ترجمه مقاله نوآوری­های جدید در مورد امنیت محاسبات ابری

ترجمه مقاله نوآوری­های جدید در مورد امنیت محاسبات ابری محاسبات ابری از نظر اقتصادی با پذیرش گسترده­ای روبرو شده­اند ارائه­کنندگان محاسبات ابری با توجه به تخصص آن­ها در سازماندهی و تأمین منابع محاسباتی می­توانند مراکز داده­های بزرگی را با هزینه پایین ایجاد کنند صرفه­ جوئی­های اندازه، سود ارائه­ دهندگان ابری را افزایش و هزینه­های کاربران ابری را کاهش می­دهد

دسته بندی	مقالات ترجمه شده isi
فرمت فایل	doc
حجم فایل	153 کیلو بایت
تعداد صفحات فایل	12

نوآوری­های جدید در مورد امنیت محاسبات ابری

چکیده 
در حالی­که محاسبات ابری از نظر اقتصادی قانع کننده هستند، اما از طرفی چالش­های امنیتی نیز به همان اندازه قابل توجه هستند. در این مقاله، سعی می­کنیم تا مسائل مربوط به امنیت محاسبات ابری را بیان کنیم، تا مسائل قابل توجیه را از تمام مسائل نامرتبط مجزا کنیم. دیدگاه­های کنونی و قدیمی در صنعت، دانشگاه، دولت، و هکرها را برسی می­کنیم. از نظر ما تعدادی از مسائل مربوط به امنیت محاسبات ابری اساسا جدید و یا اساسا غیر قابل حل هستند؛ اغلب آنچه که به نظر "جدید" است تنها مربوط به محاسبات قدیمی از چند سال گذشته است. با نگاهی به گذشته و به دوره اشتراک­گذاری زمان، در حال حاضر به بسیاری از این مسائل توجه می­شود. از سوی دیگر، به نظر ما دو جنبه محاسبات ابری تا حدی جدید و اساسی هستند که عبارتند از: پیچیدگی­های ملاحظات اعتماد چند جانبه، و نیاز متعاقب برای حسابرسی متقابل.

دسته ­بندی­ها و توصیف ­کننده ­های موضوع

C.2.0 [شبکه­ های کامپیوتری-ارتباطاتی]: کلیات-امنیت و حفاظت

اصطلاحات عمومی:

طراحی، امنیت، قابلیت اطمینان.

What’s New About Cloud Computing Security?
Yanpei Chen, Vern Paxson, Randy H. Katz
CS Division, EECS Dept. UC Berkeley
{ychen2, vern, randy}@eecs.berkeley.edu
ABSTRACT
While the economic case for cloud computing is compelling, the security challenges it poses are equally striking. In this work we strive to frame the full space of cloud-computing security issues, attempting to separate justified concerns from possible over-reactions. We examine contemporary and historical perspectives from industry, academia, government, and “black hats”. We argue that few cloud computing security issues are fundamentally new or fundamentally intractable; often what appears “new” is so only relative to “traditional” computing of the past several years. Looking back further to the time-sharing era, many of these problems already received attention. On the other hand, we argue that two facets are to some degree new and fundamental to cloud computing: the complexities of multi-party trust considerations, and the ensuing need for mutual auditability.
Categories and Subject Descriptors
C.2.0 [Computer-Communication Networks]: General—Security
and Protection
General Terms
Design, Security, Reliability

1. 1.       مقدمه

مدل نهایی مورد تقاضای محاسباتی اجازه می­دهد تا ارائه­دهندگان به بهره­برداری بهتری از منابع از طریق تسهیم آماری دست یابند و کاربران را قادر می­سازد تا از هزینه­های منابع با تأمین بیشتر از طریق تغییر اندازه پویا اجتناب کنند [12و 2]. 

در عین حال، امنیت مسلما بعنوان عمده­ترین مانع در پذیرش سریع­تر و گسترده­تر محاسبات ابری بوجود آمده است. این دیدگاه از جنبه­های مختلفی از محققان دانشگاهی [12]، تصمیم­گیران صنعتی [35]، و سازمان­های دولتی سرچشمه می­گیرد [29، 3]. برای بسیاری از محاسبات حساس-کسب­وکار، محاسبات ابری امروزی به دلیل مسائلی همچون دسترس­پذیری خدمات، محرمانه بودن اطلاعات، اشتراک­گذاری تخریب شهرت، و غیره قابل توصیه نیست.

