پیوند ها
آمار بازدید سایت
مکانیزم چرخ رولت در الگوریتم ژنتیک (عملگر انتخاب)
چرخه الگوریتم ژنتیک

الگوریتم ژنتیک دارای سه گام می باشد:
گام اول جمعیت اولیه : جمعیت اولیه در واقع شامل تعدادی کروموزوم (همان جواب های احتمالی مسئله) می باشد. اطلاعات کامل در مورد جمعیت اولیه رو می تونید در این مطلب مطالعه کنید.
گام دوم ارزیابی کروموزوم ها : تابع برازش مشخص میکند که هر یک از کروموزوم ها (یا همان جواب های مسئله) چقدر خوب هستند. خلاصه مطالب مربوط به تابع برازش (تابع ارزیابی کروموزوم ) رو توی مطالب زیر می تونید دنبال کنید.
گام بعدی و گام سوم بحث انتخاب کروموزوم است. برای این منظور ما ابتدا فرایند انتخاب را در محیط واقعی بررسی میکنیم.
با توجه به نظریه های حوزه ژنتیک (که ما زیاد بهشون کار نداریم) برای تولید نسل جدید از جمعیت فعلی ، باید کروموزوم هایی از این جمعیت را برای ادغام و تکثیر انتخاب کنیم که از بهینگی بیشتری برخوردارند (بهینگی هر کروموزوم با استفاده از تابع برازش محاسبه می شود). هر چه یک کروموزوم بهتر باشد شانس بیشتری برای انتخاب خواهند داشت.
نکته مهم در این در پاراگراف بالا این است که، ما باید از بین جمعیت فعلی، تعداد کروموزوم رو انتخاب کنیم و بر اساس اون نسل بعدی رو ایجاد کنم. مهمترین نکته در این فرایند شیوه انتخاب کروموزوم است. روش های مختلفی برای انتخاب کروموزوم وجود دارد که هر یک مزیت ها و معایب مربوط به خود را دارد. هر یک از روشهای انتخاب با عنوان ” عملگر انتخاب ” شناخته می شوند. هر یک از این عملگرها یک مبتنی بر یک منطق هستند.
قبل از ادامه بحث مسئله “انتخاب” در بین موجودات رو بررسی می کنیم. قصد داریم ببینیم منشائ این گام الگوریتم ژنتیک کجاست.
برای این موضوع از مستندات حیات وحش که توی تلویزیون زیاد پخش میشه، کمک می گیریم. توی قانون طبیعت، حیوانات قوی تر تعیین کننده نسل بعدی هستند، یعنی هر چه یک حیوان قوی تر باشد احتمال بیشتری در زاد و ولد و فرزند آوری دارد. در این بین، حیواناتی که ضعیف تر هستند و یا بیمار هستند شانس کمتری برای زاد و ولد دارند. از انجایی که فرزندان، خصوصیات ژنتیکی خود را از پدر و مادر به ارث می بند هر چه پدر و مادر قوی تر باشند، فرزندان بهتری را در نسل بعدی تولید خواهند کرد. در نتیجه نسل بعدی شانس بقائ بیشتری را خواهد داشت.
این موضوع را می توان از دید سازگاری با محیط اطراف نیز بررسی کرد. به عبارت دیگر هر چه یک موجود بتواند خود را بیشتر با محیط تطبیق دهد احتمال زنده ماندن بیشتری دارد، و احتمال اینکه در تولید نسل بعدی نقش داشته باشد بیشتر است. اگر موجودات نتوانند خود را با شرایط اطراف خود تطبیق دهند از بین خواهند رفت.
به طور خلاصه: هر چه یک حیوان قوی تر باشد در تولید فرزند و زاد و ولد نسل بعدی نقش بیشتری خواهد داشت، چون فرزندانی را به وجود خواهند آورد، که تضمین کننده بقاء نسل آنهاست.
در الگوریتم ژنتیک نیز این اصل پیاده سازی شده است. که با عنوان مکانیزم های انتخاب شناخته می شوند که همون عملگر انتخاب در الگوریتم ژنتیک هستند. این مکانیزم ها از بین جمعیت فعلی (که همون کروموزوم ها هستند)، سعی میکنند بهترین ها را انتخاب کنند. این کروموزوم ها به عنوان والدین نسل بعدی شناخته می شوند و نسل بعدی از آنها تولید می شود.
در این مکانیزم ها؛ معمولا دو کروموزوم انتخاب می شوند (به عنوان پدر و مادر)، و دو کروموزوم جدید (فرزند) تولید می شود. مانند قانون طبیعت در الگوریتم ژنتیک نیز هر یک از فرزندان بخشی از ویژگی های خود را از پدر و بعضی دیگر را از مادر به ارث می برند.
اولین مکانزیم انتخاب که با نام چرخ رولت (roulette wheel) شناخته می شود که محبوب ترین و پرکاربردترین مکانیز انتخاب است. که در این مطلب قصد داریم آن را بررسی کنیم. این روش با نام Fitness proportionate selection یا انتخاب بر اساس میزان مناسب بودن تابع برازش کروموزوم نیز نامیده می شود.
کارکرد این الگوریتم چگونه است؟
همانطور که در شکل مشخص است در گام دوم الگوریتم ما هر کروموزوم رو با استفاده از تابع برازش ارزیابی کردیم (اطلاعات کامل در مورد تابع برازش رو میتونید در این مطلب بخونید).
