مهدی عباسی

دانشیار

تاریخ به‌روزرسانی: 1404/01/28

مهدی عباسی

مهندسی / مهندسی کامپیوتر

رساله های دکتری

  1. پردازش تصویر در دامنه ی دیفرانسیل برداری دل
    1396
    موضوع این پایان نامه، استفاده از عملگر دل (Del operator) برای انتقال یک تصویر از میدان عددی به برداری است. در پردازش تصویر، روشی که بتواند یک تصویر را از میدان عددی به برداری برده و به میدان عددی بازگرداند وجود ندارد. به عبارتی دیگر، یکی از چالش هایی که در پردازش تصویر وجود دارد این است که هرچند روش های مبتنی بر گرادیان به نظر تصویر را به فرم برداری درمی آوردند، اما این تنها در کاربردهایی از آن صادق است که نیاز به بازسازی تصویر نباشد. در مواردی که نیاز به بازسازی تصویر باشد، در عمل این روش ها از تصویر لاپلاس می گیرند تا بتوانند به کمک حل معادله ی پواسن به فضای تصویر برگردند. اما عمل لاپلاس گیری فضای تصویر را از میدان عددی به برداری نمی برد، بلکه در همان میدان عددی مانده و فقط دامنه ی آن تغییر می کند. بنابراین این روش ها تنها در حالتی که نیاز به بازگشت به میدان عددی نباشد می توانند از مزایای میدان برداری بهره ببرند و در حالتی که تصویر نیاز به بازسازی دارد، از هیچ یک از اطلاعات، دست کاری ها، و تبدیل هایی که فقط در میدان برداری معنی دارند نمی توانند استفاده کنند. راهکار ارائه شده در این پایان نامه برای تغییر میدان از عددی به برداری، کمک گرفتن از دیفرانسیل ریاضی است. بر اساس دیفرانسیل، یک تصویر دیجیتال (که با آن مانند یک ماتریس عددی رفتار می شود)، در دو راستای افقی و عمودی تحت تاثیر عملگر دل قرار می گیرد و تبدیل به یک ماتریس برداری می شود. درنتیجه، تصویر تبدیل یافته دارای هندسه، اندازه و اطلاعات کاملاً متفاوتی نسبت به تصویر اصلی است، زیرا عملگر دل تصویر را از میدان عددی به برداری تبدیل می نماید. برای بررسی صحت و کارایی این تبدیل، تعدادی از کاربردهای پردازش تصویر نیز در این پایان نامه ارائه شده و مورد ارزیابی قرارگرفته اند. ازجمله ی این کاربردها می توان به قطعه بندی تصویر، آمیختگی تصویر، معیار ارزیابی عینی تصویر، تکمیل سازی تصویر و ویرایش تصویر اشاره نمود. روش های تبدیل تصویر که تاکنون ارائه شده اند مبتنی بر تبدیل دامنه اند و به موجب آن ها تصویر همچنان در میدان عددی باقی می ماند؛ اما هدف این پایان نامه تبدیل تصویر از میدان عددی به میدان برداری است. نتیجه گیری آن که، تبدیل تصویر از میدان عددی به برداری منجر به دسترسی گسترده ای از اطلاعات، تبدیل های خطی و غیرخطی و تغییراتی

پایان‌نامه‌های کارشناسی‌ارشد

  1. بهینه سازی مسیریابی ربات نائو با استفاده از پیاده سازی digital twins
    1400
    برنامه ریزی مسیر و تشخیص موانع برای ربات ها در علم رباتیک خصوصا در ربات های انسان نما امری مهم است. پیشرفت های بینایی ماشین در حوزه رباتیک، خودکار کردن فرایند مسیریابی را ممکن ساخته است. با خودکارکردن فرایند مسیریابی برای ربات با استفاده از تکنیک های یادگیری عمیق می توان از خطاهای مسیریابی چشم پوشی کرد و همچنین دقت و سرعت تشخیص موانع را افزایش داد. همچنین نتایج مسیریابی خودکار نقش مهمی در حرکت ربات در مسیرهای ناشناس و بهبود عملکرد ربات ایفا می کند. از طرفی، با توجه به بالا بودن پیچیدگی محاسباتی الگوریتم های یادگیری ماشین و از طرف دیگر، به دلیل محدود بودن منابع محاسباتی ربات، طراحی دوقلوی دیجیتال عملکردها را بهبود می بخشد. هدف اساسی در دوقلوی دیجیتال، استفاده از منابع محاسباتی کارآمد در بیرون ربات برای انجام مسیریابی و طراحی بهینه مسیر حرکت است. دوقلوهای دیجیتال بخشی از اینترنت اشیاء محسوب می شوند، به اشیای واقعی محیط پیرامون متصل شده و اطلاعاتی را در مورد همزاد خود ارائه می دهند، عملکردها را بهبود می بخشند، به تغییرات پاسخ می دهند و از این طریق ایجاد ارزش افزوده می کنند.یک دوقلوی دیجیتال، نمایندگی دیجیتال از یک جسم یا سیستم فیزیکی است. بطور کلی همزاد دیجیتالی منعکس کننده وضعیت فعلی شئ مورد نظر است و با طراحی اولیه محصول ایجاد شده و توسعه می یابد. استفاده از این دوقلوی دیجیتال می تواند در فرایند مسیریابی ربات بسیار هوشمندانه باشد واستفاده از منابع را بهینه کند. بهبود دقت و سرعت روش های برنامه ریزی مسیر و تشخیص موانع در ربات های کنترل پذیر متحرک از دستاوردهای اصلی این پژوهش می باشد
  2. بهینه سازی مصرف انرژی و تاخیر محاسبات پردازش های مه آلود با استفاده از نظریه بازی ها
    1400
    همراه با رشد روزافزون دستگاه های هوشمند، فناوری اینترنت اشیاء نیز توسعه پیداکرده است. درنتیجه تولید حجم داده ها و بار های محاسباتی در مقیاس های وسیع افزایش یافته است. به همین دلیل رایانش ابری، به عنوان راه حل اصلی جهت کنترل این بارها استفاده می شود. بااین حال، زمان بر بودن پردازش بار ها در ابر، هنوز به عنوان مسئله اصلی در حوزه شبکه های توزیع شده مطرح است. پردازش بار های کاری در لبه های شبکه (پردازش مه) می تواند موجب کاهش این تاخیر شود؛ اما از سوی دیگر با آوردن پردازش بار ها از مراکز داده ها (متصل به برق) به سمت لبه های شبکه (متصل به باتری)، با محدودیت انرژی مواجه می شود؛ بنابراین لازم است بار های کاری به شکلی متوازن میان ابر ها و لبه های شبکه توزیع شوند. در این پژوهش برای ایجاد تعادل بین مصرف انرژی در لبه شبکه و تاخیر در پردازش بارهای کاری در ابر، از روش نظریه بازی ها استفاده می شود
