– ۹۰ نمونه سوال شبکه های کامپیوتری (+ پاسخنامه)

– ۷۵ نمونه سوال مدارهای الکترونیکی (+ پاسخنامه)

– ۱۰۰ نمونه سوال مدارهای منطقی (+ پاسخنامه)

– ۱۰۰ نمونه سوال معماری کامپیوتر (+ پاسخنامه)

– ۱۵ سوال ریاضی و آمار مقدماتی

– ۱۵ سوال زبان و ادبیات فارسی

– ۱۵ سوال معارف اسلامی

– ۱۵ سوال زبان انگلیسی عمومی

– ۱۵ سوال اطلاعات عمومی ، دانش اجتماعی و حقوق اساسی

– ۲۵ سوال هوش و توانمندی های عمومی

شبکه‌ی عصبی مصنوعی  را می‌توان یکی از شاخه‌های هوش مصنوعی دانست که به‌عنوان یک تکنولوژی رایانشی در علوم کامپیوتر مدنظر قرارگرفته است. در این مقاله قصد داریم به بازبینی حوزه‌ی هوش مصنوعی پرداخته و بر روی کاربردهای اخیر آن، که از شبکه‌های عصبی مصنوعی (ANN) و هوش مصنوعی (AI) استفاده می‌کند بیندازیم.همچنین قصد داریم ادغام شبکه‌های عصبی را با سایر متدهای رایانشی‌ای مانند منطق فازی  در نظر گرفته تا بتوانیم توانایی تفسیر داده‌ها را بهبود دهیم. شبکه‌های عصبی مصنوعی را می‌توان یک تکنولوژی رایانشی نرم دانست که در سطح زیادی موردمطالعه قرارگرفته و در طی دو دهه‌ی اخیر نیز کاربردهای زیادی از آن پدید آمده است. رایج‌ترین کاربردهای شبکه‌های عصبی را می‌توان در حل مسائل تشخیص الگو، تحلیل داده‌ای، کنترل و خوشه‌بندی دانست. شبکه‌های عصبی مصنوعی دارای ویژگی‌های زیادی من‌جمله سرعت پردازشی بالا و توانایی در یادگیری و به دست آوردن جواب یک مسئله(از طریق یادگیری یک مجموعه داده‌ای) می‌باشند. هدف اصلی این مقاله این بوده که به بررسی کاربردهای اخیر شبکه‌های عصبی مصنوعی و هوش مصنوعی پرداخته و یک بازبینی جامعی را در خصوص  نقش اصلی AI و NN در حوزه‌های مختلف ارائه دهیم.

واژگان کلیدی:

شبکه های اجتماعی آنلاین (  Facebook, MySpace, LinkedIn و مواردی ازاین دست) پدیده های جدید مهمی در الگوهای ارتباطی و تعاملی انسان محسوب شده و بر شیوه ارتباط افراد با یکدیگر تاثیر شگرفی اعمال می کنند. در این تحقیق، تصمیم برای استفاده از یک شبکه اجتماعی آنلاین به صورت کنش اجتماعی عمدی مفهوم سازی و تاثیر نسبی سه مد فرایندهای نفوذ و تاثیر اجتماعی ( رعایت و تطابق، درونی سازی، و شناسایی) بر کاربرد کنش اجتماعی عمدی ( قصد جمعی) مورد بررسی قرار گرفته است. تحقیق تجربی کاربران فیس بوک (n=389) نشان داد که قصد جمعی برای استفاده از سایت شبکه اجتماعی بر طبق هنجار ذهنی و هویت اجتماعی تعیین می گردد. به علاوه، هویت اجتماعی ساختار نهفته درجه دومی است که از مولفه های درجه اول شناختی، ارزیابی  و عاطفی تشکیل شده است. راجع به مبانی تحقیق و عمل بحث شده است.

واژگان کلیدی:

مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت می‌شود. بدین ترتیب یکسری از مدل‌های تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدل‌ها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدل‌های موجود آن است که اکثر این مدل‌ها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده می‌کنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدل‌های مبتنی بر عملکرد عصبی نسبت به مدل‌های خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدل‌های شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) می‌باشد. نتایج نشان می‌دهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا می‌باشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیف‌ترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل می‌نماید.

