بهینه سازی سایز نقطه بررسی مبتنی بر استفاده از شبکه عصبی مصنوعی در سیستم های نهفته

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 480

This Paper With 9 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NSOECE05_029

تاریخ نمایه سازی: 10 تیر 1396

Abstract:

با افزایش مقیاس ها، مانند سایز و پیچیدگی، احتمال وقوع اشکال سخت افزاری و نرم افزاری افزایش می یابد، بنابراین تکنیک های افزایش تحمل پذیری اشکال جزء ضروری در سیستم های نهفته می باشد. سیستم های نهفته باید قادر به رسیدن به یک وضعیت ایمن در صورت بروز اشکال باشند. در صورت استفاده از سیستم های نهفته در سیستم های ایمنی-حیاتی، باید اطمینان حاصل کرد که بخش های حیاتی نرم افزار در هر وضعیتی قادر به ادامه اجرا تا رسیدن سیستم به یک وضعیت ایمن حتی در صورت تنزل کیفیت می باشند. یکی از روش های افزایش تحمل پذیری اشکال در سیستم های نهفته، مکانیزم ثبت نقطه وارسی می باشد. با توجه به اینکه افزایش تعداد نقطه وارسی ها در سیستم صرف بالا بردن قابلیت اطمینان، علاوه بر افزایش هزینه محاسباتی و افزایش تاخیر و افزایش سایز فایل نقطه وارسی، باعث بروز اشکالاتی نیز در سیستم می شود، در این مقاله برای افزایش تحمل پذیری اشکال، بهترین حد آستانه برای یک نقطه وارسی انتخاب شده است. در این مقاله یک تکنیک کاهش سایز نقطه وارسی مبتنی بر شبکه های عصبی معرفی می گردد. با استفاده از این تکنیک، کاهش سایز نقطه وارسی با استفاده از الگوریتم های آموزش شبکه های عصبی مورد ارزیابی قرار گرفته است و در نهایت الگوریتم آموزش بهینه جهت پیدا شدن بهترین سایز نقطه وارسی بدست می آید. با توجه به اینکه در مجموعه داده موجود بهترین سایز نقطه وارسی وجود دارد، این مقاله با استفاده از شبکه عصبی مناسب و نوع آموزش بکار رفته به مقدار بهینه سایز نقطه وارسی که همان سایز نقطه وارسی مجموعه داده می باشد نزدیک شده است که میزان نزدیک شدن به مقدار بهینه 98/57 درصد می باشد که مقدار قابل ملاحظه ای می باشد.

Authors

ساناز طاهری عابد

دانشجو، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد آشتیان، ایران

سیدامیر اصغری

استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه خوارزمی، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • -I1] جدیدی.احسان(1391)، " بکارگیری تکنولوژی حافظه های غیرفرار درسلسه مراتب ...
  • تحمل پذیری اشکال در سطح سیستم عامل نهفته بی درنگ: مطالعه موردی بر سیستم عامل QNX [مقاله کنفرانسی]
  • - Abbaszadeh. Peyman(2016), "Improving Hydrological Process Modeling Using Optimized thresholdBased ...
  • -Gmes.Ivan, Mara j.Martin, Gonzalez .Patrica, Roberto .Osorio(20 1 3), "Improving ...
  • - Gomez .Leonardo, M aruy ama.Naoya, Cappello .Frank(20 10), _ ...
  • - Guangyu.Sun, Yibo.Chen(20 14), "A Hybrid Solid-State Storage Architecture for ...
  • Hogan.Sean, Chien.jeff R(2012) _ An evaluation of difference and threshold ...
  • - Kren.Israel , Krishna.Mani, " Fault Tolerant Systems", Elsevier ...
  • - Liu. Qian(2010), "An In-VM Measuring Framework for Increasing Virtual ...
  • 0]- Nicolaea. Bogdan(2013), "Journal of Parallel and Distributed Computing": Elsevier ...
  • Assistant Professor, College of Electrical and Computer Engineeringm kharazmi University, ...
  • نمایش کامل مراجع