  3. تخصیص بهینه منابع و تاخیر در پردازش های مه آلود با استفاده از نظریۀ بازی ها
    1400
    همراه با رشد روزافزون دستگاه های هوشمند ، فناوری اینترنت اشیاء نیز توسعه پیداکرده است. در نتیجه تولید حجم داده ها و بار های محاسباتی در مقیاس های وسیع افزایش یافته است. به همین دلیل رایانش ابری، به عنوان راه حل اصلی جهت کنترل این بارها استفاده می شود. بااین حال، زمان بر بودن پردازش بار ها در ابر، هنوز به عنوان مسئله اصلی در حوزه شبکه های توزیع شده مطرح است. پردازش بار های کاری در لبه های شبکه (پردازش مه) می تواند موجب کاهش این زمان پاسخ شود؛ اما از سوی دیگر با آوردن پردازش بار ها از مراکز داده ها (متصل به برق) به سمت لبه های شبکه (متصل به باتری)، با محدودیت انرژی مواجه می شود. بنابراین لازم است بار های کاری به شکلی متوازن میان ابر ها و لبه های شبکه توزیع شوند. در این پژوهش ، ما یک روش تعادل بار و زمان بندی برای محیط های محاسبات مه مبتنی بر تئوری بازی ها و الگوریتم کلونی مورچه ارائه کرده ایم. این الگوریتم پیشنهادی نه تنها تعادل بار را انجام می دهد، بلکه اولویت وظایف حذف شده از ماشین های مجازی سر بارگذاری شده را نیز زیر نظر می گیرد. وظایف حذف شده از این ماشین های مجازی به عنوان عادلانه می کنند که اطلاعات را به طور سراسری به روزرسانی می کنند. این الگوریتم اولویت های وظایف را نیز در نظر می گیرد. تعادل بار توان کلی پردازش را بهبود می بخشد و تعادل بار بر اساس اولویت، بر کاهش زمان انتظار وظیفه در صف ماشین مجازی تمرکز دارد؛ بنابراین، پاسخ زمان ماشین های مجازی را کاهش می دهد. ما الگوریتم پیشنهادی خود با دیگر تکنیک های موجود مقایسه کرده ایم. نتایج نشان می دهد که الگوریتم ما خوب و بدون افزایش هزینه های اضافی است. این روش تعادل بار برای سیستم های محاسبات مه ناهمگن کار می کند و برای ایجاد تعادل در وظایف مستقل غیر پیشگیرانه است. نتایج شبیه سازی نشان می دهد که روش پیشنهادی به دلیل توزیع عادلانه بار عملکرد بهتری نسبت به روش های قبلی دارد و سبب کاهش 9درصدی مصرف انرژی و کاهش 7درصدی تاخیر در لبه شبکه میشود.
  4. ارائه روشی برای بهبود الگوریتم برش بیتی با درنظر گرفتن معیار حافظه
    1398
    دسته بندی بسته ها یکی از وظایف اصلی پردازنده های شبکه ای می باشد. مهمترین مسئله در این زمینه، استفاده از الگوریتمی است که بتواند بسته ها را با سرعت بالا و مصرف حافظه پایین، دسته بندی نماید. الگوریتم های دسته بندی به دو رده ی کلی نرم افزاری و سخت افزاری تقسیم می شوند. الگوریتم های مبتنی بر درخت تصمیم یک گروه از روش های نرم افزاری دسته بندی بسته ها هستند که با به کارگیری روش های مختلف برای انجام برش در مدل هندسی معادل نمایش قانون های دسته بند، درخت تصمیم بهینه را می سازند. الگوریتم های موجود در این دسته، در دسته بندی مجموعه قوانین بزرگ عملکرد مطلوبی از خود نشان نمی دهند. آنها برای کاهش حافظه مصرفی، سرعت دستهبندی را تا حد چشمگیری افزایش می دهند و یا بالعکس، برای افزایش سرعت دستهبندی با افزایش قابل توجهی در حافظه مصرفی مواجه می شوند. الگوریتم BitCuts که اخیرا برای افزایش سرعت جستجو در الگوریتم های درختی ارائه شده است نیز از این مشکل مستثنی نشده است. ما در این پایاننامه روش جدیدی ارائه داده ایم که با تغییر نحوه انتخاب بیت در هر گره از درخت، حافظه مورد نیاز و تعداد دسترسی به حافظه را در الگوریتم مذکور کاهش می دهد. نتایج ارزیابی موید آن است که متوسط تعداد دسترسی ها به حافظه جهت دسته بندی بسته ها و میزان حافظه مصرفی در روش پیشنهادی، به ترتیب برابر %61 و %13 روش پایه Bitcuts است.
  5. ارائه مکانیزمی کارآمد برای توزیع بار محاسباتی در پردازش مه آلود با توجه به معیارهای انرژی و هزینه
    1398
    چکیده: همراه با رشد روزافزون دستگاه های هوشمند ، فناوری اینترنت اشیاء نیز توسعه پیداکرده است. افزایش تعداد این اشیا هوشمند سبب افزایش تولید حجم داده ها و بار های محاسباتی در مقیاس های وسیع شده است. به همین دلیل رایانش ابری، به عنوان راه حل اصلی جهت کنترل این بارها استفاده می شود. بااین حال، زمان بر بودن پردازش بار ها در ابر، هنوز به عنوان مسئله اصلی در حوزه شبکه های توزیع شده مطرح است. پردازش بار های کاری در لبه های شبکه(پردازش مه) می تواند موجب کاهش این زمان پاسخ شود؛ اما از سوی دیگر با آوردن پردازش بار ها از مراکز داده ها (متصل به برق) به سمت لبه های شبکه، منجر به محدودیت انرژی می شود. بنابراین لازم است بار های کاری به شکلی متوازن میان ابر ها و لبه های شبکه توزیع شوند. در این پژوهش برای ایجاد تعادل بین مصرف مصرف انرژی در لبه شبکه و تاخیر در پردازش بارهای کاری در ابر ، دو روش مبتنی بر سیستم های دسته بند یادگیر به نام های XCS و BCM-XCS ارائه شده است که تنها در داشتن یک حافظه برای نگه داشتن بهترین دسته بند تفاوت دارند. آزمایشات نشان میدهد که روش BCM-XCS نتایج بهتری نسبت به روش اصلی بدون حافظه آن دارد. در بهترین روش های پیشین تنها 2 درصد از مواقع شارژ باتری به حداکثر میزان خود رسیده است در حالی که با افزودن یک حافظه به سیستم پیشنهاد شده این مقدار به 20 درصد افزایش یافته است. نتایج حاصل از شبیه سازی نشان می دهد که دو مدل پیشنهادی در مقایسه با مدل های پیشین، به شکل متعادل تری بارها را توزیع می کند. مدل پیشنهادی سبب کاهش تاخیر 42 درصدی بارهای کاری و همچنین کاهش مصرف انرژی در لبه شبکه می شود.