منطق مکانیزم چرخ رولت: در مکانیزم چرخ رولت هر یک از کروموزوم ها بسته به میزان مناسب بودنشون (بر اساس تابع برازش) احتمال انتخاب شدن رو دارن. به عبارت دیگر هر چه یک کروموزوم بهتر باشه احتمال انتخاب شدنش برای تولید نسل بعدی بیشتر هستش و برعکس هر چه کروموزوم بدتر باشه، احتمال انتخاب شدن اون برای تولید نسل بعدی کمتر هستش.
شیوه پیاده سازی چرخ رولت: همانطور که در چرخه الگوریتم ژنتیک مشخصه در گام دوم همه کروموزوم ها ارزیابی شدن یعنی ما می دونیم که هر کروموزوم بر اساس تابع برازش چه ارزشی رو بدست آورده. با استفاده از این مقادیر ما می تونیم احتمال انتخاب شدن هر کروموزوم رو مشخص کنیم. این احتمال از فرمول زیر بدست میاد
Probability (chromosomes C) = Fitness(chromosomes C) / Sum Fitness(All chromosomes)
فرمول بالا به طور خلاصه یعنی اینکه، ما میاییم نسبت خوب بودن یک کروموزوم رو با میزان خوب بودن تمامی کروموزوم ها محاسبه میکنیم. هر چه این عدد بزرگتر باشه، احتمال انتخاب اون کروموزوم بیشتر، به عبارت دیگر شانس بیشتری برای تولید نسل بعدی داره. و بر عکس هر چه این عدد کمتر باشه احتمال انتخاب اون کروموزوم کمتر میشه به عبارت دیگر شانس کمتری در تولید نسل بعدی داره.
فرمول بالا رو به صورت ریاضی به شکل زیر نمایش میدن

احتمال انتخاب کروموزوم i برابر است با نسبت تابع برازش کروموزوم i به مجموع تابع برازش همه کروموزوم ها.
در مطلب قبلی چرخ رولت رو به عنوان یکی از مکانیزم های مربوط به عملگر انتخاب توضیح دادیم. همون طور که قول دادیم قصد درایم در این مطلب این مکانیزم رو با یک مثال بررسی کنیم.
مثالی که در این مطلب ارائه میشه کاملا فرضی است، و هدف اصلی آن آشنایی با مکانیزم چرخ روبت است. در مطالب بعدی نمونه های واقعی را بررسی می کنیم.
فرض کنید ما یک مسئله خاص را قرار است با الگوریتم ژنتیک جل کنیم. گام اول الگوریتم، تولید جمعیت اولیه (راه حل ها یا کروموزوم ها) و گام دوم الگوریتم، ارزیابی راه حل ها رو انجام دادیم و خروجی به صورت زیر است (اگر در مورد جمعیت اولیه ابهام دارید می توانید این مطلب و اگر در مورد تابع برازش و ارزیابی راه حل ها ابهامی دارید می توانید این مطلب را مطالعه کنید)
Fitness_Function (Chromosome1) = 1
Fitness_Function (Chromosome2) = 4
Fitness_Function (Chromosome3) = 3
Fitness_Function (Chromosome4) = 2
فرض کنید در تابع فوق، هر چه بیشتر باشد عدد حاصل بزرگتر باشد به این معنا است که راه حل (کروموزوم) بهتر است. در نتیجه بر اساس خروجی بالا کروموزوم ۲ بهترین کروموزوم و کروموزوم ۱ بدترین کروموزوم است. همانطور که در ارتباط با مکانیزم چرخ رولت بیان کردیم هر چه یک کروموزوم بهتر باشه احتمال انتخاب شدنش برای تولید نسل بعدی بیشتر هستش و برعکس هر چه کروموزوم بدتر باشه، احتمال انتخاب شدن اون برای تولید نسل بعدی کمتر هستش. در نتیجه کروموزوم ۲ بیشترین احتمال انتخاب را دارد و کروموزوم شماره ۱ کمترین احتمال رو برای تولید نسل بعدی دارد.
خوب بزارید مثال رو ببریم جلو، توی مطلب قبلی گفتیم که احتمال انتخاب شدن هر کروموزوم بر اساس فرمول زیر بدست می آد
Probability (chromosomes C) = Fitness(chromosomes C) / Sum Fitness(All chromosomes)
خوب مجموعه مقادیر Fitness برای ۴ کروموزوم بالا میشه ۱+۴+۳+۲ = ۱۰
حالا باید احتمال هر کروموزوم رو حساب کنیم
Probability (chromosomes C1) = Fitness(chromosomes C1) / Sum Fitness(All chromosomes) = 1/10 = 0.1
Probability (chromosomes C2) = 4/10 = 0.4
Probability (chromosomes C3) = 3/10 = 0.3
Probability (chromosomes C4) = 2/10 = 0.2
گام آخر الگوریتم چرخ رولت این است که با توجه به محاسبات بالا کروموزوم ها را برای تولید نسل بعدی انتخاب کنیم. این کار به صورت زیر انجام می شود. با توجه به اینکه مجموعه احتمالات کروموزوم ها برابر ۱ است در نتیجه می آییم و احتمال انتخاب کروموزوم ها رو روی یک بردارد به اندازه یک نگاشت می دهیم این کار برای مثال بالا به صورت زیر انجام می شود.