واژگان کلیدی: مدیریت درآمد، تعهدات اختیاری، شبکه های عصبی

در این مقاله قصد داریم به توسعه‌ی یک الگوریتم برنامه‌نویسی پویای هیروستیک(HDP)   مبتنی بر ارزش-تکرار بپردازیم، با این هدف که بتوان مسئله‌ی کنترل بهینه را برای سیستم‌های غیرخطی  تکراری ازنظر زمانی حل کرد. در ابتدا، یک اثبات همگرایی دقیقی  از الگوریتم HDP را ارائه خواهیم داد. دوم، مباحث پایداری مربوط به الگوریتم HDP برای سیستم‌های غیرخطی را نیز موردبررسی قرار خواهیم داد. اعتقاد بر آن است که عیب اصلی الگوریتم HDP این بوده که فقط تابع محدودی از دنباله کنترل تکراری  می‌تواند تثبیت گردد، و بنابراین تکرارهای نامحدود مورداجرا قرار خواهند گرفت. به‌منظور تصدیق این مسئله، یک نتیجه‌ی پایداری جدیدی را برای الگوریتم HDP ارائه خواهیم داد که نشان می‌دهد که قوانین کنترل تکراری حاصله در پس از تکرارهای محدود می‌تواند پایداری  حلقه بسته  را تضمین سازد. یک نتیجه‌ی پایداری مشابهی نیز برای سیستم‌های غیرخطی گسسته زمانی به‌دست‌آمده است. بنابراین، کاربرد الگوریتم HDP   در سطح زیادی بهبود پیدا می‌کند. ساختار شبکه‌ی عصبی منفرد (NN) نیز به‌منظور پیاده‌سازی الگوریتم بکار گرفته‌شده است. باید خاطرنشان کرد که این الگوریتم را می‌تواند بدون دانستن پویایی‌های داخلی مربوط به سیستم‌ها پیاده‌سازی کرد. درنهایت، نتایج عددی به‌منظور اثبات بهره‌وری متدهایی که توسعه داده‌ایم ارائه  خواهد شد.

واژگان کلیدی: همگرایی، پایداری، برنامه‌نویسی پویای هیروستیک(HDP)، کنترل بهینه، تکرار-ارزش

مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت می‌شود. بدین ترتیب یکسری از مدل‌های تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدل‌ها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدل‌های موجود آن است که اکثر این مدل‌ها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده می‌کنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدل‌های مبتنی بر عملکرد عصبی نسبت به مدل‌های خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدل‌های شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) می‌باشد. نتایج نشان می‌دهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا می‌باشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیف‌ترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل می‌نماید.

واژگان کلیدی: مدیریت درآمد، تعهدات اختیاری، شبکه های عصبی

 ساختار باز و توزیع‌شده‌ی سرویس‌ها و رایانش ابری را می‌توان یکی از اهداف مدنظر مهاجمین حملات سایبری احتمالی دانست. به دلیل ماهیت باز و خاصی که در سیستم‌های تشخیص و اجتناب از تهاجم مرسوم و سنتی (IDPS)  وجود دارد، نمی‌توان از این سیستم‌ها برای توسعه در محیط‌های رایانش ابری استفاده کرد. در این مقاله قصد داریم آخرین فن‌های مدیریت هشدار و IPDS که توسعه‌یافته است را موردبررسی قرارداده و آگاهی‌هایی را در اختیار پژوهشگران قرار دهیم که برای این کار، یک بررسی جامعی را بر روی راه‌حل‌های ممکنی که در این زمینه ارائه‌شده است انجام داده تا بتوانیم در محیط‌های رایانش ابری، چنین حملاتی را تشخیص داده و از آن‌ها اجتناب کنیم. با در نظر گرفتن مشخصه‌های IDPS ها و سیستم‌های رایانش ابری، یک لیستی از نیازمندی‌هایی را که برای مدیریت رایانش خودکار و مفاهیم مربوطه‌ی آن نیاز است ارائه داده‌ایم همچنین از یک نظریه‌ی فازی به‌منظور پاسخ به این نیازمندی‌ها استفاده نموده‌ایم.