  6. ارائه مکانیزمی کارآمد برای توزیع بار محاسباتی در پردازش مه آلود با توجه به معیارهای تاخیر و هزینه
    1398
    همراه با رشد روز افزون دستگاه های هوشمند و اینترنت 5G، فناوری اینترنت اشیاء نیز توسعه یافته است. افزایش تعداد اشیاء هوشمند سبب افزایش حجم داده ها و بارهای محاسباتی در ابعادی وسیع شده است. به همین دلیل رایانش ابری به عنوان راه حلی برای این حجم داده استفاده می شود. با این حال با توجه به اهمیت کیفیت خدمات راه حل رایانش ابری نمی تواند برای درخواست های حساس به تاخیر جوابگو باشد. پردازش بارهای کاری در لبه ی شبکه باعث کاهش تاخیر درخواست ها می شود؛ اما از سوی دیگر پردازش درخواست ها در لبه ی شبکه با وجود کاهش تاخیر باعث افزایش مصرف انرژی می شود. بنابراین اصلاح مدل انرژی دستگاه های مه در لبه ی شبکه به شدت مورد نیاز است. در این پژوهش با اصلاح مدل انرژی دستگاه های مه با استفاده از انرژی سبز سعی در کاهش تاخیر و انرژی مصرفی داریم. الگوریتم ژنتیک با توجه به تعداد زیاد درخواست ها و محدودیت های مسئله مورد استفاده قرار گرفته است. روش پیشنهادی موجب کاهش تاخیر و مصرف انرژی برای درخواست های اینترنت اشیاء می شود.
  7. بهینه سازی کارایی معماری خط لوله چندگانه در دسته بندی بسته ها
    1398
    امروزه برای ارتقاء کیفیت خدمات از دسته بندی بسته های به عنوان یک رویکرد اساسی در مسیریاب های شبکه، سوئیچ های لایه سه، دیواره های آتش، شبکه های مبتنی بر نرم افزار استفاده می شود. در سالیان اخیر، پژوهشگران بامطالعهِ روش های مختلف اقدام به ارائه راهکاری هایی با رویکرد سخت افزاری و نرم افزاری برای دسته بندی بسته های اینترنتی کرده اند. استفاده از رویکردهای نرم افزاری در شبکه هایی با حجم ترافیک بالا همچون مراکز داده و ستون فقرات اینترنت به دلیل تاخیر ذاتی که این روش ها دارند، منجر به افزایش زمان جستجو و درنتیجه کاهش کارایی شبکه می شود. راهکارهای که به صورت سخت افزاری برای دسته بندی بسته های اینترنتی ارائه می شوند به دلیل گذرداد بالا و تاخیر پایین به عنوان یک شاه کلید حل مسئله برای افزایش کیفیت خدمات موردبررسی قرار می گیرد. در معماری پیشنهادی، یک ریز هسته مبتنی بر خط لوله برای استفاده در پردازنده های شبکه ای جهت دسته بندی بسته ها طراحی شده است. در این راستا سه معماری متفاوت با استفاده از ریز هسته پیشنهادی پیاده سازی گردیده که معماری اول عملیات دسته بندی را به صورت موازی به ازای فیلدهای سرایند انجام می دهد. معماری دوم بسته ها را بصورت ترتیبی دسته بندی می کند. آخرین معماری پیشنهادی، دسته بند مبتنی بر خط لوله است که در این معماری برای افزایش تسریع در روند عملیات دسته بندی 9 مرحله خط لوله طراحی شده است. این خط لوله ها قادر است کارایی معماری را تا 9 برابر تسریع بخشد. بستر پیاده سازی معماری های پیشنهادی تراشه FPGA است. نتیجه نهایی پژوهش، کاهش حافظه مصرفی و همچنین افزایش تسریع و عبور را نشان می دهد. حافظه مصرفی در این معماری 5/14 بایت بوده و گذرداد آن در فرکانس 233 مگاهرتز عبور ترافیکی بیش از 147 گیگابیت در ثانیه را نشان می دهد. همچنین توان مصرفی در این معماری 294/1 وات است.
  8. ارتقاء عملکرد الگوریتم‎های دسته‎بندی بسته مبتنی بر درخت تصمیم گیری با استفاده از تکنیک انتقال به برگ ها
    1397
    چکیده: برای محافظت یک شبکه، اغلب سیستم های امن ساز شبکه از قبیل سامانه های تشخیص نفوذ و دیوار آتش برای کنترل و نظارت بر ترافیک شبکه راه اندازی می شوند . این سامانه ها اغلب موجب تاخیر قابل توجهی در تحلیل بسته های شبکه می شوند. با دسته بندی سریع بسته ها تاخیر می تواندکاهش یابد، که موجب دسته بندی موثر ترافیک شبکه، و همچنین افزایش سرعت تحلیل بسته های شبکه می شود. بنابراین دسته بندی بسته یک از چالش برانگیز ترین عملیات های انجام شده توسط روتر ها در سرعت سیم برای هر بسته ورودی است. در سال های اخیر، محققان بسیاری روش های متعددی برای دسته بند های چند بعدی که بسته بندی سریع بسته ها را فراهم می کند ارائه کرده اند. برای فضاهای جستجو که متشکل از قانون ها متعددی است که به صورت هندسی نشان داده شده ، الگوریتم های تجزیه فضای مختلفی برای ارائه روش های جستجو موثر مورد مطالعه قرار گرفته است. این روش ها کارایی کمی دارند و در عین حال فضای ذخیره سازی زیادی نیاز دارند. در حالی که الگوریتم جستجوی دودویی چند بعدی روش ساده برای نشان دادن فضای جستجو هندسی به یک ساختار دو بعدی ارائه می دهد، کارایی دسته بندی بالایی را ارائه نمی دهد، زیرا عملیات نگاشت فضای هندسی ناقص است. در این مقاله، روشی جهت دسته بندی بسته ها بر اساس درخت جستجوی دودویی چند بعدی ارائه شده است. این روش از فضای نمایش هندسی برای نمایش فیلد های مختلف استفاده می کند و با تجزیه فضای جستجو به صورت بازگشتی سرعت جستجوی بالایی را فراهم می آورد. همچنین این مقاله الگوریتم درخت انتقال به برگ های درخت جستجوی دودویی چند بعدی را برای ارتقاء کارایی درخت جستجوی دودویی چند بعدی معرفی می نماید. ما همچنین یک روش کارآمد برای الگوریتم با استفاده از یک فیلتر بلوم و یک جدول درهم ساز ارائه می کنیم. در آزمایشات از ابزار class bench استفاده شده است. اندازه قانون های تولیدی k5، k10،k50، k100 است. نتایج شبیه سازی نشان می دهد که درخت انتقال به برگ های جستجوی دودویی چندبعدی پیشنهاد شده ما عملکرد دسته بندی بسته ها را تا 24 برابر برای مجموعه هایی که بیش از100000 قانون دارند در مقایسه با جستجوی دودویی چند بعدی بهبود می بخشد. برای مقایسه با دیگر الگوریتم های تجزیه فضایی، یک ساختار بازنگری شده روی درخت انتقال به برگ ها جستجوی دودویی چندبعدی نیز پیشنهاد شده است که
  9. ارتقا عملکرد الگوریتم های دسته بندی مبتنی بر درخت تصمیم گیری با استفاده از تکنیک انتقال به برگها
    1397
    برای محافظت یک شبکه، اغلب سیستم های امن ساز شبکه از قبیل سامانه های تشخیص نفوذ و دیوار آتش برای کنترل و نظارت بر ترافیک شبکه راه اندازی می شوند . این سامانه ها اغلب موجب تاخیر قابل توجهی در تحلیل بسته های شبکه می شوند. با بسته بندی سریع بسته ها تاخیر می تواندکاهش یابد، که موجب دسته بندی موثر ترافیک شبکه، و همچنین افزایش سرعت تحلیل بسته های شبکه می شود. در سال های اخیر، محققان بسیاری روش های متعددی برای دسته بند های چند بعدی که بسته بندی سریع بسته ها را فراهم می کند ارائه کرده اند. این روش ها کارایی کمی دارند و در عین حال فضای ذخیره سازی زیادی نیاز دارند. در این مقاله، روشی جهت دسته بندی بسته ها بر اساس درخت جستجوی دودویی چند بعدی ارائه شده است. این روش از فضای نمایش هندسی برای نمایش فیلد های مختلف استفاده می کند و با تجزیه فضای جستجو به صورت بازگشتی سرعت جستجوی بالایی را فراهم می آورد. همچنین این مقاله برنامه کاربردی انتقال قوانین به برگ ها را در یک فضای چند بعدی برای ارتقاء کارایی معرفی می نماید. در آزمایشات از ابزار class bench استفاده شده است. اندازه قانون های تولیدی 5k، 10k، 50k، 100k است. روش پیشنهادی دارای پیچیدگی زمان جستجویO (d logw) است و فضای ذخیره سازی را نیز کنترل می کند.