خوب تا اینجا ما عمل نگاشت رو انجام دادیم. و در گام آخر ما میاییم و یک عدد تصادفی بین ۰ تا ۱ تولید میکنیم. این عدد در هر بازه ای قرار بگیرید یعنی آن کروموزوم انتخاب شده است. مثلا اگر عدد تصادفی ۰٫۲۵ باشد، چون بین ۰٫۱ تا ۰٫۵ است در نتیجه کروموزوم شماه دو انتخاب می شود. و یا مثلا اگر ۰٫۸۹ انتخاب شد چون بین ۰٫۸ تا ۱ است کروموزوم شماره ۴ انتخاب می شود.
برچسب های مهم
یادگیری صفر تا صد شبیه سازی در محیط ابری با استفاده از کلودسیم در نتبینز
(این پک آموزشی در 17 فیلم آموزشی به صورت کاملا عملی و با زبان فارسی توسط مدیر محترم کانال cloud_cloudsim تهیه شده است و برای استفاده شما دوستان در سایت کلودسیم قرار داده ایم ان شاالله مفید واقع شود.)
در این قسمت یک ابزار پرکاربرد به نام کلودسیم که در دنیاي رایانش ابري استفاده می شود معرفی شده و روشکار با آن، چارچوب هاي برنامه نویسی در آن، چگونگی اجراي الگوریتم معرفی شده در این محیط توضیح داده می شود. زبان برنامه نویسی مرتبط با آن جاوا می باشد.
محیط آزمایش : شبیه ساز کلودسیم
با توجه به چالشهاي موجود در ارزیابی محیط ابري مانند نیاز به تغییرات مداوم در منابع، اندازه سیستم، تقاضاها،بارکاري متغیر و پیکربندي مجدد زیر ساخت ها در محیط هاي مقیاس پذیر، قابل اطمینان و تکرار پذیر به دلیل صرف زمان و هزینه بسیار نمی توان از محیط ابر واقعی استفاده نمود.
بنابراین بهترین گزینه به کارگیري، ابزارهاي شبیه ساز است که مزایایی چون امکان تست سرویسها را در محیطی قابل کنترل و تکرار پذیر را فراهم می آورد، شناسایی گلوگاه هاي سیستم پیش از استقرار در محیط ابر واقعی، اجراي سناریوهاي مختلف از لحاظ بار کاري و کارایی منابع از جمله مزایاي این ابزار ها می باشند. کلودسیم یک چارچوب شبیه ساز عمومی و توسعه پذیر است که امکان مدلسازي و شبیه سازي و آزمایش سرویس هاي کاربردي و زیر ساخت هاي رایانش ابري را ایجاد می کند.
از جمله قابلیت هاي کلودسیم می توان به پشتیبانی از شبیه سازي محیط هاي ابري وسیع، مدلسازي سیاست هاي تخصیص منابع و مدیریت سرویس هاي مجازي اشاره نمود. برتري این ابزار نسبت به سیم گرید، گرید سیم تفکیک لایه هاي متفاوتی است که در رایانش ابري مورد نیاز است، (لایه هاي زیر ساخت به عنوان سرویس، سکو به عنوان سرویس، نرم افزار به عنوان سرویس)و امکان مدلسازي محیط هاي ابري با مقیاس دلخواه، مراکز داده و واسطه هاي سرویس، انواع سیاستهاي عرضه و تخصیص، اتصالات شبکه، مدیریت مجازي سازي، تخصیص هسته هاي پردازشی به سرویس هاي مجازي به صورت اشتراك زمانی می باشد. با توجه به مزایاي کلودسیم و استفاده از این ابزار در مقالات پایه، این شبیه ساز به عنوان ابزار براي بدست آوردن نتایج به کار گرفته شده است.
برای دانلود هر بخش روی لینک مربوط کلیک نمایید.
