری ارائه می‌شود. دسته‌بندی داده‌های با ابعاد بالا معمولاً به انتخاب ویژگی به عنوان یک مرحله قبل از پردازش برای کاهش ابعاد نیاز دارد. با این حال، انتخاب ویژگی‌های موثر یک کار چالش برانگیز است که در این مقاله از بهینه‌سازی ازدحام ذرات برای اینکار استفاده می‌شود. در اینجا، مدل دسته‌بندی پیشنهادی بر مبنای استفاده از ساختمان داده درخت جستجوی دودویی متوازن و دیکشنری توسعه یافته است. شبیه‌سازی براساس مجموعه داده‌های NSL-KDD و CICDDoS2019 انجام شده که نتایج برتری روش پیشنهادی را با میانگین دقت تشخیص 99.84% نسبت به الگوریتم-های AGA و E-SVM اثبات می‌کند. پرونده مقاله

ماهیت فراگیر پلتفرم‌های شبکه‌های اجتماعی منجر به تولید حجم زیادی از داده‌ها شده است. عدم وجود محدودیت برای به اشتراک گذاشتن اطلاعات در این شبکه‌ها باعث گسترش اطلاعات بدون توجه به اعتبار آنها می‌شود. چنین اطلاعات غلطی معمولاً منجر به تولید و انتشار شایعات می‌گردد. بنابراین، تشخیص خودکار شایعات در شبکه‌های اجتماعی یکی از حوزه‌های تحقیقاتی جذاب برای تجزیه و تحلیل این شبکه‌ها است. این مقاله روشی را برای مقابله با انتشار شایعات در شبکه‌های اجتماعی بر پایه مدل‌ شبکه عصبی خودرمزگذار و مدل انتشار اپیدمی ILSR معرفی می‌کند. در اینجا، مدل‌ شبکه عصبی خودرمزگذار با چندین آستانه ابتکاری برای تشخیص اولیه شایعه اعمال شده و سپس کنترل شایعات توسط یک نسخه توسعه یافته‌ای از مدل شیوع اپیدمی ILSR انجام می‌شود. مدل پیشنهادی با نام ILSHR کاربران شبکه اجتماعی را در پنج گروه جاهل، کمین، پخش‌کننده، خواب زمستانی و سختگیر در نظر می‌گیرد. با توجه به حالات انتقال در مدل انتشار شایعه ILSHR، این مدل علاوه بر خصوصیات مربوط به گروه افراد کمین، خصوصیات گروه افراد خواب زمستانی را نیز از مدل SIHR لحاظ می‌کند. مکانیسم‌های فراموشی و یادآوری از خواب زمستانی می تواند زمان ترمینال شایعه را به تعویق انداخته و در نهایت باعث کاهش تأثیر شایعه در شبکه اجتماعی شود. تجزیه‌و‌تحلیل روش پیشنهادی برای مدل‌سازی انتشار شایعات روی مجموعه داده شبکه اجتماعی سینا ویبو انجام شده است. نتایج نشان دهنده عملکرد بهتر روش پیشنهادی با دقت تشخیص 95.7% نسبت به مدل‌های DGRU و DLSTM می‌باشد. پرونده مقاله

سیستم های پیشنهاد دهنده اجتماعی، نسل جدیدی از این سیستم ها می باشند که از شبکه اجتماعی به عنوان بستر مدل سازی کاربر استفاده می کنند تا با استفاده از حجم غنی داده های تعاملی، برخی از چالش ها را مرتفع نمایند. شبکه های آنلاین اجتماعی، دوستان جدید را به کاربران ثبت شده بر مبنای خصوصیات گراف محلی پیشنهاد می دهند. هدف اصلی مسئله پیش بینی لینک در شبکه های اجتماعی، پیشنهاد لیستی از کاربران به یک کاربر خاص می باشد که احتمالا در آینده با آنها ارتباط برقرار خواهد کرد. در این تحقیق یک روش پیش بینی لینک بر اساس خصوصیات مدل های طبقه بندی ارائه شده است. در اینجا مسئله پیش بینی لینک به یک مسئله طبقه بندی با دو کلاس مثبت و منفی تبدیل شده، جائیکه کلاس مثبت نشان دهنده ارتباط و کلاس منفی نشان دهنده عدم ارتباط دو کاربر است. سه طبقه بند کلاسیک DT، NN و NB برای کار طبقه بندی استفاده شده است. برای ایجاد مجموعه داده از ویژگی های اعتبار، خوش بینی، تعداد همسایه های مشترک، تعداد مسیر با طول های متفاوت، تعداد توئییت های مشترک، تعداد مسیرهای خود محور داخلی و خارجی بهره گرفته می شود. اگر چه شبکه های خودمحور همپوشانی زیادی در حلقه ها ندارند، اما آزمایش ها نشان می دهد که در نظر گرفتن اطلاعات مسیرهای خودمحور به طور قابل توجهی عملکرد پیش بینی را بهبود می بخشد. طبقه بندی DT بهترین عملکرد را با دقت متوسط 99.85% به ثبت رسانیده است. پرونده مقاله

همسویی استراتژی فناوری اطلاعات و کسب و کار و رابطه آن با عملکرد مالی سازمان‌ها از سابقه طولانی برخوردار است. دلیل این امر وجوه مختلف موضوع و نتایج متفاوت آن در دوره‌های زمانی و بافت‌های مختلف سازمانی است. در این مقاله سعی شده است تا رابطه بین همسویی استراتژی فناوری اطلاعات و کسب و کار و عملکرد مالی سازمان در یک دوره زمانی 5 ساله از 1393 تا 1397 مورد بررسی قرار گیرد. از نظریه پیکربندی در مدیریت استراتژیک برای توسعه مدل مفهومی و فرضیات پژوهش استفاده شد. از این رو با تحلیل داده‌های بدست آمده، استراتژی فناوری اطلاعات در سه پیکره‌ی رفتار توسعه‌ای، رفتار نوآورانه و رفتار محافظه‌کارانه و استراتژی کسب و کار در چهار پیکره‌ی نوآران، مدافعان هزینه، مدافعان تمایز و تحلیل‌گران پیکربندی شدند. فرضیه‌های پژوهش چگونگی رابطه بین ترکیب پیکره‌ها و عملکرد مالی سازمان است. از این رو از دو روش آزمون همسویی به منزله همبستگی و همسویی به منزله گشتالت استفاده شد. در آزمون همبستگی روابط بین ترکیب‌ها از ادبیات تحقیق استخراج شد و در روش گشتالت ترکیب پیکره‌ها به صورت اکتشافی با داده‌های مسئله بدون پیش‌فرض ادبیات تحقیق انجام گرفت. نتایج آزمون همبستگی نشان داد که به جز رابطه بین پیکره محافظه‌کارانه و مدافع هزینه دیگر روابط با عملکرد رابطه معناداری ندارند. در روش گشتالت دو خوشه بدست آمد که خوشه اصلی با عملکرد بالا عمدتاً ترکیبی از استراتژی‌های نوآران، مدافع تمایز از سمت کسب و کار و استراتژی‌های نوآرانه و توسعه‌ای از سمت فناوری اطلاعات است. پرونده مقاله