واژگان کلیدی:

 

تغییرات قیمت در بازار سهام را نمی توان به کل تصادفی دانست. در اصل،  چیزی که باعث تحریک بازار مالی شده و الگویی که سری های زمانی مالی از آن تبعیت می کنند، مورد توجه اقتصاد دانان، ریاضی دانان و اخیراٌ نیز دانشمندان علوم کامپیوتر قرار گرفته است[17]. در این مقاله، ایده ای در مورد تحلیل گرایش رفتار بازار سرمایه، با استفاده از مدل مخفی مارکوف (HMM)  ارائه خواهد شد. زمانی که گرایشی از یک بازه ی زمانی خاص تبعیت کرد، این اطمینان داده می شود که در آینده نیز این تبعیت تکرار خواهد شد. یک  تفاوت یک روزه در ارزش سهام برای بازه ی زمانی خاص پیدا شده و مقادیر توزیع احتمال مقادیر یکپارچه ی آن نیز مشخص می-شود. سپس رفتار الگوی بازار سهام بر مبنای مقادیر احتمالی برای بازه ی زمانی خاصی تصمیم گیری می شود. هدف این بوده که دنباله  ی وضعیت مخفی مشخص را محاسبه کرده تا این گرایش را بتوان با استفاده از مقادیر توزیع وضعیت یکنواخت تحلیل کرد. شش دنباله ی وضعیت مخفی بهینه نیز ایجاد شده و مقایسه شده اند. تنها تفاوت یک روزه در ارزش نزدیک در زمانی که در نظر گرفته می شود، بهترین دنباله وضعیت بهینه را ارائه خواهد داد

واژگان کلیدی: مدل مخفی مارکوف، گرایش بازار سرمایه، ماتریس احتمال تبدیل، ماتریس احتمال انتشار، توزیع احتمال وضعیت یکنواخت

هدف: از زمان پیدایش مفهوم ناب یا Lean و محیط کار، تأثیر آن بر روی کارمندان در سازمان های کاری مورد بررسی قرار گرفته است. هدف این مقاله، ارائه ی رویکردی علمی بر روی تأثیرات ناب در محیط کار و سلامتی کارمندان میباشد.

طراحی/متودولوژی و روش: پایگاه داده های مختلفی در این باره برای مطالعات ناب و محیط کاری مورد بررسی و جستجو قرار گرفتند. به صورت کلی، 11 مطالعه با تأثیرات کمیتی ناب، در این مقاله بررسی شده است. متودولوژی و نتایج حاصله نیز به منظور استخراج اطلاعاتی در مورد مفهوم ناب و تأثیر آن در محیط کاری مورد تحلیل قرار گرفته اند.

 

یافته ها: مدارکی قوی وجود دارد مبنی بر اینکه در شرایط کاری با پیچیدگی کم و کارهای دستی، مفهوم ناب  دارای تأثیراتی منفی بر روی محیط کاری  و سلامتی کارمندان. اگرچه تأثیراتی مثبت در زمینه ی ناب و تأثیر آن بر روی محیط کار نیز وجود دارد، ولی ضروری است تا از مدل های ساده ی علت و معلول شروع کرده تا مدل های بسیار جامع و پیچیده پیش رویم، تا اینکه بتواند ناب و مفاهیم مبهم باز در مورد آن و همچنین تأثیرات مثبت و منفی آنرا درک کنیم.

 

محدودیت ها و استلزامات پژوهش: مدارکی وجود دارد مبنی بر محدودیت هایی که در زمینه ی ناب و تأثیر آن بر روی محیط کاری بیرون از صنعت تولید وجود دارد. در این مقاله فقط مباحث محدودی در زمینه ی یک استراتژی پیاده سازی ارائه شده است.

استلزامات عملی: سازمانی هایی که با افراد ضعیف از نظر جسمانی سروکار دارند، باید تلاش هایی را به منظور اجتناب از محیط کاری ناقض برای کارمندان دستی صورت دهند. نقش کارمندان در کاربرد های عملی ناب  نیز یکی از راه های احتمالی برای توسعه ی یک محیط کاری سالم است.

ابتکار/ارزش: این اولین مقاله ای است که از مدارک بدست آمده از پژوهش های فعلی برای بررسی روابط پیچیده و مبهم بین مفهوم ناب  و محیط کاری صورت گرفته است.