(دانلود بخش اول، دانلود بخش دوم)
(دانلود بخش سیزدهم، دانلود بخش چهاردهم، دانلود بخش پانزدهم، دانلود بخش شانزدهم)
با امید موفقیت شما
برچسب های مهم
الگوریتم طبقه بندی k-نزدیک ترین همسایه فازی داده برای محرمانگی در محاسبات ابری WORD
فهرست مطالب عنوان صفحه 1-1 مقدمه2 1-2 تعریف مساله و بیان سوالهای اصلی تحقیق3 فصل دوم: مباحث عمومی پردازش ابری، امنیت و شبیهسازی10 2-2 تاریخچهی مختصری از رایانش ابری11 2-4-1 ویژگی کلیدی رایانش ابری17 2-4-2 مزایای اصلی رایانش ابری18 2-4-3 کارهای امکانپذیر در رایانش ابری.18 2-6 امنیت و چالشهای رایانش ابری21 2-8-1 نیاز به اتصال دائمی اینترنت22 2-8-2 کار نکردن با اینترنت کم سرعت23 2-9 معایب امنیتی در محیطهای ابری23 2-12 برخی نرمافزارهای شبیهسازی شبکههای محاسباتی28 2-13 آشنایی با ابزار کلودسیم29 2-14 مدلهای تخصیص ماشینهای مجازی31 2-15 کلاسهای موجود در کلودسیم32 فصل سوم: مروری بر کارهای گذشته والگوریتمهای رمزنگاری37 3-6 تعریف داده حساس و غیرحساس46 3-7 طبقهبند-Kنزدیکترین همسایه48 3-11 استاندارد رمزنگاری پیشرفته54 فصل چهارم: معرفی روش پیشنهادی57 4-2 معرفی روش جدید -Kنزدیکترین همسایه فازی برای طبقهبندی داده در محاسبات ابری58 4-3 تفاوت در نتایج حاصله از الگوریتمهای طبقهبندی58 4-5-1 داده آموزشی و داده تست61 فصل پنجم:آزمایشها و ارزیابی نتایج67 5-2 جایگاه داده آزمایش ومحیط پیاده سازی واجرا68 5-3 مقایسه نتایج بدست آمده از الگوریتم -K نزدیکترین همسایه عادی و فازی 72 5-4 خصوصیات لایه نرم افزار به عنوان سرویس76 5-5 خصوصیات لایه پلتفرم به عنوان سرویس برای مدیریت مجازی77 5-6 خصوصیات لایه زیرساخت به عنوان سرویس در شبیهسازی ابر78 5-9 زمان شبیهسازی مراحل کار81 فصل ششم:نتیجهگیری و پیشنهادها84 چکیدهانگلیسی................................................................................................................................93 فهرست جدول
عنوان صفحه جدول2-1 مقایسه محاسبات ابری و محاسبات توری......... 13 جدول 2-2کلاسهای پهنایباند........................... 30 جدول 2-3 کلاسهای تکهابر............................. 31 جدول5-1 کلاس های برنامه............................. 69 جدول 5-1 تعداد آیتم های تکه ابر الگوریتم KNN و F-KNN73 جدول 5-2 خصوصیات لایه نرم افزار به عنوان سرویس الگوریتم KNN 76 جدول 5-3 خصوصیات لایه نرم افزار به عنوان سرویس الگوریتم F-KNN76 جدول 5-4 خصوصیات لایه پلتفرم به عنوان سرویس الگوریتمKNN 77 جدول 5-5 خصوصیات لایه پلتفرم به عنوان سرویس الگوریتم F-KNN 77 جدول 5-6خصوصیات لایه زیرساخت به عنوان سرویس الگوریتم KNN 78 جدول 5-7 خصوصیات لایه زیرساخت به عنوان سرویس الگوریتم F-KNN 78 جدول 5-8 اطلاعات طبقه بندی داده در الگوریتم KNN.... 79 جدول 5-9 اطلاعات طبقه بندی داده در الگوریتم F-KNN.... 79 جدول 5-10 نتایج زمانی شبیه سازی طبقهبندی دادهها با الگوریتم KNN................................................... 80 جدول 5-11 نتایج زمانی شبیه سازی طبقهبندی دادهها با الگوریتم F-KNN................................................... 80 جدول 5-12 زمان شبیه سازی مراحل کار الگوریتم KNN... 81 جدول 5-13 زمان شبیه سازی مراحل کار الگوریتم F-KNN... 81
فهرست اشکال
عنوان صفحه شکل 2-1 سرویسهای رایانش ابری..................... 14 شکل 2-2 پشتیبانی از بستر ناهمگن ................. 16 شکل 2-3 معماری محاسبات ابری...................... 19 شکل 3-1 فلوچارت یادگیری ماشین.................... 43 شکل 3-2 رمزنگاری به شیوه پیچیدن تکه کاغذی دور استوانه 46 شکل3-3 تقسیم بندی الگوریتمها رمزنگاری............ 47 شکل3-4 رمزنگاری با کلید متقارن................... 47 شکل3-5 رمزنگاری با کلید نا متقارن................ 47 شکل3-6 ابداع کنندگان رمزنگاری RSA............... 49 شکل3-7 پروتکل تبادل رمز دیفی ـ هلمن.............. 50 شکل 4-1 فلوچارت کلی روش.......................... 60 شکل4-2 نمودار توصیفی الگوریتمهای فازی............ 64 شکل 4-3 شبهکد الگوریتم F-KNN ................................................................................................65 شکل 5-1 فلوچارت الگوریتم های طبقه بندی........... 72 شکل 5-2 محیط شبیهسازی با الگوریتم KNN و F-KNN.... 74
فهرست علائم اختصاری
