مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452342026323A Dimensionality Reduction Approach Based on Deep Learning and Black-Winged Kite Algorithm for Android Malware Detectionیک رویکرد کاهش ابعاد مبتنی بر يادگیری عمیق و الگوریتم كوركور بال سياه برای تشخیص بدافزار اندروید219232faمحسناقبالیگروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران0000000157794866محمدرضاملاخليلی ميبدیگروه مهندسی کامپیوتر، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایرانکمالمیرزاییدانشگاه آزاد اسلامی واحد میبد202456<p style="direction: ltr;">Today, with the increase in mobile devices, malware has also spread to the Android platform. These malware are written in more complex ways that are difficult to detect. Machine learning and deep learning methods are used to detect them because they can identify complex malware patterns. One challenge in malware detection with machine learning and deep learning methods is the high dimensionality of training samples. In this paper, a binary version of the Black-winged kite (BKA) algorithm is presented to reduce the dimensionality of training samples for the detection of Android malware. In the proposed method, the first stage extracts malware features using the BKA algorithm, which are then fed to the LSTM neural network. The LSTM's role is to classify Android malware samples as benign or malignant. To improve LSTM accuracy, its meta-parameters are also optimized using an Arithmetic optimization algorithm (AOA). Experiments on the CICandMal2017 dataset showed that the proposed method achieved accuracies of 98.63%, 98.29%, and 97.48% for accuracy, sensitivity, and precision, respectively. In the proposed approach, when balancing is performed using the GAN method on the CICandMal2017 dataset, the average accuracy, sensitivity, and precision of the proposed method increase to 99.62%, 98.93%, and 98.52%, respectively. Experiments show that the proposed method is more accurate at detecting malware than dimensionality-reduction methods such as WOA, HHO, and AVOA. The proposed method is about 16.4% more accurate than the LSTM neural network.</p><p>امروزه با افزایش تعداد دستگاه‌های تلفن همراه، بدافزارهای مخرب برای پلتفرم اندروید نیز گسترش‌یافته‌اند. این بدافزارها با روش‌های پیچیده‌تری نوشته‌شده‌اند که تشخیص آنها دشوار است. برای تشخیص آنها از روش‌های یادگیری ماشین و یادگیری عمیق استفاده ‌می‌شود زیرا توانایی تشخیص الگوهای پیچیده بدافزار را دارند. یکی از چالش­های تشخیص بدافزار با روش‌های یادگیری ماشین و یادگیری عمیق، ابعاد زیاد نمونه­های آموزشی است. در این مقاله برای کاهش دادن ابعاد نمونه­های آموزشی در تشخیص بدافزارهای اندروید یک نسخه دودویی از الگوریتم كوركور بال سياه ارایه‌ می­شود. در روش پیشنهادی در مرحله اول با الگوریتم كوركور بال سياه، ویژگی­های بدافزار استخراج‌ می­شود و این ویژگی­ها تحویل شبکه عصبی LSTM می­شود. نقش LSTM طبقه­بندی نمونه­ها به بدافزار و نرم­افزار در اندروید است. برای افزایش دقت LSTM فراپارامترهای آن با استفاده از الگوریتم بهینه­سازی محاسبات ریاضی نیز بهینه­سازی ‌می­شود. آزمایش‌ها در مجموعه‌داده 2017CICandMal نشان‌داد دقت، حساسیت و صحت روش پیشنهادی به ترتیب 63<sub>/</sub>98%، 29<sub>/</sub>98% و 48<sub>/</sub>97% است. در رویکرد پیشنهادی اگر از متعادل‌سازی با روش GAN برای مجموعه‌داده 2017CICandMal استفاده‌شود آنگاه متوسط دقت، حساسیت و صحت روش پیشنهادی به مقادیر 62<sub>/</sub>99%، 93<sub>/</sub>98% و 52<sub>/</sub>98% افزایش‌داده‌ می­شود. آزمایش‌ها نشان‌می­دهد که روش پیشنهادی نسبت به روش‌های کاهش ابعاد نظیر الگوریتم بهینه­سازی وال، الگوریتم بهینه­سازی شاهین و الگوریتم بهینه­سازی کرکس دقت بیشتری در تشخیص بدافزار دارد. روش پیشنهادی نسبت به شبکه عصبی LSTM دقت بیشتری در حدود 16<sub>/</sub>4 درصد دارد.