  10. ارتقاء کارایی الگوریتم دسته‎بندی بسته ضرب متقاطع با استفاده از خوشه واحد پردازش گرافیکی
    1396
    از مهم ترین پردازش ها در پردازنده های شبکه ای، دسته بندی بسته هاست. این پردازش، بسته های ورودی را با مجموعه ای از فیلترها مطابقت می دهد و آن ها را به جریان های مشخص طبقه بندی می کند. پیاده سازی های سخت افزاری الگوریتم های دسته بندی نسبت به پیاده سازی های نرم افزاری سرعت بالاتری دارند، اما این راه حل ها هزینه بالا و توسعه پذیری کمی دارند. به همین دلیل باید به دنبال روش هایی برای تسریع الگوریتم های نرم افزاری دسته بندی بسته ها بود. یکی از روش های تسریع این نوع الگوریتم ها موازی سازی آنهاست. الگوریتم های مبتنی بر تجزیه ازجمله روش های نرم افزاری دسته بندی بسته هاست که قابلیت موازی سازی بالایی دارند. بنابراین در این پژوهش، دو الگوریتم مبتنی بر تجزیه ضرب متقاطع و اشتراک نگاشت بیتی با به کارگیری توانایی پردازش موازی پردازنده های گرافیکی، روی واحد پردازش گرافیکی موازی سازی شده است. موازی سازی الگوریتم اشتراک نگاشت بیتی به دو مدل مختلف و در پنج فیلد صورت گرفته است. در مدل دوم موازی سازی با افزایش سطح موازات و ایجاد تعادل در دسترسی به خانه های مشترک حافظه کارایی الگوریتم بهبود یافته است. در نهایت کارایی دو الگوریتم در شرایط مختلف با هم مقایسه شده است. در ادامه به منظور افزایش موازات، الگوریتم های مذکور علاوه بر واحد پردازش گرافیکی، بر روی خوشه پردازنده گرافیکی نیز موازی سازی و پیاده سازی شده اند. در نتیجه میزان تسریع و گذرداد به طور قابل ملاحظه ای افزایش یافته است. نتایج آزمایش نشان می دهد که تسریع در موازی سازی روی خوشه پردازنده گرافیکی نسبت به پیاده سازی روی پردازنده مرکزی در الگوریتم ضرب متقاطع برابر با 371، در مدل اول موازی سازی الگوریتم اشتراک نگاشت بیتی برابر با 284 و در مدل دوم موازی سازی الگوریتم اشتراک نگاشت بیتی برابر با 538 است. همچنین نتایج آزمایش نشان می دهد که در مقیاس موازی سازی خوشه پردازنده گرافیکی در تعداد بسته های کمتر یا مساوی با k128 کمترین زمان دسته بندی و بهترین گذرداد مربوط به مدل دوم موازی سازی الگوریتم اشتراک نگاشت بیتی است. در تعداد بسته های بیشتر از k128 کمترین زمان دسته بندی و بهترین گذرداد مربوط به پیاده سازی موازی الگوریتم ضرب متقاطع است. مدل دوم موازی سازی الگوریتم اشتراک نگاشت بیتی در تمام شرایط حافظه مصرفی کمتری نسبت به نسخه موازی الگوریتم ضر
  11. مواز ی سازی یک مکانیزم پیش پردازش سیستم های تشخیص نفوذ شبکه با استفاده از واحد پردازش گرافیکی
    1396
    سیستم تشخیص نفوذ شبکه به منظور امنیت کامل در شبکه های مختلف به طور گسترده به دلیل اهمیت بالا مورد استفاد قرار می گیرد. سیستم تشخیص نفوذ شبکه مبتنی بر امضا نسبت به نوع مبتنی بر ناهنجاری به دلیل نرخ هشدار اشتباه پایین تر، از عمومیت بالاتری برخوردار است. فرآیند تطبیق الگو در سیستم تشخیص نفوذ شبکه مبتنی بر امضا یک بخش پردازش محاسباتی بالا است و در بدترین حالت حدودا 80 درصد از زمان کل اجرا صرف این فرآیند می شود. از سوی دیگر توسعه سریع پهنای باند شبکه و سرعت های بالای لینک که خود موجب از دست رفتن تعداد زیادی از بسته های ورودی در سیستم تشخیص نفوذ شبکه می گردد، به عنوان عوامل کلیدی محدودکننده کارایی این نوع سیستم، آن را با چالش هایی روبرو کرده است. Snort یک سیستم تشخیص نفوذ شبکه مبتنی بر امضا بوده که به دلیل متن باز، رایگان و سبک بودن بسیار پرکاربرد است. در این پایان نامه جهت بهبود کارایی سیستم تشخیص نفوذ شبکهsnort ، از ایده کلیدی فیلتر کردن بسته های غیر ضروری شبکه بر اساس لیست سیاه که توسط meng و همکاران در سال 2014 ارائه شد، به عنوان یک مکانیسم پیش پردازش استفاده شده است. یکی از چالش های مهم این مکانیسم کاهش سرعت فیلتر کردن بسته ها، با افزایش حجم ترافیک شبکه است. بنابراین جهت تسریع عملکرد این مکانیسم، فیلتر بیان شده را با استفاده از مجموعه داده DARPA و ارائه یک روش کارا موازی سازی روی واحد پردازش گرافیکی آزمایش و اجرا کرده ایم .نتایج نهایی نشان می-دهد که روش پیشنهادی ضمن تایید پیچیدگی های زمانی و حافظه ای محاسبه شده موجب تسریع بیش تر از 30 برابری شده است. در نتیجه باعث بهبود بالای عملکرد فیلتر بسته مبتنی بر لیست سیاه و افزایش کارایی snort می گردد.