 

واژگان کلیدی:صنایع تولیدی، تولید ناب،کارمندان، نقش کارمندان، محیط کاری، فعالیت پژوهشی، سلامتی، پیاده سازی

اصولاٌ برنامه های کاربردی با تضمین اطمینان بالا ، در جهت پاسخ به تغییرات محیطی، وابسته به سیستم های تطبیقی پویا(DAS)  میباشند، و در عین حال، نیازمندی های تابعی و تمایلات غیرتابعی را نیز برآورده میسازند.

مثال هایی شامل حافظت از زیرساختارهای محسوس و سیستم های حمل و نقل میباشد. یک ADS متشکل از مجموعه ی از (غیرانطباقی) سیستم های هدف(که به صورت مدل های UML نشان داده میشوند) و یک مجموعه از انطباقاتی هستند که تبدیلات بین سیستم های هدف را درک میکنند. دو منبع عدم قطعیت در DAS عبارتند از:

1.پیش بینی محیط اجرایی در آینده

2.استفاده از سبک سنگینی های تابعی و غیر تابعی در پاسخ به تغییرات محیطی.

    به منظور رویارویی با مسئله ی عدم قطعیت، بر آن شدیم تا با استفاده از ارگانیسم های زنده که به طور قابل ملاحظه ای در تطبیق با تغییرات محیطی کارآمد هستند، این مسئله را بررسی و تحلیل کنیم. در این مقاله، یک روش مبتنی بر تکامل دیجیتال را به منظور ایجاد مدل هایی برای نمایش سیستم های هدف ممکن، که در شرایط متعدد محیطی کاربرد دارند و به توسعه دهندگان اجازه ی تشخیص تفاوت های بین مدل های تابعی و غیرتابعی را میدهد، تشریح خواهیم ساخت.سپس نقشی کمک کننده را برای توسعه دهنده در جهت انتخاب سیستم های هدف برای DAS عرضه خواهیم کرد.

1.مقدمه

اصولاٌ برنامه های کاربردی با تضمین اطمینان بالا ، در جهت پاسخ به تغییرات محیطی، وابسته به سیستم های تطبیقی پویا(DAS)میباشند، و در عین حال، نیازمندی های تابعی و تمایلات غیرتابعی را نیز برآورده میسازند.

مثال هایی شامل حافظت از زیرساختارهای محسوس و سیستم های حمل و نقل میباشد. یک ADS متشکل از مجموعه ی از (غیرانطباقی) سیستم های هدف(که به صورت مدل های UML نشان داده میشوند) و یک مجموعه از انطباقاتی هستند که تبدیلات بین سیستم های هدف را درک میکنند. ما از عبارت دامنه برای استناد به مجموعه ی خاصی از شرایط محیطی که باید به وسیله ی سیستم هدف با آن روبرو شویم استناد میکنیم(مانند شبکه های نویزی، خطای سنسور، و باتری پایین که همگی برای یک دامنه صحیح هستند). مهندسی برگرفته از مدل   که به طور موفقیت آمیزی به اصلاح مدل ها از تحلیل تا طراحی میپردازد و سپس به صور خودکار کد هایی را تولید میکند[1]، میتواند برای پیشتیبانی از توسعه ی یک DAS و به وسیله ی مدل سازی هر کدام از سیستم های هدف به عنوان یک مدل UML (مانند دیاگرام کلاس و مدل رفتاری ، در مقایسه با یک مجموعه از دیاگرام های وضعیت تعامل) و انطباق به عنوان تبدیلات در بین آنها استفاده شود

     در این مقاله قصد داریم یک سیستم اتوماسیون خانگی مبتنی بر اندروید را ارائه دهیم که به چندین کاربر اجازه ی کنترل  تقاضا ها را به وسیله ی یک اپلیکیشن اندرویدی و از طریق بستر وب فراهم  میسازد. این سیستم از سه مؤلفه ی سخت افزاری تشکیل شده است: یک دستگاه محلی به منظور انتقال سیگنال ها به متقاضیان خانگی، یک وب سرور برای ذخیره ی رکورد های مشتری و سرویس های پشتیبانی از سایر مؤلفه ها و یک دستگاه اسمارت فون که اپلیکیشن اندرویدی را اجرا میکند. پلت فرم های ابری توزیع شده و سرویس های گوگل  نیز به منظور پشتیبانی از مبادله ی پیام در بین  مؤلفه ها بکار گرفته میشود. پیاده سازی اصلی این سیستم پیشنهادی ، بر مبنای معیار  هایی که پس از تحلیل نیاز مندی ها برای یک سیستم اتوماسیون خانگی بدست آمده است  نیز مشخص شده است. در این مقاله، نتایج مربوط به پژوهش هایی که صرف نظر از مشخصه های سیستم اتوماسیون خانگی صورت پذیرفته است نیز ارائه شده و نتایج ارزیابی مربوط به تست های آزمایشی نیز بر روی سیستم پیشنهادی در حال اجرا بکار گرفته شده است.