</p>http://ijece.org/ar/Article/Download/46626مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452342026323Proposing Two Data Augmentation Techniques for ASR with Limited Data: Gradual Masking and Word Frequency-Aware Maskingارائه دو روش دادهافزایی برای بازشناسی گفتار با دادگان محدود: پوشاندن تدریجی و پوشاندن آگاه از فراوانی کلمات 233245faمریماسداله زاده کرمانشاهیدانشكده مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران، ایران0009-0008-2014-0795احمداکبری ازیرانیدانشكده مهندسي كامپيوتر، دانشگاه علم و صنعت ايران، تهران، ایران0000-0002-0387-1616بابکناصرشریفدانشکده مهندسی کامپیوتر، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران0000-0002-8098-6222202564<p style="direction: ltr;">Data scarcity is the main challenge for DNN-based speech recognition, and data augmentation serves as an effective solution. This paper presents a comprehensive taxonomy of data augmentation methods in speech recognition while investigating the effectiveness of the most important techniques in this domain, masking-based methods, under limited data conditions. The examined methods include two powerful approaches: SpecAugment and word masking. Despite their proven effectiveness in high-resource scenarios, these methods have been less studied under limited data conditions. After analyzing the shortcomings of word masking in limited data settings, we propose two novel methods: (1) Gradual masking, which begins training with frame-level masking and then transitions to word-level masking; and (2) Word frequency-aware masking, which masks high-frequency words first, followed by low-frequency words. Experiments on the 100-hour LibriSpeech subset demonstrate that our first proposed method achieves a WER of 6.8% on the clean test set and 18.2% on the challenging test set, representing improvements of 6.8% and 4.2% respectively over SpecAugment. The second proposed method reaches a WER of 6.6% on the clean test set and 17.3% on the challenging test set, achieving improvements of 9.6% and 8.9% respectively compared to SpecAugment.</p><p>کمبود داده، چالش اصلی بازشناسی گفتار مبتنی بر شبکه‌های عصبی عمیق است و داده‌افزایی یک راه‌حل مؤثر برای این مسئله می‌باشد. این مقاله ضمن ارائه طبقه‌بندی جامع روش‌های داده‌افزایی در بازشناسی گفتار، به بررسی اثربخشی مهم‌ترین روش‌های این حوزه یعنی روش‌های مبتنی بر پوشاندن در شرایط محدودیت دادگان می‌پردازد. روش‌های مورد بررسی دو روش قدرتمند SpecAugment و پوشاندن کلمه هستند. این روش‌ها علی‌رغم کارایی اثبات‌شده در شرایط دادگان فراوان، در شرایط دادگان محدود، کمتر مطالعه شده‌اند. در تحقیق حاضر، پس از تحلیل معایب روش پوشاندن کلمه در شرایط دادگان محدود، دو روش نوآورانه برای رفع این ایرادات ارائه می‌دهیم: (1) پوشاندن تدریجی که آموزش را با پوشاندن در سطح فریم آغاز و سپس به پوشاندن کلمه تغییر می‌دهد؛ (2) پوشاندن آگاه از فراوانی کلمات که ابتدا کلمات پرتکرار و سپس کلمات کم‌تکرار پوشانده می‌شوند. آزمایشات روی مجموعه 100 ساعتی پیکره LibriSpeech نشان می‌دهد روش پیشنهادی اول به WER 8<sub>/</sub>6% در مجموعه تمیز و 2<sub>/</sub>18% در مجموعه چالش‌برانگیز رسیده که به‌ترتیب 8<sub>/</sub>6% و 2<sub>/</sub>4% بهبود نسبت به روش رقابتی SpecAugment حاصل کرده است. روش پیشنهادی دوم نیز به WER 6<sub>/</sub>6% در مجموعه تمیز و 3<sub>/</sub>17% در مجموعه چالش‌برانگیز رسیده که به‌ترتیب 6<sub>/</sub>9% و 9<sub>/</sub>8% بهبود نسبت به SpecAugment کسب کرده است.