  12. ارایه یک روش کنترل پذیرش تماس در شبکه های بی سیم 802.11n به کمک کارگزار SIP
    1396
    با افزایش تقاضا برای استفاده از تلفن اینترنتی و انتقال رسانه به روی شبکه ی بی سیم، مسئله ی کنترل پذیرش تماس ها با در نظر داشتن تضمین کیفیت سرویس، به چالشی اساسی در این حوزه تبدیل شده است. دو پارامتر مهم در کیفیت سرویس، تاخیر و درصد اتلاف بسته ها می باشد که در شبکه ها ی بی سیم برخلاف شبکه های سیمی بسیار چالش برانگیز است. روش-های بی شماری در جهت کنترل پذیرش تماس ها با در نظر داشتن کیفیت سرویس تماس ها، پیشنهادشده است؛اما الگوریتم های اخیر در این حوزه به دلیل تغیر در پارامترهای لایه ی کنترل دسترسی و پیچیدگی زمانی بالای الگوریتم های مرتبط موثر نبوده اند. همچنین، در هیچ یک از تحقیقات اخیر، الگوریتم تصمیم گیری در موردپذیرش تماس در کارگزار اجرانشده اند؛بلکه در نقطه ی دسترسی پیاده سازی شده اند. حال آنکه نقطه ی دسترسی درواقع دستگاهی است که به سایر دستگاه های مجهز به ارتباط بی سیم اجازه می دهد تا به عضویت شبکه های بی سیم درآمده و با سایر دستگاه ها و شبکه ها ارتباط برقرار کنند و عمل تصمیم گیری ازجمله وظایف نقطه ی دسترسی نیست. علاوه بر این، ارزیابی روش های مذکور در محیط واقعی صورت نگرفته است. لذا، در این مقاله بر آنیم که پروتکل SIP را با الگوریتم کنترل پذیرش تماسی که در کارگزار SIP پیاده سازی می شود ادغام نماییم. الگوریتم پیشنهادی، بدون تغیر در پارامترهای لایه ی کنترل دسترسی و با پیچیدگی بسیار کم، ضمن در نظر گرفتن سطح آستانه مشخصی از کیفیت سرویس، نسبت به پذیرش و یا رد تماس تصمیم می گیرد. ایده ی کلیدی این الگوریتم جهت پذیرش و یا رد تماس در کارگزار SIP، بر اساس شرایط پویای شبکه همچون نرخ اشغال کانال مشترک و درصد ترافیک بلادرنگ موجود در کانال، می باشد. الگوریتم پیشنهادی با استفاده از این د معیار، تعداد تماس ها را با توجه به بار موجود در کانال کنترل می کند و درصورتی که کانال را در شرایط ازدحام ببیند، از ایجاد تماس جلوگیری می کند. نتیجه ی پیاده سازی الگوریتم در بستر واقعی نشان می دهد که طرح پیشنهادی می-تواند موجب بهبود پارامترهای کیفیت سرویس شده و هم چنین زمان پاسخ به تماس ها را کاهش دهد.
  13. ارتقاء عملکردالگوریتم های دسته بندی بسته مبتنی بر درخت تصمیم بااستفاده ازخوشه واحد پردازش گرافیکی
    1395
    دسته بندی بسته، پردازش اساسی در پردازنده های شبکه ای است. در این فرآیند،بسته های ورودی از طریق تطبیق با مجموعه ای از فیلتر ها به جریان های مشخص طبقه بندی می شوند.روش هایدسته بندی به دو دسته سخت افزاری و نرم افزاری طبقه بندی می شود. روش سخت افزاری با وجود سرعت بالا هزینه زیادی دارد. در مقابل روش نرم افزای قابلیت توسعه پذیری بیشتر را با هزینه کمتر ارائه می دهد. در این پژوهش الگوریتم درخت سلسله مراتبی که یک روش نرم افزاری مبتنی بر درخت تصمیم است، در خوشه پردازنده گرافیکی،خوشه پردازنده مرکزی و خوشه ترکیبیموازی سازیمی شود.برای پیاده سازی الگوریتم درخت سلسله مراتبی روی خوشه هایمذکور، سناریو و حالت های مختلفی ارائه می شود. در خوشه پردازنده مرکزی بهترین سناریو، سناریو است که از ترکیب OpenMPوMPI استفاده می کند. در روش خوشه پردازنده گرافیکی سه سناریو مطرح شد. در سناریو اول از حافظه سراسری برای نگهداری مجموعه فیلتر ها، درخت و بسته ها استفاده می شود،دراین حالت به تسریع 54 برابرنسبت حالت ترتیبی می رسد. در سناریو دوم از حافظه اشتراکی استفاده می شود، برای استفاده از حافظه اشتراکی درخت سلسله مراتبی مذکور را به زیر درخت های تقسیم کرده تا در هر دو سیستم کپی شوند. در این سناریو به دلیل افزایش تعداد درخت ها میزان تسریع کاهش پیدا می کند. برای افزایش تسریع در حافظه اشتراکی، در سناریو سوم مجموعه فیلتر ها را طوری انتخاب می کنیم که درخت سلسله مراتبی آن در حافظه اشتراکی جای گیرد در این حالت به تسریع 12 برابری نسبت به حالت استفاده از حافظه سراسری دست خواهیم یافت. اگر تعداد فیلتر ها کوچک و درخت متناظر با آن در حافظه اشتراکی جای گیرد، بهترین راه کار استفاده از حافظه اشتراکی خوشه گرافیکی است.در روش خوشه ترکیبی لازم است که بسته ها بین پردازنده مرکزی و گرافیکی تقسیم شوند. برای این کار که نسبت توان پردازشی پردازنده گرافیکی به مرکزی به دست آورده می شود. در روش خوشه ترکیبی دو سناریو مطرح شد در سناریو اول از مدل برنامه نویسی MPI+CUDA و در سناریو دوم از مدل MPI+CUDA+OpenMP استفاده می شود. تسریع این دو سناریور تقریباً با هم برابر می باشد.در این روش، سناریو دوم به دلیل استفاده از نخ به جای پروسه برای دسته بندی میزان مصرف حافظه کمتری دارد. استفاده ازخوشه ترکیبی نیز در مقایسه با خوشه پردازنده گرافیکی 4/1 م
  14. ارتقا کارایی دسته بندی بسته ها در الگوریتم فضای چندتایی با استفاده از خوشه پردازنده گرافیکی
    1395
    دسته بندی بسته ها یکی از پردازش های اساسی در مولفه های متنوع شبکه ای است که توسط پردازنده های شبکه ای اجرا می شود.این فرآیند جریان های ترافیکی را بر اساس پارامترهای مختلف دسته بندی می کند. اگرچه این کار با کمک روش های سخت افزاری هم قابل اجراست اما این روش ها هزینه ی بالا و توسعه پذیری محدودی را به همراه دارند. در مقابل روش های نرم افزاری که این مشکلات را برطرف می کنند سرعت پایینی دارند. یک ایده کلیدی برای رفع این مشکل، موازی سازی دسته بندی بسته ها روی خوشه ی پردازش گرافیکی است. در این پژوهش الگوریتم فضای چندتایی در خوشه ی پردازنده ی گرافیکی، مرکزی و ترکیب این خوشه ها با سناریوهای مختلف پیاده سازی شده است. در این سناریوها برای اجرای موازی الگوریتم روی خوشه ی پردازنده گرافیکی از کتابخانه های MPI و روی خوشه پردازنده مرکزی از کتابخانهMPI وOpenMP بهره گرفته شده است و با اجرای الگوریتم روی سیستم تک پردازنده گرافیکی و مرکزی مقایسه شده است. نتایج پیاده سازی سناریوها و حالت های مختلف بر خوشه پردازنده گرافیکی نشان می دهد که استفاده از خوشه گرافیکی نسبت به استفاده از یک سیستم با یک پردازنده گرافیکی کارایی بهتری دارد. همچنین نتایج پیاده سازی و اجرای الگوریتم بر ترکیب خوشه های پردازنده مرکزی وگرافیکی نشان می دهد که نتایج آن نسبت به استفاده از خوشه گرافیکی به مراتب بهتر است.
