جستجوي پيشرفته | کتابخانه مجازی الفبا

از دیر باز بحث امنیت سیستم‌های رایانه‌ای همراه با فزونی یافتن اقسام آسیب پذیری‌ها و نیز سوءاستفاده مهاجمین از این ضعف‌ها به عنوان یکی از مباحث پر تنش در جوامع علمی مطرح بوده است. می‌توان اقدامات انجام شده در زمینه امنیت رایانه‌ای را به دو دسته کلی تقسیم کرد: پیش از رخداد و پس از رخداد. در زمینه فرایندهای پس از رخداد بیشتر علاقه‌مندیم تا با کسب شواهد دیجیتال از سیستم هدف به شناسایی جرم حادث شده،‌ عامل آن و میزان خرابی متاثر از جرم بپردازیم تا در صورت امکان مهاجم را تشخیص داده، راه نفوذ را سَد کنیم و به جبران مافات بپردازیم. به مجموعه این فرایند، جرم‌شناسی دیجیتال گفته می‌شود. در این میان، منابع متفاوتی همچون دیسک، شبکه و حافظه برای کسب شواهد از سیستم هدف وجود دارند. روش‌های مرسوم به علت مانایی داده‌های روی دیسک بیشتر به کسب شواهد از این منبع می‌پردازند. حال آنکه منابع پر‌ارزشی از اطلاعات به علت نامانایی و یا سختی تحلیل از بررسی باز می‌مانند. در این پژوهش سعی داریم اَهمّ ابزارهایی که تاکنون برای جمع‌آوری و نیز تحلیل شواهد حافظه ارائه شدند را به صورت کلی بررسی کرده و معیاری برای مقایسه و انتخاب آنها توسط متخصصان امنیت ارائه دهیم. به طور کلی به این فرایندهای کسب و تحلیل داده‌های حافظه جرم‌شناسی حافظه گفته می‌شود. درادامه به مُعضلات روش‌های مرسوم در زمینه جرم‌شناسی حافظه خواهیم پرداخت و نشان خواهیم داد که می‌توان با یک هستی‌شناسی پیشنهادی و ارائه استاندارد برای شواهد کسب شده از حافظه به بسیاری از این مسائل پاسخ گفت. در نهایت چارچوب جدیدی را برای بازسازی حوادث رخ داده در طی تجسّس دیجیتال پیشنهاد خواهیم کرد تا جرم‌‌شناسان بتوانند از آن برای عینیت بخشیدن به سیر وقوع حوادث رخ داده بهره ببرند.

مفهوم «شناخت» و «استدلال» هسته‏ی علوم‏شناختی و هوش‏مصنوعی است. برخی از علوم مانند فلسفه، منطق، روان‏شناسی، عصب‏شناسی و غیره همواره به‏دنبال این هستند که دریابند این فرآیندها دقیقاً چگونه در ذهن انسان انجام می‏شوند. آنچه که قطعی است یا دست‏کم توسط مشاهدات تجربی تایید می‏شود این است که مفهوم شناخت در طبیعت همواره با مفاهیم «یادگیری» و «تکامل» درآمیخته است. طبق مشاهدات طبیعی، بیشتر جانداران درابتدای زندگی شناخت کمی از خود و دنیای اطراف خود دارند. اما در طول زمان به نوعی تکامل شناختی دست می‌یابند. این مفهوم بسیار حیاتی است زیرا هیچ مدل شناختی کاملی از جهان در ابتدای زندگی جانداران دراختیار آنان نیست و هیچ راه مستقیمی هم برای دستیابی سریع به آن وجود ندارد. بلکه شناخت باید در طول زمان حاصل شود. این پایان‏نامه براساس مفهوم تکامل شناختی که در طبیعت وجود دارد، یک مدل/چارچوب کلی برای یادگیری و تکامل شناختیِ پیشکارها/سیستم‏های هوشمند مصنوعی پیشنهاد و ارائه می‌دهد. زیربنای تئوریک مدل چند فرضیه‏ی شناختی است که در این رساله پیشنهاد می‏شود. هسته مرکزی این چارچوب نیز یک دستگاه مختصاتی مفهومی چندبُعدی است که پیشنهاد شده و ذهن مجازی پیشکار را شکل می‏دهد. فرآیند یادگیری مفهومی به‏صورت بدون ناظر و توسط الگوریتم‏های خوشه‏بندی مفهومی و الگوریتم‏های پیشنهادی این رساله جهت ساخت و تکامل آنتولوژی انجام می‏شود. در نهایت ارزیابی‏های عملی مدل/چارچوب نتایج مطلوبی را نشان داد.