</p>http://ijece.org/ar/Article/Download/50484مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452342026323Challenges of Persian Scene Text Detection and the Importance of a New Dataset for Evaluating Deep Learning Modelsچالش های موقعیت یابی متن فارسی در تصاویر طبیعی و اهمیت مجموعه دادگان جدید برای ارزیابی مدل های یادگیری عمیق246256faزبیررئیسیگروه مهندسی برق، دانشکده مهندسی دریا، دانشگاه دریانوردی و علوم دریایی چابهار، چابهار، ایران0000-0002-1591-4492رسولدامنیگروه مهندسی برق، دانشکده مهندسی دریا، دانشگاه دریانوردی و علوم دریایی چابهار، چابهار، ایراناسماعیلسارانیگروه مهندسی برق، دانشکده مهندسی دریا، دانشگاه دریانوردی و علوم دریایی چابهار، چابهار، ایرانولی محمدنظرزهی حادگروه مهندسی برق، دانشکده مهندسی دریا، دانشگاه دریانوردی و علوم دریایی چابهار، چابهار، ایران2025814<p style="direction: ltr;">Due to the structural complexity of the Persian script and the lack of standardized and reliable datasets, Persian scene text detection and word segmentation in natural scene images captured by conventional cameras remain key challenges in the field of image processing. In this paper, we introduce a comprehensive dataset for Persian text detection, named FATD (Farsi Text Detection Dataset). FATD comprises more than 2,000 diverse images containing texts with various fonts, sizes, orientations, and environmental conditions, covering a wide range of visual complexity. Subsequently, six deep learning models are evaluated and compared under identical conditions on this dataset, including two convolutional neural network (CNN)-based models (YOLOv8 and CRAFT), two transformer-based models (RRDETR and RRBDETR), and two vision-language models (Qwen2.5VL and Florence-2). Experimental results demonstrate that transformer-based models achieve superior accuracy—up to 65% in H-mean—at the expense of higher computational cost. In contrast, CNN-based models offer competitive accuracy with notably faster inference speed. Moreover, despite their limited training exposure to Persian text data, the evaluated vision-language models exhibit promising localization performance according to the H-mean metric. Overall, this study provides a valuable benchmark and comparative analysis for advancing Persian scene text detection and highlights the potential of modern vision-language architectures in low-resource languages.</p><p>به دلیل پیچیدگی‌های ساختاری خط فارسی و کمبود مجموعه‌داده‌های (دادگان‌های) استاندارد و معتبر، موقعیت‌یابی متن فارسی و جداسازی کلمات در تصاویر ثبت‌شده با دوربین‌های معمولی، همچنان به عنوان یک چالش کلیدی در حوزه پردازش تصویر مطرح است. در این مقاله، ابتدا یک مجموعه دادگان جامع برای موقعیت یابی متن فارسی با نام FATD معرفی شده است.این مجموعه شامل بیش از 2000 تصویر متنوع است که متن‌هایی با فونت‌ها، اندازه‌ها و زاویه‌های مختلف، در شرایط محیطی متفاوت و با سطوح پیچیدگی بالا را در بر میگیرد. سپس، در مجموع شش مدل یادگیری عمیق شامل دو مدل مبتنی بر شبکه عصبی کانولوشنی (8YOLOv و CRAFT)، دو مدل ترانسفورمری (RRDETR و RRBDETR) و همچنین دو مدل زبان-بینایی (-VL5<sub>/</sub>2Qwen و 2Florence-)، تحت شرایط یکسان بر روی مجموعه دادگان معرفی شده، ارزیابی و مقایسه می شوند. نتایج ارزیابی نشان میدهد که ترانسفورمرها به قیمت هزینه محاسباتی بالاتر، عملکرد بهتر و دقیق­تری را ارائه می­دهند و بر بر اساس معیار ارزیابی H-mean دقتی تا 65 درصد را کسب می­کنند. در مقابل، شبکه های عصبی کانولوشنی (CNN) با سرعت پردازش مناسب، دقت رقابتی ارائه می­کنند. همچنین علیرغم آموزش محدود مدل های جامع زبان-بینایی روی داده­های متنی فارسی، بر اساس معیار ارزیابی H-meanاین مدل­ها در موقعیت یابی عملکرد قابل قبولی را به نمایش می­گذارند.