  15. بهبود مکانیزم مدیریت جدول جریانها در شبکههای مبتنی بر نرمافزار بر مبنای تحلیل آماری جریانها جهت کاهش سربار کنترلر
    1395
    چکیده: شبکه های مبتنی بر نرم افزار با این هدف که کل شبکه به صورت یک موجودیت قابل برنامه ریزی مدیریت شود، ارائه شده و در حال توسعه است. پروتکل OpenFlow به عنوان پروتکلی مطرح در این زمینه، به منظور پیاده سازی سیاست های مدیریتی موردنظر، قوانین جدید هدایت بسته ها را در مورد جریان های متمایز بسته ها تحت عنوان درایه های جریاندر جدول های جریان سوییچ های شبکه نصب می کند. جدول های جریان با وجود سرعت بالا ظرفیت محدودی دارند. بنابراین، مدت زمان نگه داری و نحوه جایگزینی درایه های مفیدتر، به چالشی مهم در این پروتکل تبدیل شده است. در نتیجه ناکارآمدی سیاست جایگزینی درایه های جدول جریان، به دلیل عدم حضور درایه های جریان متناظر با بسته های ورودی در جدول جریان سوییچ، میزان مراجعات به کنترلر جهت هدایت این بسته ها و در نتیجه تاخیر هدایت بسته ها افزایش می یابد. از همین رو، تمرکز این پژوهش، بر ارائه روشی پویا جهت جایگزینی درایه های جدول جریان است که بتواند سربار کنترلر را تا حد امکان کاهش دهد. ایده کلیدی در روش پیشنهادی آن است که از محبوبیت جریان های ترافیکی موجود در جدول در دفعات پیش جهت انتخاب جریان موردنظر برای جایگزینی استفاده شود. پیاده سازی الگوریتم پیشنهادی به کمک ابزار MiniNet و مقایسه نتایج آن با الگوریتم های جایگزینی موجود، چون FIFO و Random نشان دهنده افزایش قابل توجه در نرخ برخورد در جدول جریان سوییچOpenflow بوده و برتری آن را در کاهش سربار کنترلر تایید می نماید..
  16. یک روش ترافیک آگاه برای دسته بندی بسته ها با هدف کاهش تعداد دفعات دسترسی به حافظه
    1394
    فرآیند دسته بندی بسته های ورودی به جریانهای مختلف در ابزارهای پردازشگر شبکه ای، دسته بندی بسته ها نامیده میشود. دسته بندی بستته ها نقش بسزایی در بهبود عملکرد تجهیزات شبکهای ازجمله مسیریا ها، دیواره های آتش، سیستمهای تشخیص نفوذ ایفا میکند. دسته بندی بسته ها بر اساس مجموعه قوانین خط مشی الهام میگیرد. از آنها که ممکن است یک بسته با مجموعه ای از قوانین منطبق شود، سیاست مرتبط با قانون با اولویت بالاتر بر آن بسته اعمال میشود. با توجه به افزایش تعداد قوانین دسته بندی و حجم بالای ترافیک عبوری و نیز پهنای باند بالای لینکهای شبکه، لزوم تسریع عمل دستهبندی آشکار میشود. با این حال، الگوریتمهای دستهبندی استفاده کننده از ساختار داده ایستا، الگوی رفتاری ترافیک ورودی را در بهینه سازی ساختار داده جستجو در نظر نمی گیرند. در این پژوهش، ویژگیهای آماری ترافیک ورودی را در نظر گرفته و از داده ساختارهای کمکی ترافیک آگاه در کنار داده ساختارهای اصلی استتفاده نمودهایم. ازآنهاکه حهم غالب ترافیک اینترنت، مربوط به جریانهای بلندمدت است، برای مدت زمانی نه چندان کوتاه، اکثر مطابقتهای قوانین در زیر درختهای مشخصی از درخت جستهو قرار دارند. برای بهرهگیری از این ویژگی، در این پژوهش از ساختار داده درخت AVL برای نگهداری قوانین دسته بند و از حدهای بالا و پایین مهموعه قوانین بهعنوان گرههای درخت جستجو استفاده شده است. در اینها در هر گره از یک شمارنده برای نگهداری تعداد بستته های منطبق شده و به دست آوردن قوانین با فراوانی بالا استفاده شده است. در بازههای زمانی ثابت و به صورت آنلاین با استفاده از قوانین با فراوانی بالا، بازسازی ساختار داده کمکی ترافیک آگاه صورت میگیرد. با استفاده از ارزیابیها نشان دادیم که با افزایش کمی بسته های آزمون، نرخ بهره الگوریتم دسته بندی ترافیک آگاه نسبت به الگوریتم دسته بندی پایه و نرخ برخورد درختهای قوانین پرتکرار افزایش مییابد. همچنین نشان داده ایم که دسته بندی بسته ترافیک آگاه با استفاده از قوانین پرتکرار میتواند بهطور قابلتوجهی میانگین تعداد دفعات دسترسی به حافظه را کاهش دهد و درنتیجه موجب افزایش سرعت جستجو شود.