پردازش ابری و محیط ابر و پایگاه دادههای ابری محل ذخیرهسازی اطلاعات روی وب میباشد و برای بالا بردن امنیت در آن ها باید بهترین راه حل را استفاده کرد. مساله ما در اینجا طبقهبندی دادههای محرمانه و فوقمحرمانه و سپس رمزگذاری آن ها برای ذخیره در ابر میباشد برای این کار سرعت و دقت بسیار مهم میباشد. در این پژوهش یک الگوریتم طبقهبندی داده فازی، در محیط ابری استفاده شده است که در نهایت با زبان جاوا و در شبیهساز کلودسیم شبیهسازی شد و توانست طبقهبندی موثری برای دادهها در محیط ابر ایجاد کند. الگوریتم طبقهبند ارایه شده، الگوریتم k-نزدیکترین همسایه فازی است. با توجه به خصوصیات خوبی که الگوریتم k-نزدیکترین همسایه فازی دارد توانست با سرعت و دقت بیشتر دادههای محرمانه، فوق محرمانه و عمومی را طبقهبندی کند و برای رمزگذاری مناسب برای ذخیره سازی در ابر آماده کند و کارایی طبقهبندی داده برای ذخیرهسازی در ابر را بهبود بخشد. روش کار بدین صورت می باشد که دادههای یک پایگاه داده 15000 رکوردی ابتدا توسط الگوریتم k-نزدیکترین همسایه عادی طبقهبندی میشود و دادهها به مرحله رمزگذاری فرستاده میشوند و در نهایت در ابر ذخیره میشوند و در مقابل آن همان پایگاه داده توسط الگوریتم k-نزدیکترین همسایه فازی طبقهبندی میشود و به سه کلاس فوق محرمانه، محرمانه و عمومی به مرحله بعدی که رمزگذاری و ذخیره در ابر میباشد فرستاده میشود. در پیادهسازی این روش از زبان جاوا و شبیهساز کلودسیم استفاده شده است و نتایج حاصل به خوبی بیانگر کارایی بهتر الگوریتم k-نزدیکترین همسایه فازی میباشد که موجب تولید نتایج بهتر نسبت به الگوریتم k-نزدیکترین همسایه عادی میشود . واژههای کلیدی: پردازش ابری، امنیت، طبقهبندی k-نزدیکترین همسایه، طبقهبندی k-نزدیکترین همسایه فازی فصل اول1-1 مقدمه رایانش ابری به عنوان یکی از مشهورترین و داغترین موضوعات در زمینه فناوری اطلاعات پدیدار گردید. امروزه کاربران اینترنت به وسیله ابزارهای الکترونیکی بسیار سبکی به سرویسهای آن دسترسی دارند، در چنین حالتی کاربران نیازهای خود را که ممکن است نیازمند پردازش سنگینی باشد برحسب تقاضا درخواست میکنند و بدون توجه به حمل سرویس و چگونگی ارائه آن، به مشاهده نتایج بازگردانده شده میپردازند. رایانش ابری برپایه TCP/IP و برپایه اینترنت[1]بوده و شامل پردازندهها با حافظههای عظیم، شبکه انتقال داده سریع و معماری سیستمهای قابل اعتماد میباشد و بدون پروتکلهای استاندارد حاکم بر شبکه نمیتوان موجودیتی به این فناوری بخشید (گونگ، لیو، رانگ، چن، گونگ[2]، 2010). سرویسهای این تکنولوژی به 3 دسته عمده تقسیم می شود: زیرساخت به عنوان سرویس[3]، سکو به عنوان سرویس[4] و نرمافزار به عنوان سرویس[5] میباشند. رایانش ابری به 55 لایه، مشتری، کاربردی، سکو، زیرساخت و سرورها تقسیم می شوند. تحمل خطای فوق العاده این فناوری، وفق پذیری آن با زیرساخت شبکه افزایش میدهد. ویژگی کاربرد آسان آن، تمام پیچیدگی سرویسها را مخفی کرده و کاربران را با رابطی ساده به مرکز داده متصل میکند. مجازیسازی و امنیت بالا نیز از خصوصیات دیگر این تکنولوژی میباشد (ریکیاکس، پالیز، کاتاسرس، مهرا، وکالی[6]، 2009). با توجه به اهمیت زیاد فرایند پردازشهای ابری و مبحث امنیت آن، در این تحقیق سعی بر این است تا طبقهبندی دادههای محرمانه با استفاده از الگوریتم طبقهبندی نزدیکترین همسایه فازی به این مهم دست یابیم. در این بخش به تعریف مساله و معرفی ایده خود خواهیم پرداخت. 1-2 تعریف مساله و بیان سوالهای اصلی تحقیق طبق تعریف موسسه ملی استاندارد و فناوری (NIST)[7] رایانش ابری مدلی است برای فراهم کردن دسترسی آسان براساس تقاضا کاربر، از طریق شبکه به مجموعهای از منابع رایانش قابل تغییر و پیکربندی (مثل سرورها، شبکهها، فضاهای ذخیرهسازی، برنامههای کاربردی و سرویسها) که این دسترسی بتواند با کمترین نیاز به مدیریت منابع و یا نیاز به دخالت مستقیم فراهم کننده سرویس به سرعت فراهم شده یا آزاد گردد (کچین، هس[8]، 2010). محاسبات ابری ساختاری است که به ما امکان میدهد تا به برنامههای کاربردی دسترسی داشته باشیم که در مکانی غیر از کامپیوترها یا در دیگر ماشینهای متصل به اینترنت قرار دارند. اکثر مواقع این مکان یک مرکز داده از راه دور میباشد. محاسبات ابری[9] حذفهای عملیاتی و سرمایهایی را نوید میدهد و مهمتر اینکه به بخشهای ITT امکان میدهد تا بهجای حفظ اجرای مرکز دادهها، بر روی پروژههای استراتژیک متمرکز