در دنیای امروز سرعت چشم‌گیر رشد علم و دانش، همچنین تغییر شکل داده به مفاهیم در دانش و افزایش روز افزون مفاهیم و ارتباط بین آنها قابل چشم‌پوشی نیست. در نتیجه نیاز به ساختاری برای نمایش دانش ضروری است. آنتولوژی یک ساختار بنیادی برای مفهوم دانش است که به خوبی مفاهیم و ارتباط بین آنها را نشان می‌دهد. از آنجاکه مفاهیم و ارتباط بین آنها روز به روز گسترده‌تر و بیشتر می‌شوند و در گذر زمان تغییر می‌پذیرند و همچنین فراگیرتر شدن استفاده از آنتولوژی در حوزه‌های مختلف تکامل آنتولوژی تبدیل به یک مسئله مهم شده است. با توجه به اهمیت موضوع هدف این پایان‌نامه ارائه روشی برای تکامل خودکار آنتولوژی است. همچنین نظر به مزایای استفاده از پیشکارهای هوشمند، در این پایان‌نامه روشی برای تکامل خودکار آنتولوژی در محیط چندپیشکاره هوشمند ارائه است. آنتولوژی به گونه‌ای تکامل می‌یابد که قابل استفاده باشد. پیشکارهای هوشمند با استفاده از دریافت‌هایی که از محیط دارند تغییرات را احساس می‌کنند، سپس تغییرات را روی آنتولوژی اعمال می‌کنند و آنتولوژیتکامل می‌یابد. پس از ارزیابی آنتولوژی حاصل، ملاحظه می‌شود که روش پیشنهادی از دقت قابل قبولی برخوردار است.

با توجه به گسترش روزافزون اطلاعات در دسترس از طریق اینترنت، لزوم استفاده از روش های خلاصه سازی خودکار متن، بیش از پیش احساس می شود. روش هایی که با استخراج مهمترین مطالب موجود در اسناد مانع از مطالعه کامل حجم انبوه از آنها شوند. خلاصه سازی عبارت است از فشرده سازی متن (متون) منبع و تولید یک نسخه کوتاه تر از آن به نحوی که محتوای اطلاعاتی آن حفظ شود. اغلب سیستم های خلاصه ساز با استفاده از روش های سطحی و معیارهای آماری به استخراج مهمترین بخش های متن منبع پرداخته و خلاصه نهایی را شکل می دهند. هدف این پژوهش استفاده از یک روش مبتنی بر پایگاه دانش در فرآیند خلاصه سازی است. در این راستا از پایگاه دانش هستی شناسی فارس نت به منظور دستیابی به مفاهیم موجود در متون و تولید خلاصه آنها استفاده خواهد شد. هستی شناسی یکی از مباحث مربوط به علم فلسفه است که یک ساختار سلسله مراتبی از همه موجودیت های عالم هستی به همراه روابط حاکم بر آنها فراهم می کند. در این پژوهش ابتدا با نگاشت متن مورد خلاصه سازی با پایگاه دانش هستی شناسی، گرافی تحت عنوان گراف موضوعی شکل می گیرد که حامل شمای مفهومی متن منبع است. سپس با استفاده از معیارهای مختلف تعیین اهمیت گرافی، اهمیت نسبی هر یک از گره های گراف ارزیابی می شود. سرانجام از این مقادیر به منظور تعیین اهمیت جملات مختلف موجود در متن منبع و ساخت خلاصه نهایی استفاده خواهد شد. نتایج حاصل از ارزیابی خلاصه های تولید شده، حاکی از برتری روش پیشنهاد شده در این پژوهش نسبت به سیستم های خلاصه ساز موجود است.