  17. افزایش سرعت دسته بندی بسته حافظه دار با استفاده از تکنیکهای ساختمان داده ای
    1394
    دستهبندی بستهها یکی از پردازشهای اساسی در مولفههای متنوع شبکهای است که اغلب توسط پردازندههای شبکهای اجرا میگردد. این فرآیند خودکار جریانهای ترافیکی شبکه را براساس پارامترهای متعدد از جمله شماره درگاه و آدرس فرستنده و گیرنده دستهبندی مینماید. مهمترین شاخص کارایی الگوریتمهای دستهبندی بستهها، سرعت جستجو جهت یافتن بهترین قانون منطبق بر اطلاعات سرآیند بسته میباشد. بیشتر دستهبندهای موجود تنها ویژگیهای قوانین دستهبند بستهها برای افزایش سرعت دستهبندی بستهها استفاده میکنند. نگاهی به عملکرد دستهبندهای بسته، در یک بازه زمانی نشان میدهد که فراوانی تطابقهای هر قانون دستهبند با بستههای ورودی در گذر زمان متغیر است. این مشاهده کلیدی انگیزه اصلی برای طراحی دستهبندهای ترافیک-آگاه است. در دستهبندهای ترافیک آگاه ساختار دستهبند متناسب با الگوی ترافیک بستههای ورودی بروزرساتی میشود. در این پژوهش یک روش دستهبند ترافیک- اگاه مبتنی بر درخت تاشونده ارائه شده است. در روش ارائه شده قانونها در یک درخت تاشونده قرار میگیرند. در درخت تاشونده هر گاه گرهای مورد دسترسی قرار میگیرد بلافاصله به ریشه درخت منتقل میشود. به منظور سازگاری چرخشها در درخت با الگوی ترافیک بستههای ورودی، چند سناریو ارائه گردیده است. در سناریوهای ارائه شده از یک حد آستانه و ویژگیهای آماری بستههای ورودی برای تغییر ساختار درخت به منظور تسریع تطبیق با قانونهای پرتطبیق استفاده شده است. در سه سناریوی اول گرههای پرتطبیق با استفاده از عملیات چرخش در نزدیکی ریشه قرار میگیرند. در سناریوی چهارم گرههای پرتطبیق در یک حافظه نهان از نوع تداعیگر درج میشوند در ارزیابیها از مجموعه قوانین و بستههای آزمایشی تولید شده توسط ابزار Classbench استفاده شده است. به منظور شباهت بیشتر بستههای تولیده شده توسط ابزار ClassBench به ترافیک بسته های واقعی اینترنت به بستههای آزمونی یک برچسب زمانی اضافه شده است. نتایج ارزیابیها با مجموعه قوانین و حجم بسته های آزمون مختلف، حاکی از آن است که سه سناریوی اول به ازای مجموعه قوانین با اندازه 155 و k 4 و حجم بالای بستههای ورودی با میزان Skew بالا، با کاهش قابل توجه متوسط تعداد دسترسیها به حافظه برای چرخشها و در عین حال کاهش متوسط تعداد دسترسیها به حافظه برای جستجو عملکرد قابل قبولی را نسبت به درخت تاشونده دارند. سناریوی چ
  18. ارائهی روشجدید تخمین کارآیی الگوریتمهای دستهبندی بسته در فضای هندسی به کمک روشهای آماری
    1394
    دسته بندی بسته ها یکی از پردازشهای اساسی در سیستمهای متنوع شبکهای است که اغلب توسط پردازنده های شبکهای اجرا میگردد. دسته بندی بسته ها فرآیندی خودکار است که جریانهای ترافیکی شبکه را براساس پارامترهای متعدد از جمله درگاه و آدرس فرستنده و گیرنده طبقهبندی مینماید. اکثر تحقیقات در حوزه دسته بندی بستهها تنها سعی نموده اند که بر اساس ارائه الگوریتمهای جدید، مصرف حافظه را کاهش و سرعت دستهبندی را افزایش دهند و هیچگاه تاثیر مشخصه های آماری قوانین دستهبند را در کارایی نهایی ارزیابی نکرده اند. در این پژوهش، ابتدا نحوه محاسبه ویژگیهای مهم آماری مهمی چون تعامد و تعمیم، طول جفت پیشوند آدرس و انحراف برای هر مجموعه قانون توضیح داده شده است. سپس، تاثیر هریک از شاخصها، به صورت منفرد و مجموع بر میزان کارایی الگوریتمهای دسته بندی مهم در روند دسته بندی بسته های آزمون ارزیابی شده است. نتایج ،H-Trie, AQT و Hicuts به نام های ارزیابی نشان میدهد با محاسبه شاخصهای مذکور در مورد قوانین دستهبندهای مورد استفاده در الگوریتمهای مذکور، میتوان کارایی الگوریتم دستهبند را از لحاظ میزان مصرف حافظه و سرعت دسته- بندی پیشبینی کرد. در مورد دو الگوریتم مذکور به ترتیب، وجود تعداد زیاد قوانین با جفت پیشوند آدرس طولانی و وجود ساختارهای قائم در مجموعه قوانین، تاثیر قابل توجهی در کاهش حافظه مصرفی و افزایش سرعت دسته بند دارد.
  19. ارتقاء عملکرد الگوریتم‎های دسته‎بندی بسته مبتنی بر درخت تصمیم با استفاده از واحد پردازش گرافیکی
    1394
    دسته بندی بسته ها، پردازشی اساسی در پردازنده های شبکه ای است. در این فرآیند، بسته ها ی ورودی از طریق تطبیق با مجموعه ای از فیلترها به جریان های مشخص طبقه بندی می شوند. پیاده سازی های نرم افزاری الگوریتم های دسته بندی با وجود هزینه کم تر و توسعه پذیری بیش تر نسبت به پیاده سازی های سخت افزاری، سرعت پایین تری دارند. در این رساله، از قابلیت پردازش موازی پردازنده های گرافیکی برای تسریع الگوریتم درخت سلسله مراتبی دسته بندی بسته ها، استفادهنموده و سناریوهای متفاوتی را بر اساس معماری حافظه های سراسری و اشتراکی آن هاپیشنهاد می نماییم. نتایج پیاده سازی این سناریوها، ضمن تایید پیچیدگی های زمانی و حافظه ای محاسبه شده، نشان می دهد کارایی سناریوهایی که مجموعه فیلتر را به صورت زیردرخت هایی کوچک تر یا مساوی حافظه اشتراکی تقسیم و به آن کپی می کنند کم تر از سناریویی است که کل ساختار داده را در حافظه سراسری نگه می دارد. کارایی این سناریوها، با کاهش تعداد زیردرخت ها و فیلترهای تکراریافزایش می یابد علاوه بر این، سناریویی که بتواند درخت سلسله مراتبی و مجموعه فیلترهای متناظر را، بدون افراز در حافظه اشتراکی جای دهد برترین سناریو است. نتایج آزمایش نشان می دهد که نرخ گذرداد حاصله در این سناریو نسبت به روش-های موجود بر روی یک GPU یکسان تا 2/1 برابر بهبود می یابد
  20. ارتقا کارایی دسته بندی بسته ها در الگوریتم های فضای چندتایی با استفاده از واحد پردازش گرافیکی
    1394