گردند. هزینه مدیریت منابع بسیار بیشتر از هزینه واقعی خود منابع است پس بهتر است منابع را از طریق ابر از صاحب منبع اجاره کرد. با توجه به اینکه پردازش ابری مزایای فراوانی به دنبال خواهد داشت، جنبهایی که هنوز باعث عقبنشینی بسیاری از سازمآن ها در برابر این فناوری میگردد. نحوه امنسازی دادهها در ابر و اطمینان از امنیت محیط است. البته امنیت در پردازش ابری را می توان نسبی، فرض کرد. در واقع امنیت بزرگترین نقطه ضعف پردازش ابری میباشد که راهکارهای بسیاری در این زمینه تدارک دیده شده است. رمزگذاری تقریبا تا حدی امنیت دادهها را تامین میکند، اما با مشکلاتی که در بازیابی اطلاعات به وجود می آورد، باز هم بحث امنیت، به واژهایی ترسناک در ابر باقی میماند. تا کنون روشهای زیادی نیز برای تامین امنیت تدارک دیده نشده، اما بحث نگران کننده دسترسی و دستکاری دادههای مشتریان، توسط کارمندان داخلی میباشد. هنگام استفاده از ابر ریسکهای امنیتی وجود دارد اما شرکتهای معتبر و معروف تلاش میکنند تا ایمنی و امنیت را حفظ کنند. درابر تکنیکهای زیادی برای امنیت دادهها به کار رفته است. رمزگذاری دادهها تکنیکی است که به طور گسترده مورد استفاده قرار گرفته است. رمزگذاری دادهها، قبل از ارسال باعث حفاظت از آن ها می شود. قبل از اجرای هر گونه اقدام امنیتی روی داده در ابر، بهتر است نیازهای امنیتی داده را بدانیم. چه دادهای نیاز به امنیت دارد و چه دادهایی نیاز به امنیت ندارد. در این تحقیق با استفاده از الگوریتم طبقه بندی k- نزدیکترین همسایه فازی[10] و عادی، دادهها را طبقهبندی کرده سپس دادههای نیازمند امنیت را با الگوریتمهای رمزگذاری میکنیم. 1-3 سابقه و ضرورت انجام تحقیق هدف این تحقیق این است که به وسیله الگوریتم طبقهبندی k- نزدیکترین همسایه فازی بتوانیم بهبودی در امنیت دادههای محاسبات ابری ایجاد کنیم. الگوریتم k- نزدیکترین همسایه عادی دادهها را براساس محرمانه بودن طبقهبندی میکند. تکنیک طبقهبندی داده یا Knn در محیط ابر کاربرد دارد. دادهها به دو کلاس حساس و غیرحساس تقسیم میشوند. دادههای غیرحساس به امنیت نیاز ندارند، اما دادههای حساس با کمک الگوریتم RSA[11] رمزگذاری میشوند. طبقهبندی Knnn یک الگوریتم یادگیری ماشین میباشد که در روش بازشناسی الگو چندین دهه مطالعه شده است[12]. (منور، تانگ جانگ، توردین، 2013). طبقهبندی KNN دو مشکل اساسی دارد اول تعیین مقدار k- توسط کاربرد دوم نزدیک ترین همسایگان نمونه تست را با درجه اهمیت یکسانی در نظر میگیرد. به همین دلیل و مشکلاتی که الگوریتم Knn عادی دارد (کیلر، گای و جیونز[13]) از الگوریتم طبقه بندی[14]Knn فازی استفاده کردند. اکثر کارهای انجام گرفته با رویکرد فازی در زمینه یادگیری با نظارت بوده در حالی که تعداد کمی از آن ها برای یادگیری نیمه نظارتی و یادگیری بدون نظارت انجام گرفته است و این در حالی است که برچسب زنی تمام دادهها کاری دشوار، پرهزینه و زمان بر است. در این تحقیق به معرفی الگوریتم نزدیکترین همسایه فازی در زمینه یادگیری، نظارتی میپردازیم. روش پیشنهادی برخلاف بسیاری از روشها و الگوریتمهای طبقهبندی موجود نیاز به هیچ حد آستانه قابل تنظیم توسط کاربر ندارد. همچنین نتایج تجربی نشان داده که الگوریتم Knn فازی نسبت به روشهای مقایسه شده، کارایی بالاتری دارد. لازم به ذکر است که بکارگیری الگوریتم Knn عادی برای طبقهبندی دادهها در جهت امنیت دادههای محرمانه[15] در محاسبات ابری انجام پذیرفته است.[16]اما الگوریتم Knn فازی در طبقهبندی دادههای در محاسبات ابری بکار نرفته است. در این تحقیق سعی خواهد شد با بکارگیری این الگوریتم بررسی شود آیا بهبودی در امنیت دادههای محرمانه محاسبات ابری انجام خواهد پذیرفت یا خیر.
|
تمامی امکانات لازم برای ساخت استیکر در این برنامه وجود دارد
و شما یک کارگاه ساخت استیکر را در اختیار خواهید داشت
جهت آپدیت نسخه قدیمی را حذف کنید
عزیزانی هم که نظر منفی ثبت کردند حتی حاضر به تماس با پشتیبانی ما نشدند
اگر پشتیبانی ما مشکلات شما را طبق آنچه در خصوصیات برنامه نوشته شده رفع نکرد وجه شما بلافاصله برگشت داده خواهد شد
لطفا درست قضاوت کنید
نمونه های ساخته شده با انواع فونت و استیکر های آماده:
http://telegram.me/addstickers/javansofttst
https://telegram.me/addstickers/Admkjvsft
*نرم افزار آموزشی نیست*
بهترین استیکر ساز بازار
استیکر بسازید و به دوستاتون هدیه بدید و یا حتی کسب درآمد کنید.