واژگان کلیدی: سیستم اتوماسیون خانگی، ابر، پلت فرم ابری گوگل، مبادله ی پیام ابری در گوگل، اندروید

در این مقاله، مسئله ی یافتن جاذب ها در شبکه های بولی سنکرون مورد بررسی قرار می گیرد. الگوریتم های تصمیم بولی مبتنی بر دیاگرام   که امروزه وجود دارد، به دلیل  اینکه دیاگرام های تصمیم نیازمندی زیادی به حافظه دارند، از ظرفیت محدودی برخوردار هستند. الگوریتم های مبتنی بر شبیه سازی  را می توان بر روی شبکه های بزرگتر بکار برد، ولی چنین الگوریتم هایی کامل نیستند. در این مقاله، ما الگوریتمی را ارائه می دهیم که از مدل کرانه دار مبتنی بر SAT استفاده کرده تا تمامی جاذب ها در شبکه های بولی را پیدا کند. بهره وری این الگوریتم نیز به وسیله ی تحلیل هفت مدل شبکه از پروسه های بیولوژیکی واقعی ، و همچنین 150 هزار شبکه ی بولی که به تصادفی در اندازه هایی بین 100 و 7000 ایجاد شده اند، ارزیابی خواهد شد. نتایج بدست آمده  نشان داده است که روش اتخاذی ما، این قابلیت را داشته تا مرتبه ی مقیاس مدل های بزرگتر را نسبت به مدل های فعلی مدیریت کند.

یک شبکه ی تنظیمی ژن(GNR)  را می توان مجموعه ای از بخش های DNA در یک سلول دانست، که ژن نام دارد دانست، که با همدیگر تعامل دارند[1]. هر ژن، شامل اطلاعاتی بوده که مشخص می کند که ژن چه کاری انجام می دهد و این ژن چه زمانی فعال یا منقضی است. زمانی که ژن فعال است، یک پروسه ای که رونویسی نام دارد رخ داده و یک اسید ریبونوکلئیک(RNA)  که یک کپی از اطلاعات ژن بوده ایجاد می کند. این قسمت از RNA ، می تواند ترکیب پروتئین ها را هدایت کند. RNA یا  مولکول های پروتئینی حاصله از پروسه ی رونویسی، به عنوان فراورده های ژن شناخته می شود.

بسیاری از مدل های ریاضی GRN که تا کنون پیشنهاد شده اند، شامل معادلات دیفرانسیل جزئی و معمولی، شبکه های بولی و قابلیت تعمیم آنها، شبکه های پتری ، شبکه های بیزی، معادلات استوکاستیک هستند[2]. عموماٌ یک تنشی بین عمومیت یک مدل و قابلیت پی گیری وجود دارد. یک چارچوب ریاضی خوب ، بسته به مقیاس، ماهیت اطلاعات موجود و مسئله ی مطالعه شده انتخاب می شود.

امروزه سرویس محاسبات ابری به یکی از متودولوژی های توسعه پذیر در صنعت کامپیوتر مبدل گشته است. این سرویس، یک روش جدیدی به منظور تحویل  سرویس های IT بر روی فضای  وب است. این مدل، منابعی محاسباتی را از طریق اینترنت در اختیار مشتری قرار می دهد. در محاسبات ابری، تخصیص و زمانبندی منبع باعث شده تا سرویس های وب زیادی در کنار هم قرار گیرند. این مقاله، به تخمین استراتژی های تخصیص منبع در شبکه پرداخته و کاربرد آنها را در محیط محاسبات ابری بررسی می کند. یک تشریح مختصری نیز برای تخصیص منابع در محاسبه ی ابری، و بر مبنای بخش های پویای اتخاذ شده نیز صورت خواهد گرفت. در این مقاله، همچنین به بررسی و دسته بندی آخرین چالش های مرتبط با پروسه ی تخصیص منبع در محاسبه ی ابری و بر حسب انواع تکنیک های تخصیص منبع پرداخته خواهد شد.