</p>http://ijece.org/ar/Article/Download/51191مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452342026323A Hybrid Method for Stock Price Prediction in the Iranian Stock Market Using Optimized Deep Learningروشی ترکیبی جهت پیشبینی قیمت سهام در بازار بورس ایران با بهره گیری از یادگیری عمیق بهینه شده257266faمحسنمهدوی اصلدانشكده مهندسي كامپيوتر، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایرانمارالکلاه کجگروه مهندسی كامپيوتر، واحد سوسنگرد، دانشگاه آزاد اسلامی، سوسنگرد، ایران00000002523502272025415<p style="direction: ltr;">Accurate stock price prediction has consistently been one of the fundamental challenges in financial markets, and the development of intelligent models can play a significant role in supporting investors’ decision-making processes. In this study, a hybrid deep learning–based framework is proposed for stock price prediction in the Iranian capital market. The proposed approach employs a Convolutional Neural Network (CNN) as the core learning architecture and integrates the Harris Hawks Optimization (HHO) algorithm as a metaheuristic strategy to optimize the model’s weights and parameters. The primary objective of this integration is to enhance prediction accuracy while reducing computational complexity through automatic feature extraction within the intermediate layers of the network. The dataset used in this research consists of daily stock information of Bahman Khodro Company from 18/01/1380 to 23/12/1399 (Persian calendar), including variables such as the number of transactions, trading volume, trading value, and prices (previous, opening, closing, final, lowest, and highest). Simulation results demonstrate that the proposed CNN-HHO model outperforms conventional neural network–based and metaheuristic-based methods, achieving a significantly lower Mean Squared Error (MSE). Overall, the findings indicate that the integration of CNN with the HHO algorithm can serve as an intelligent, accurate, and efficient approach for financial time-series forecasting, providing an effective tool for more informed decision-making in the stock market.</p><p>پیش‌بینی دقیق قیمت سهام همواره یکی از چالش‌های اساسی در بازارهای مالی بوده است و توسعه‌ی مدل‌های هوشمند می‌تواند نقش مؤثری در تصمیم‌گیری سرمایه‌گذاران ایفا کند. در این پژوهش، یک چارچوب ترکیبی مبتنی بر یادگیری عمیق برای پیش‌بینی قیمت سهام در بازار سرمایه ایران ارائه شده است. روش پیشنهادی از شبکه عصبی کانولوشنی به‌عنوان هسته‌ی اصلی یادگیری و از الگوریتم فراابتکاری شاهین هریس برای بهینه‌سازی وزن‌ها و پارامترهای مدل بهره می‌گیرد. هدف از این ترکیب، افزایش دقت پیش‌بینی و کاهش پیچیدگی محاسباتی از طریق یادگیری خودکار ویژگی‌ها در لایه‌های میانی شبکه است. داده‌های مورداستفاده شامل اطلاعات روزانه‌ی سهام شرکت بهمن خودرو از تاریخ ۱۸/۰۱/۱۳۸۰ تا ۲۳/۱۲/۱۳۹۹ بوده و متغیرهایی مانند تعداد تراکنش‌ها، حجم معاملات، ارزش، و قیمت‌های دیروز، اولین، آخرین، پایانی، کمترین و بیشترین را در بر می‌گیرد. نتایج شبیه‌سازی‌ها نشان می‌دهد که مدل پیشنهادیCNN-HHO نسبت به روش‌های متداول مبتنی بر شبکه‌های عصبی و الگوریتم‌های فراابتکاری، عملکرد بهتری داشته و مقدار خطای MSE آن به طور محسوسی کمتر است. به‌طورکلی، نتایج این تحقیق نشان می‌دهد که ترکیب CNN با الگوریتم HHO می‌تواند به‌عنوان یک رویکرد هوشمند، دقیق و کارا برای پیش‌بینی سری‌های زمانی مالی مورداستفاده قرار گیرد و راهکار مؤثری برای تصمیم‌گیری آگاهانه‌تر در بازار بورس فراهم سازد.</p>http://ijece.org/ar/Article/Download/49951مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452342026323A Multi-Objective Machine Learning Approach for Controller Placement in Software-Defined Networksجايابی چند هدفه و مبتنی بر يادگيری ماشين کنترلکنندهها در شبکههای مبتنی بر نرمافزار267277faمبینقلی زادهدانشكده مهندسی كامپيوتر، دانشگاه علم و صنعت ايران، تهران، ایرانناصرمزینیدانشكده مهندسی كامپيوتر، دانشگاه علم و صنعت ايران، تهران، ایران2025417<p style="direction: ltr;">With the rapid growth of computer networks and the increasing complexity of