شده تا حالا خواسته باشین متن یا عکس ها یا حتی عکس نوشته های مورد علاقتون رو
تبدیل به استیکر تلگرام کنین و همیشه در گفتگوهاتون ازشون استفاده کنین؟
برای ساخت استیکر تلگرام تصاویر شما باید اندازه و فرمت خاصی داشته باشند که این
کار با نرم افزار فتوشاپ در کامپیوتر انجام میشه و مراحلش واقعا زمان بره
دوستان برای اینکه منظورمو از زمان بر بفهمید کافیه یه بار با فتوشاپ استیکر بسازید و یه بار هم با نرم افزار و سرعت ساخت و مراحل رو مقایسه کنید
ما نرم افزاری در اختیار شما گذاشتیم که بدون فتوشاپ و با استفاده از گوشی خودتون
متن و عکس هاتونو تبدیل به استیکر تلگرام کنین.
حتما یه بار آموزش هارو بخونید مطمئن باشید همه چی واضح توضیح داده شده و بعد از یه بار خوندن کاملا میفهمین
کافیه چند دقیقه وقت بزارین و بعدش شروع کنید به ساخت پک استیکر به تعداد نامحدود
مزایای نرم افزار بسیار کاربردیه که شامل:
امکان وارد سازی متن به تعداد نامحدود
دارای 20 فونت جذاب فارسی و انگلیسی برای ویرایش متن وارد شده
دارای رنگ های متفاوت برای متن
امکان ساخت استیکر های آماده با متن دلخواه
امکان زوم و کوچک کردن تصویر
امکان افزودن متن به تصویر
رابط گرافیکی بسیار سبک و زیبا
آموزش تصویری و کاملا واضح
پشتیبانی کامل نرم افزار
مطمئنا هیچ برنامه و برنامه نویسی کامل نیست
خوشحال میشویم با نظرات و انتقادات خود ما را در ساخت ورژن بعدی یاری نمایید.
برچسب های مهم
کلودسیم CloudSim یک ابزار شبیه سازی توسعه پذیر است که امکان مدل سازی و شبیه سازی سیستم های رایانش ابری و آماده سازی برنامه های کاربردی را فراهم می آورد.
نرم افزار کلودسیم CloudSim (دانلود نرم افزار)قابلیت مدل سازی سیستم و رفتار مولفه های سیستم رایانش ابری از قبیل مراکز داده، ماشین های مجازی (VMs) و سیاست های تامین منابع را فراهم می کند.
نرم افزار کلودسیم ، تکنیک های تامین برنامه های کاربردی را به صورت کلی فراهم می کند که می توانند با سهولت و تلاش کم توسعه یابند.
در حال حاضر، نرم افزار کلودسیم CloudSim از مدلسازی و شبیه سازی محیط های رایانش ابری متشکل از رایانش ابری واحد و رایانش ابری میان شبکه (Federation of Clouds) پشتیبانی می کند.
علاوه بر این، نرم افزار کلودسیم CloudSim واسط های سفارشی را برای پیاده سازی سیاست ها و تکنیک های تامین منابع برای تخصیص ماشین های مجازی VMs در سناریوهای رایانش ابری میان شبکه فراهم می کند.
نرم افزار CloudSim یک کتابخانه سورس باز به زبان جاوا است که برای شبیه سازی محیط کلود برای رایانش ابری استفاده می شود ،
نرم افزار کلودسیم برای اجرا نیازی به نصب ندارد ، اما باید کتابخانه را کامپایل و اجرا کنید .
این آموزش کلودسیم مراحل پیکربندی و استفاده از نرم افزار CloudSim در محیط اکلیپس Eclipse را نشان می دهد .
در اینجا نرم افزار اکلیپس در لینوکس ( اوبونتو نسخه 14.04 ) نصب شده است اما در ویندوز هم محیط اکلیپس به همین صورت می باشد و می توانید از همین فیلم آموزشی استفاده کنید .منبع فیلم
برچسب های مهم
Cloudsim
در واقع یک پکیج است از یکسری کلاس و مثال های از پیش آماده که برای اجرا و استفاده از این فایل ها نیاز به نرم افزار های خاص مانند جاوا می باشد.
در ابتدا توسط دانشگاه ملبورن روانه بازار شد با جاوا طراحی شده است و یک نرم افزار نسخه باز است که در محیط های ویندوز یونیکس و لینوکس قابل اجرا است که نسخه اولیه آن در سال 2009 و نسخه نهایی در سال 2012 وارد بازار شده است.
کاربردهای کلود سیم
با استفاده از Toolkitآن بسیاری از عملیات مربوط به محاسبات ابری را می توان
شبیه سازی کرد ...
و...
معماری کلود سیم
متشکل از لایه هایی است که با استفاده از این لایه ها ,عملیات مربوط به شبیه سازی و مدل سازی را انجام می دهد:
در معماری جدید دو لایه آخر حذف شده اند.
لایه user code
این لایه شامل سیاست های زمانبندی user/Broker پیکربندی برنامه های کاربردی و سناریوهای مختلف می باشد.
لایه cloudsim
این لایه برای شبیه سازی محیط رابطه های کاربر مانند cloudlet ماشین های مجازی و مدیریت ماشین های مجازی و مدیریت برنامه های اجرایی و نظارت بر سرویس های کلود و منابع کلود در این لایه پیاده سازی می شود.