با توجه به رشد روزافزون اسناد الکترونیکی، نیاز به یک دسته بند کارا در حوزه داده کاوی واضح است. اخیراً به منظور افزایش دقت دسته بندی، استفاده از آنتولوژی لغوی به عنوان مرجع خارجی و نیز استخراج دانش از متون در فرآیند دسته بندی، مطرح شده است؛ از این رو، هدف از انجام این پروژه ارائه و پیاده سازی سیستم دسته بندی خودکار اسنادی است که آنتولوژی لغوی فارس نت را در عملیات دسته بندی داخل می نماید. این امر منجر به افزایش اوزان کلمات مرتبط با دانش پیش زمینه متن می شود. راهکار پیشنهادی برای استفاده از آنتولوژی لغوی، تمرکز بر روی بردار مشخصه ی معنایی را محور فعالیت های خود قرار داده است؛ تا بدین وسیله فرآیند دسته بندی را بهبود بخشد. در این پروژه ضمن بررسی و مطالعه ی روش های بکارگیری آنتولوژی لغوی در فرآیند دسته بندی، آنتولوژی لغوی فارس نت را به منظور استخراج روابط معنایی استفاده می نماییم.در سیستم ارائه شده، کلیه ی اجزاء تشکیل دهنده ی سیستم دسته بندی شامل پردازشگر لغوی، کاهنده ی ویژگی، انتخاب کننده ی ویژگی، وزن دهی به ویژگی و طبقه بندی کننده اسناد، لحاظ شده است. در این پروژه الگوریتم χ^2 در بخش انتخاب مشخصه و روش وزن دهی ویژگی نرمال شده TFIDF در بخش وزن دهی به کار گرفته می شود. پیش از اعمال روش وزن دهی به مشخصه ها، بردار مشخصه معنایی برای هر کلمه کلیدی توسط مفاهیم استخراج شده از آنتولوژی لغوی فارس نت، ایجاد می شود. نتایج ارزیابی های انجام شده نشان دهنده ی بهبود قابل توجهی در کارایی و دقت الگوریتم دسته بندی با بکارگیری آنتولوژی لغوی فارس نت است.

در سال‌های اخیر، تکنیک‌های فیلتر محتوایی دانش‌محور مبتنی‌بر پایگاه دانش و آنتولوژی به‌ روش‌هایی کارا و قابل‌قبول برای فیلتر اطلاعات تبدیل شده‌اند. در این تحقیق از ساختار آنتولوژی و پایگاه‌دانش‌های ویکی‌پدیا، وردنت و BNC برای عمل فیلتر اسناد، بهبود نمایش اولویت‌های کاربری و محتوای اسناد و محاسبه شباهت معنایی استفاده می‌شود. همچنین سامان‌دهی علایق کاربری و محتوای اسناد در پروفایل‌ها امکان استخراج دانش درباره‌ی علایق احتمالی کاربران و محتوای اسناد را با استفاده از آنتولوژی و پایگاه‌دانش فراهم می‌آورد. این تحقیق روشی نوین و منحصر‌به‌فرد در ساختار ترکیب خبرگان برای فیلتر اسناد ارائه می‌کند و مجموعه‌ای از بهترین و کاراترین روش‌های فیلتر را پیاده‌سازی و با هم یکپارچه می‌کند. ارزیابی سیستم در دو مرحله ارزیابی روش‌های محاسبه شباهت معنایی و روش‌های فیلتر محتوایی با استفاده از مجموعه داده‌های میلر- چارلز و 20Newsgroup انجام می‌شود. نتایج ارزیابی، همبستگی زیاد روش‌های محاسبه‌ی شباهت معنایی میان مفاهیم را با قضاوت بشر نشان می‌دهد. روش‌ مبتنی‌بر ویکی‌پدیا با میزان همبستگی 0.779 نه‌تنها از دیگر روش‌های پیاده‌سازی شده بهتر عمل می‌کند بلکه از روش‌های مشابه و شناخته‌شده‌ای مانند CODC با میزان همبستگی 0.693 و روش ESA با میزان همبستگی 0.58 بهتر عمل می‌کند. به‌علاوه در ارزیابی روش‌های فیلتر دانش‌محور ملاحظه می‌شود که روش مبتنی‌بر آنتولوژی با نرخ صحت و کارآیی98.9 و 98 درصد و روش مبتنی‌بر ویکی‌پدیا با نرخ صحت و کارآیی98.2 و 96 درصد نتایجبهتری نسبت به دیگر روش‌های مشابه و شناخته شده مانند NB-SVM Hybrid دارند. همچنین نتایج ارزیابی روش مبتنی‌بر ساختار ترکیب خبرگانبا نرخ صحت و کارآیی 99.4 و 98.9 درصد نشان می‌دهد کهاین روش نه‌تنها از تک‌تک روش‌های پیاده‌سازی شده کارآیی و صحت بالاتری دارد، بلکه می‌تواند خطاهای عمل فیلتر را تصحیح کند. براساس این نتایج، سیستم پیاده‌سازی شده می‌تواند به‌عنوان رویکرد جدیدی در فیلتر محتوایی و به‌عنوان چارچوبی برای استفاده در کاربردهای فیلتر اطلاعات استفاده شود.