ترجمه مقاله کنترل چراغ ترافیک(راهنمایی) در محیط­های غیرثابت براساسیادگیری-Qچند عاملی

ترجمه مقاله کنترل چراغ ترافیک(راهنمایی) در محیط­های غیرثابت براساسیادگیری-Qچند عاملی کنترل ترافیک در خصوص استفاده ازروش­های محاسباتی در جهان واقعی مساله چالش برانگیزی است توسعه مکانیزم­های کارآمد برای کنترل چراغ ترافیک لازم است،زیرا تعدادوسایل نقلیه در شبکه مناطق شهری به سرعت در حال افزایش است هدف ازکنترل سیگنال افزایش ظرفیت تقاطع،کاهش تاخیر،ودر همان زمان، تضمین ایمنی بازیگران ترافیک است علاوه بر این، می­توان مصرف سوخت و کاهش تولی

دسته بندی	مقالات ترجمه شده isi
فرمت فایل	docx
حجم فایل	522 کیلو بایت
تعداد صفحات فایل	10

کنترل چراغ ترافیک(راهنمایی) در محیط­های غیرثابت براساسیادگیری-Qچند عاملی 

چکیده - در بسیاری ازمناطق شهری که در آنجاتراکم ترافیک دارای الگویاوج نیست،روش­های زمان­ بندی چراغ­های معمولی باعث کنترل موثری نمی­شود. یک روش جایگزین این است که یادگیری نحوه تنظیم چراغ بر اساس وضعیت ترافیک توسط کنترلرهای سیگنال ترافیکی میسر شود. با این حال، اینامر باعث ایجاد یک محیط غیرثابت کلاسیک می­شود زیرا هر کنترلر تغییرات ناشی ازدیگرکنترلرها را تطبیق می­دهد. دریادگیریچند عاملی، اینکار به احتمال زیاد ناکارآمد بوده ودارای پیچیدگی­های محاسباتیاست، یعنی باافزایشتعداد عامل­ها (کنترلرها)، بازده کاهش می­یابد. در این مقاله، یک شبکهترافیکی نسبتا بزرگرا بصورت سیستمچند عاملیمدل­سازی می­کنیم و از تکنیک­های یادگیری تقویتی چند عاملی استفاده می­کنیم.بطور خاص،یادگیری-Qبه کار گرفته شده است، که در آن طول متوسط صف​​درلینک­های نزدیک شونده به منظور برآوردحالت­ها استفاده می­شود. یک بیانپارامتری از فضایعمل، این روش را قابل توسعه به انواع مختلفی از تقاطع­ها کرده است. نتایج شبیه ­سازی نشان می­دهد کهیادگیری-Qپیشنهادی عملکرد بهتری نسبت به روش زمان ثابت تحت نیازهای ترافیکی متفاوت دارد.

Traffic Light Control in Non-stationary Environments based on Multi
Agent Q-learning
Monireh Abdoos , Nasser Mozayani and Ana L. C. Bazzan
Abstract—In many urban areas where traffic congestion does not have the peak pattern, conventional traffic signal timing methods does not result in an efficient control. One alternativeis to let traffic signal controllers learn how to adjust the lights based on the traffic situation. However this creates a classical non-stationary environment since each controller is adapting to the changes caused by other controllers. In multi-agent learning this is likely to be inefficient and computationally challenging,i.e., the efficiency decreases with the increase in the number of agents (controllers). In this paper, we model a relatively large traffic network as a multi-agent system and use techniques from multi-agent reinforcement learning. In particular, Q-learning is employed, where the average queue length in approaching links is used to estimate states. A parametric representation ofthe action space has made the method extendable to different types of intersection. The simulation results demonstrate that the proposed Q-learning outperformed the fixed time method under different traffic demands.

1. 1.       مقدمه 

کنترلسیگنالیکی ازحوزه­های مورد نظر درکل تحقیق است که تحتعنوان سیستم­هایحمل و نقل هوشمند (ITS) شناخته می­شود. می­توان ITSرا توسط برخی از تکنیک­هاپیاده­سازی کرد. در این مقاله حاضر، ازسیستم­های چندعاملیو یادگیری ماشینبرای توسعهیک مکانیزم کنترلنورترافیک استفاده می­کنیم.

پاور پوینت نانوجاذب ها

پاور پوینت نانوجاذب ها این پاور پوینت مربوط به درس سمینار کارشناسی ارشد رشته فیزیک زمینه نانو می باشد

دسته بندی	فیزیک
فرمت فایل	pptx
حجم فایل	1951 کیلو بایت
تعداد صفحات فایل	40

این پاور پوینت دارای 40 اسلاید می باشد که حاوی اطلاعات کاملی از تعریف نانو جاذب ها، انواع و نحوه عملکردشان، کاربردهایشان و مزایای آن ها می باشد.