لایهcloudsim core simulation engine
عملیات های مربوط به دو لایه حذف شده را این لایه انجام می دهد عملیاتی برای زیر ساخت گرید و کلود سیم مانند:
عملیات مربوط به صف و پردازش رویدادها
ارتباط میان موجودیت ها
ایجاد کامپوننت های اصلی
مدل های تخصیص ماشین مجازی
(a) Space-shared for VMs and tasks
(b) Space-shared for VMs and Time-shared
for tasks
(c) Space-shared for tasks, Time-shared
for VMs
(d) Time-shared for VMs
and tasks.
کلاس های موجود در کلود سیم
کلاس SanStorage:
با ایجاد یک رابط ساده برای شبیه سازی ذخیره سازی و بازیابی داده ها در محیط ابراستفاده می شود .برای هر san storageموارد زیر در نظر گرفته می شود:
- انتخاب نام san
- ظرفیت ذخیره سازی
- پهنای باند
- تأخیر شبکه
کلاس VM:
برای شبیه سازی ماشین های مجازی و مدیریت آنها.
برای هر ماشین مجازی موارد زیر در نظر گرفته می شود:
- Idماشین مجازی
- مقدار cpu
- مقدار حافظه
- پهنای باند
- میزان فضای ذخیره سازی
- سیاست ها ی مربوط به تخصیص ماشین مجازی
کلاس Cloudlet:
برای شبیه سازی یک تکه ابر است و برای مدلسازی سرویس اپلیکیشن های مبتنی بر ابر مانند شبکه های اجتماعی
هرcloudlet دارای موارد زیر است:
- کد شناسایی
- یک طولی دارد که تعداد دستورالعمل های آن است و با MIنشان داده می شود.
- ثبت تاریخچه ای از این هدف یا نه
- لیست فایل های مورد نیاز این cloudlet
- پارامترهای مربوط به اندازه فایل خروجی
- بهره گیری از cpu
- بهره گیری از ram
- بهره گیری از مدل پهنای باند
کلاسBWProvisioner:
برای ایجاد مدلی که فراهم می کند سیاست های مربوط به پهنای باند ماشین مجازی و پس گرفتن یا آزاد سازی آن ماشین مجازی.
کلاس MemoryProvisioner:
این کلاس تأمین می کند سیاست های مربوط به تخصیص حافظه فیزیکی به ماشین مجازی
کلاسVMProvisioner:
این کلاس فراهم می کند سیاست های مربوط به اختصاص ماشین مجازی به host
VMProvisioner is to select available host in a data center,which meets the memory, storage, and availability
requirement for a VM deployment
و انتخاب host که می تواند فراهم کند نیاز های qosمانند زمان اجرا و هزینه.
کلاسVMAllocationPolicy:
این کلاس نظارت می کند بر عملکرد ماشین های مجازی وانتخاب هاست در دسترس در data center
کلاس vmscheduler:
دارای سیاست های space-shared, time-shared برای تخصیص به ماشین مجازی و پردازنده.
کلاس host:
مدلی با منابع مانند سرور های ذخیره سازی یا محاسباتی که شامل :
- مقدار حافظه
- تخصیص سیاست ها برای ماشین مجازی
- سیاست تأمین پهنای باند
کلاس datacentercharacteristics:
این کلاس شامل همه ویژگی های یک مرکز داده می باشد.
کلاس datacenterBroker:
این کلاس برای شبیه سازی یک borokerمی باشد.که رابط بین saas و فراهم کننده ابری است.
در این کلاس درخواستها به سمت مراکز داده برای تخصیص ماشین مجازی ارسال می شود.
سیاست های borokerبراساس نزدیک ترین مرکز داده و یا براساس زمان پاسخ بهینه بهترین سرویس را انتخاب می کند.
کلاس Datecenter:
این کلاس مربوط به مراکز داده و عملیات های مربوط به آن مرکز داده می باشد.
این کلاس شامل موارد زیر می باشد:
- تنظیمات حافظه
- ظرفیت ذخیره سازی
- تخصیص پهنای باند
- تأمین منابع
هر مرکز داده دارای host می باشد و هر هاستی دارای تنظیمات سخت افزاری.
نقش Boroker به عنوان رابط:
Cloud Information Service یا CIS یا سرویس اطلاعات ابری به موجودیت ها اجازه می دهد در این سرویس خودشان را ثبت کنند.در اینجا نیز ابتدا موجودیت های مرکز داده در این سرویس یعنی cisثبت می شوند و در مرحله بعد DataCenterbrokerاز cisلیست مراکز داده را درخواست می کند.cisRegister لیست مراکز داده که قادر باشند عملیات مربوطه را انجام دهند را در اختیار datacenterboroker قرار می دهدو در مرحله بعد datacenterborokerمشخصات مربوط به مرکز داده شناسایی شده را از datacenter می گیرد و عملیات مربوط به ساخت ماشین مجازی و سیاست های زمانبندی مربوطه را انجام می دهدو در پایان وقتی کارها به طور کامل انجام شد vmsپس داده می شوند یا Destroyمی شوند.
مراحل نصب کلود سیمدر
netbeans
پس از دانلود کلود سیم:
پایان
برچسب های مهم