پیش‌نیاز وب‌معنایی که با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها بدون دخالت بشر طرح شد، وجود مقدار زیادی آنتولوژی و داده‌های حاشیه‌نویسی است. با وجود پیشرفت‌های قابل‌توجه در ابزارها و راه‌حل‌های نیمه‌خودکار، به‌میزان کافی از نیروی انسانی و هوش افراد برای ساخت آنتولوژی، حاشیه‌نویسی داده‌ها در انواع بعدها و قالب‌ها و تنظیم کردن اجزای مفهومی در آنتولوژی‌های متعدد، نیاز است. سری بازی‌های هدف‌دار برای استفاده‌ی مجانی از وقت، هوش و توانایی افراد برای نخستین بار به‌وسیله‌ی لوئیس ون آهِن (در سال 2002) ارائه شد. ایده‌ی استفاده از بازی‌های هدف‌دار در درست کردن وب‌معنایی، به‌وسیله‌ی کاترینا سیورپائس (در سال 2006) مطرح شد. سیورپائس، چند بازی‌ را برای حاشیه‌نویسی معنایی در دامنه‌های مختلف، ارائه داده است. این رساله، به‌دنبال آن است که به‌طور گسترده‌تری از بازی‌های هدف‌دار در ساخت وب‌معنایی استفاده کند؛ بنابر‌این، به‌بررسی آنتولوژی و آنتولوژی فازی، حاشیه‌نویسی داده‌ها بر‌اساس آنتولوژی‌های‌ موجود و تنظیم اجزای مفهومی در آنتولوژی‌ها می‌پردازد. با بررسی مراحل تولید آنتولوژی و آنتولوی متغیر زبانی فازی، مراحلی که انجام‌شان نیازمند نیروی انسانی بودند، شناسایی و بازی‌هایی برای انجام برخی از این مراحل، پیشنهاد می‌شود. در نهایت، یکی از بازی‌های پیشنهادی با نام واژه‌معنا (LingoGame) که برای پیدا کردن مقادیر متغیرهای زبانی است، پیاده‌سازی و نتایج حاصل از آن، بررسی می‌شود.

با افزایش روزافزون کاربران اینترنت، این بستر به منبعی غنی از اطلاعات تبدیل شده و با همگانی شدن آن، بیان نظرات و عقاید کاربران در مورد کالا‌ها، سازمان‌ها و اشخاص با سادگی بیشتری انجام می‌شود. با توجه به تحقیقاتی که در سال 2009 انجام گرفت، موثرترین عامل در تصمیم‌گیری مشتریان در خرید الکترونیک، نظرات ارائه شده توسط کاربران در مورد کالا‌ها می‌باشد. ولی با افزایش نظرات کاربران در مورد کالا‌ها تصمیم‌گیری و نتیجه‌گیری از نظرات مشکل شده است. در این پایان نامه مدل جدیدی از نظرکاوی ارائه شده است. در این مدل بر خلاف کارهای گذشته، برای کلمات بیان کننده احساسات، شدت گرایش تعیین می‌شود و در شناسایی گرایش شخص نسبت به یک کالا لحاظ می‌شود. همچنین در این مدل روشی برای تخصیص وزن به ویژگی‌ها ارائه شده است. کارایی مدل پیشنهادی بر روی مجموعه داده تهیه شده از وب سرویس آمازون ارزیابی و با سایر مدل‌ها مقایسه شده است. خلاصه‌سازی با استفاده از مدل پیشنهادی دارای جزئیات دقیق‌تر و کامل‌تر نسبت به مدل‌های گذشته می‌باشد و همچنین شناسایی رتبه کالا از نظرات با استفاده از این مدل نسبت به سایر مدل‌های با دقت بالاتری انجام می‌شود.