    دسته بندی بسته ها یکی از پردازش های اساسی در مولفه های متنوع شبکه ای است که اغلب توسط پردازنده های شبکه ای اجرا می گردد. این فرایند خودکار جریان های ترافیکی شبکه را براساس پارامترهای متعدد از جمله شماره درگاه و آدرس فرستنده و گیرنده دسته بندی می نماید. هرچند، تسریع الگوریتم های دسته بندی بسته ها از طریق پیاده سازی سخت افزاری آن ها ممکن است، این راه حل هزینه بالا و توسعه پذیری محدودی دارد. در مقابل، روش های نرم افزاری که این مشکلات را برطرف می کنند سرعت پائینی دارند. یک ایده کلیدی برای رفع این مشکل، موازی سازی دسته بندی بسته ها روی واحدهای پردازش گرافیکی است. در این پژوهش، فرم های موازی الگوریتم های جستجوی فضای چندتایی و فضای هرس شده برای دسته بندی بسته ها بر روی پردازنده های گرافیکی با بهره گیری از بستر نرم افزاری کودا بررسی شده است. برای استفاده از بالاترین سطح موازات ارائه شده توسط کودا، موازاتی ریزدانه مورد توجه قرار گرفته است. در فرم پیشنهادی، پس از انتقال جریان بسته ها از حافظه میزبان به حافظه سراسری پردازنده گرافیکی، هر بسته به یک پردازش نخی منتسب می شود تا دسته بندی شود. همچنین، کارایی پیاده سازی موازی الگوریتم های مذکور با درنظر گرفتن پنج سناریوی ممکن برای ذخیره-سازی قوانین دسته بندی و سرآیند بسته ها درحافظه های متفاوت واحد پردازش گرافیکی ارزیابی شده است. نتایج نشان میدهد، نسخه های موازی شده الگوریتم ها روی واحد پردازش گرافیکی، از نظر سرعت و گذرداد نسبت به نسخه متوالی متناظر روی واحد پردازش مرکزی برتر هستند. همچنین، بالاترین کارایی الگوریتم موازی شده زمانی حاصل میشود که حافظه تسهیم شده واحد پردازش گرافیکی برای ذخیره سازی مجموعه قوانین و سرآیند بسته ها استفاده شود. علاوه بر این، الگوریتمهای جستجوی فضای چندتایی و فضای هرس شده به چهار روش ممکن در سیستم های چند پردازنده ها موازی سازی شدند. مقایسه نتایج ارزیابی ها نشان می دهد، نسخه موازی شده الگوریتم ها روی واحد پردازش گرافیکی نسبت به نسخه موازی متناظر روی سیستم های چند پردازنده ها، از نظر سرعت و گذرداد عملکرد بهتری را دارد.
  21. الگوریتکی برای کاهش حافظه مصرفی با در نظر گرفتن کران بالا و پایین جستجو در طبقه بندی درختی بسته ها
    1394
    چکیده: یکی از وظایف اصلی پردازنده های شبکه ای طبقه بندی بسته ها است. مهمترین مسئله در این زمینه، استفاده از الگوریتمی است که بتواند بسته هارا با سرعتی درحد سرعت شبکه طبقه بندی کند و همچنین، از حافظه در دسترس به صورت بهینه استفاده نماید. الگوریتمArea based quad-tree(AQT)،یکی از الگوریتم های مطرح در این زمینه است. دراین الگوریتم،یک جستجو برای یافتن بهترین قانون منطبق با طبقه بندی بسته ها بر اساس تصمیم گیری به ازای یک بیت آدرس IP مبدا و یک بیت آدرس IP مقصد انجام می شود. به علت ثابت بودن نقاط برش در الگوریتم مذکور، درختی حاصل نامتوازن است. بنابراین، سرعت اجرای الگوریتم بسیار پایین می-باشد. در این تحقیق به ساخت درخت AQT با استفاده از برنامه ریزی پویا پرداخته شده است. پیاده سازی الگوریتم پیشنهادی و ارزیابی طبقه بندی بسته های تولید شده توسط ابزار ClassBench نشان می دهد که با متوازن شدن درخت، افزایش قابل توجهی در سرعت جستجو و کاهشی در حافظه مورد نیاز بدست می آید.
  22. ارائه یک دسته بندیکننده درختی بسته ها در TCAMبا در نظر گرفتن کران های حافظه
    1394
    اینترنت گسترده ترین شبکه مبتنی بر سوئیچینگ بسته ای است. در تجهیزات و ابزارهای مورد استفاده برای پردازش بسته ها در این شبکه مخصوصا در شاهراه های اینترنت نیاز به پردازش های خاص و با سرعت بالا است. طیف وسیعی از ابزارهای پردازشگر بسته ها شامل مسیریاب ها، دیواره های آتش، سیستم های تشخیص نفوذ، سیستم های مدیریت حساب کاربرانو ... از دسته بندی بسته ها استفاده می کنند. به عنوان یک راهکار در پیاده سازی های سخت افزاری الگوریتم های دسته بندی بسته ها، از حافظه های تداعیگر سه وضعیتی (TCAM)به منظور جست و جوی موازی استفاده می شود. با وجود قابلیت دستیابی به سرعت جست وجوی بالا، یکی از مشکلات اصلی در استفاده از TCAMها، توان مصرفی بالای آنها می باشد.در این پایان نامه، معماری جدید برای کاهش توان مصرفی در بلوک های TCAMمورد استفاده در دسته بند سخت افزاری ارائه شده است. در معماری دسته بند پیشنهادی، نخست درخت های تصمیم گیری ایجاد شده و قوانین دسته بند بین برگ های آن توزیع می شوند. ساخت درخت تصمیم گیری با توجه به فیلد های آدرس IPمبدا و آدرس IPمقصد، انجام می گیرد. در این مرحله هر برگ درخت، متناظر با یک بلوک TCAMمی باشد. در مرحله دوم، متناظر با ساختار درخت، بخش دوم از قوانین، شامل محدوده پورت های مبدا و مقصد، در بلوک های متفاوتی از TCAMجای می گیرند. در این معماری یک بلوک TCAMاضافی به عنوان بلوک عمومیاستفاده می شود. این بلوک دربردارنده قوانین مشترک در میان برگ های درخت تصمیم است؛ بنابراین، به منظور دسته بندی، این ساختار،جهت انطباق با هر بسته،در دو مرحله ذکر شده، جستجو می شود. معماری های موجود با ساختار فوق، به دلیل توزیع نامتوازن قوانین در بلوک های TCAMاصلی و افزایش تعداد قوانین تکراری در بلوک عمومی و همچنین مشکلات ذخیره فیلدهای محدوده در TCAM،دچار مشکل اتلاف حافظه و افزایش توان مصرفی هستند. بدین منظور، برای کاهش مصرف توان در طرح پیشنهادی، الگوریتم درختی برای بهینه کردن توزیع قانون ها در بلوک های TCAMدر مرحله اول پیشنهاد شده است. ایده کلیدی برای ساخت درخت بهینه در مرحله اول، انتخاب بیت هایی برای برش در فضای ژئومتریک است.این کار باعث می شود قانون ها به صورت متوازن تربین بلوک های TCAMدر مرحله دوم توزیع شوند.توزیع متوازن قانون ها منجر به کاهش تکرارها و در نهایت کاهش تعداد قوانین موجود در بلوک عمومی
  23. تشخیص موقعیت سه بعدی بدن انسان از روی تصاویر دو بعدی با استفاده از روش نیمه نظارتی مبتنی بر گراف
    1393
    بب