واژگان کلیدی: محاسبه ی ابری ، محاسبه ی توزیع شده ، تخصیص منبع

1.مقدمه

محاسبه ی ابری را می توان یک مدل محاسباتی دانست که با استفاده از اینترنت و سرور های زمانبندی شده ی مرکزی،اپلیکیشن ها و آمار و ارقام را نگه داری می کند. این متودولوژی، به کاربران نهایی و پروسه های شغلی اجازه داده تا از اپلیکیشن های خود و بدون نیاز به  سخت افزار پردازشی قدرتمند و از طریق گذرگاه اینترنت به اجرا درآرند. محاسبه ی ابری، همچنین با متمرکز سازی فضای ذخیره سازی، نشانه ها، توزیع و پهنای باند، اجازه ی پردازش محاسبات بسیار سنگین را می دهد. نمونه هایی از محاسبه ی ابری، شامل یاهو میل، جی میل گوگل و یا hotmail مایکروسافت می باشد. سرور و نرم افزار مدیریت ایمیل، تماماٌ بر روی فضای ابری قرار گرفته اند و کاملاٌ تحت کنترل و مدیریت تأمین کننده ی سرویس ابری هستند. کاربر نهایی از نرم افزاری که به این سرور وابسته نیست استفاده کرده و از مزایای این سرویس بهره می برد. محاسبه ی ابری، به عنوان سرویس واسطه عمل کرده و در حالی که منابع دوطرفه، نرم افزار و اطلاعات برای کامپیوتر ها و سایراستراتژی ها فراهم می شود. محاسبه ی ابری را می توان به سه سرویس تقسیم کرد:

1. SaaS (نرم افزار به عنوان یک سرویس)

2. PaaS(پلت فرم به عنوان یک سرویس)

3. IaaS(زیر ساختار به عنوان یک سرویس)

تخصیص منابع ابری ، نه تنها کیفیت سرویس(QoS)  –محدودیت های مشخص شده به وسیله ی کلاینت ها به وسیله ی توافق سطح سرویس- را فراهم کرده، بلکه مصرف انرژی را نیز به میزان زیاد کاهش می دهد.

امروزه سرویس محاسبه ی ابری نه تنها موجب شکل گیری مجدد حوزه ی سیستم های توزیع شده گردیده است، بلکه به صورت اساسی منجر به تغییر روش های محاسبات در پروسه های شغلی نیز شده است. از آنجایی که محاسبه ی ابری مجهز به ویژگی های پیشرفته ی زیادی می باشد، ولی در عین حال معایبی در آن وجود داشته که نسبتاٌ هزینه های محاسباتی سنگینی را برای هر دو سرویس های ابری خصوصی و عمومی تحمیل می کند. حوزه ی محاسبه ی سبز نیز اهمیت رو به افزایشی در دنیایی با منابع محدود انرژی ، که روز به روز بر تقاضای استفاده از این منابع نیز افزوده می شود، دارد. در این مقاله، سعی شده است تا چارچوب جدیدی به منظور بهبود معماری های محاسباتی ابری ارائه شده است. با استفاده از تکنیک های زمانبندی آگاه از نظر میزان انرژی ، مدیریت منبع متغیر، مهاجرت زنده و طراحی ماشین مجازی کمینه، بهره وری کلی سیستم به میزان زیادی بهبود یافته و مراکز داده ای مبتنی بر سرویس ابری نیز کمترین سربار کارائی را متحمل شده اند.

واژگان کلیدی: 

مقدمه

سالیان سال است که فعالان حوزه ی علوم کامپیوتر، به پیش بینی ظهور یک سرویس محاسباتی مبتنی بر سودمندی پرداخته اند. تاریخچه ی این مفهوم، بر می گردد به سال 1961 میلادی که جان مک کارتی، آنرا در دانشگاه MIT معرفی کرد:

"در صورتی که کامپیوترهایی که من مد نظر دارم، به کامپیوترهای آینده مبدل گردند، ممکن است روزی فرا رسد تا محاسبات به صورت عمومی، مشابه با سیستم تلفن سازماندهی شود... سودمندی کامپیوتر، می تواند مبنای صنایع جدید و مهم را تشکیل دهد.”