ایده اصلی وب معنایی، ایجاد فراداده‌هایی است که داده را شرح می‌دهند تا کامپیوترها را قادر به پردازش معنی اشیا کنند. هدف از وب معنایی این است که ماشین‌ها نیز همانند انسان‌ها سندها را درک کرده و تفسیر کنند. یکی از مولفه‌های اصلی وب معنایی، آنتولوژی است، که نسبت به سایر مولفه‌ها از قدرت بیان بیشتری برخوردار است. آنتولوژی، مجموعه‌ای از واژگان مشترک را برای محققانی تعریف می‌کند که نیاز به اشتراک‌گذاری اطلاعات در یک دامنه دارند. امروزه استفاده از آنتولوژی در وب افزایش یافته است. بسیاری از آنتولوژی‌های معروف، اندازه بزرگی دارند. اندازه بزرگ این آنتولوژی‌ها باعث کاهش سرعت و کارایی در استفاده‌مجدد، استنتاج، نگهداری و هماهنگی سیستم‌های توزیع‌شده می‌شود. راه‌حل این مساله، پیمانه‌‌ای کردن آنتولوژی می‌باشد. پیمانه‌ای کردن آنتولوژی، بخش مهمی از مهندسی آنتولوژی است که برای کاهش پیچیدگی و اندازه آنتولوژی، یا آن را به کل قطعات تشکیل‌دهنده می‌شکند (تقسیم‌بندی آنتولوژی) و یا اینکه فقط بخش کوچکی از آن را استخراج می‌کند (استخراج پیمانه). هدف از این پژوهش ارائه رهیافتی برای پیمانه‌ای کردن آنتولوژی به پیمانه‌هایی درست، کامل و متصل به هم است، به صورتی که کاربر بتواند بر اساس نیازهای برنامه کاربردی تنظیماتی را در پیمانه‌ای کردن اعمال کند.رهیافت ارائه‌شده در این پژوهش روی تقسیم‌بندی آنتولوژی تمرکز دارد. برای داشتن قطعه‌های کامل، ابتدا یک استنتاج مقدماتی روی آنتولوژی انجام شده و سپس حاصل آن به Pato، که ابزاری برای تقسیم‌بندی است، داده می‌شود. به دلیل انجام استنتاج مقدماتی، نتیجه تقسیم‌بندی، پیمانه‌هایی مرتبط و نیمه‌کامل است. بنابراین، قضایای کامل‌کننده به آن‌ها اضافه می‌شود. سپس پیمانه‌ها توسط زبان آنتولوژی پیمانه‌ای P-DL به هم متصل می‌شوند. به این ترتیب، پیمانه‌های حاصل، پیمانه‌هایی متصل و کامل با اندازه مناسب هستند. هرچند استنتاج روی آنتولوژی‌های بزرگ عملی وقت‌گیر است، اما فقط یکبار صورت می‌گیرد و در عوض مزایای زیادی به همراه دارد که توسط دیگر روش‌ها تامین نمی‌شوند. برای ضمانتِ این ادعا، روش ارائه‌شده و روش‌های قبلی به صورت تئوری و عملی ارزیابی شده و نشان داده می‌شود که این روش باعث می‌شود که آنتولوژی به‌طور متعادلی بخش‌بندی شود و پیمانه‌های حاصل مانند یک آنتولوژی خودشمول، توسط ابزارهای زیادی استفاده شوند.

وب‌معنایی با هدف ایجاد ارتباط و تعامل مستقیم ماشین‌ها و بدون دخالت بشر طرح شد، ولی هم‌اکنون با چالش بزرگ تعامل آنتولوژی‌ها روبه‌رو است. این رساله درپی یافتن تناظر بین موجودیت‌های آنتولوژی، با استفاده از روش‌های یادگیری ماشین است. بدین ترتیب که، ابتدا معیار شباهت را در سطوح مختلف برای آنتولوژی‌های واقعی انتخاب و تولید می‌کند، و سپس از معروف‌ترین دسته‌بندی کننده‌های تحت‌نظارت، مثل ماشین بردارهای پشتیان (SVM) ، نزدیک‌ترینk همسایه (KNN)، درخت تصمیم‌گیری (DT) و روش AdaBoost برای دسته‌بندی موجودیت‌ها استفاده می‌کند. البته هر یک از دسته‌بندی‌کننده‌های مذکور با پارامترهای مناسب تنظیم می‌شوند. مدل نهایی بدون نیاز به بازخورد کاربر و کاملاً خودکار است. هم‌ترازی تنها برمبنای اطلاعات موجود در اسناد OWL است، و نیازی به نمونه‌های آنتولوژی نیست. از SVM برای کاهش معیارهای مشابهت استفاده شده، و نتایج حاصل از آزمایش مدل، بیانگر انتخاب روش مناسب و تنظیم صحیح پارامترهاست. به‌طوری‌که قادر به تامین نتایج قابل‌قبول همراه با کاهش قابل‌ملاحظه‌ی هزینه‌ی محاسباتی است. نتایج حاصل از روش AdaBoost بالاترین کارایی را داراست. نتایج حاکی از میانگین مقدار 92 درصد برای معیار F است.