communication infrastructures, the need for efficient resource management and reduced operational and maintenance costs has become a major challenge. Software-Defined Networking (SDN), by decoupling the control and data planes, provides flexibility, scalability, and centralized management. In the control plane, controllers act as the core components responsible for network management and decision-making, and their optimal placement remains a fundamental challenge. The distribution and deployment of controllers directly affect network performance parameters such as delay reduction, load balancing, and stability enhancement. In this paper, a multi-objective machine learning–based approach is proposed for controller placement in SDN. The problem is formulated with the objectives of minimizing control-plane delay, inter-domain delay, controller load, and the failure cost of network nodes and links, while maximizing network throughput. Considering the computational complexity of the problem, a deep reinforcement learning (DRL) algorithm is employed as the solution approach. Simulation results on multiple network topologies demonstrate that the proposed algorithm improves the control-plane delay, inter-domain delay, and network throughput by approximately 20%, 30%, and 15%, respectively, compared with previous works. Therefore, the proposed approach not only addresses common objectives such as delay minimization and load balancing but also incorporates crucial factors such as stability and fault tolerance into the controller placement decision-making process.</p><p>امروزه با رشد روزافزون شبکه‌هاي کامپيوتري و افزايش پيچيدگي ساختارهاي ارتباطي، نياز به مديريت بهينه منابع، کاهش هزينه‌هاي عملياتي و نگهداري به چالشي اساسي تبديل شده است. شبکه‌هاي مبتني بر نرم‌افزار با جداسازي لايه داده و کنترل، انعطاف‌پذيري، مقياس‌پذيري و مديريت متمرکز را فراهم آورده است. در لايه کنترل، کنترل‌کننده‌ها به عنوان عنصر اصلي مديريت و تصميم‌گيري در شبکه عمل کرده و چالش اصلي در اين حوزه جايابي بهينه آن‌ها در شبکه است. نحوه توزيع و استقرار کنترل‌کننده‌ها تاثير مستقيمي بر عملکرد شبکه همچون کاهش تأخير، برقراري تعادل بار و افزايش پايداري شبکه دارد. در این مقاله، به ارائه يک روش چندهدفه مبتني بر يادگيري ماشين براي جايابي کنترل‌کننده‌ها در شبکه‌هاي مبتني بر نرم‌افزار پرداخته شده است. به این منظور، مسئله را با هدف کمينه‌کردن تأخير لايه کنترل و تأخير ميان‌دامنه‌اي، بار لايه کنترل و هزينه شکست گره‌ها و پيوندهاي توپولوژي شبکه و همچنين بيشينه‌کردن توان عملياتي مدل‌سازی شده است. همچنین، با توجه به پیچیدگی محاسباتی مسئله، یک الگوریتم حل مبتنی بر يادگيري تقويتي عميق مورد استفاده قرار گرفته است. نتایج شبیه‌سازی‌ها در چند توپولوژی مختلف نشان می‌دهد که الگوریتم پیشنهادی توانسته است تأخير لايه کنترل، تأخير درون دامنه‌اي و توان عملياتي را به ترتیب تا 20، 30 و 15 درصد نسبت به کارهای پیشین بهبود بخشد. بدین ترتیب، رویکرد پیشنهادی علاوه بر پوشش اهداف متداول همچون کاهش تأخیر و توازن بار، معیارهای مهمی مانند پایداری و تحمل‌پذیری شکست را نیز در فرآیند تصمیم‌گیری جایابی در نظر می‌گیرد.</p>http://ijece.org/ar/Article/Download/49934مرکز منطقه ای اطلاع رسانی علوم و فناوریفصلنامه مهندسی برق و مهندسی کامپيوتر ايران168237452342026323A Fine-Grained and Locality-Aware Decentralized Framework for Cache Management in Serverless Computing یک چارچوب ریزدانه و آگاه از محل غیرمتمرکز برای مدیریت حافظه نهان در رایانش بدون سرور 278284faمحمدکاهانیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانسعیدابریشمیگروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایرانعادلنجاران طوسیدانشکده سیستم_های محاسباتی و اطلاعاتی، دانشگاه ملبورن، استرالیا2025316<p style="direction: ltr;">Nowadays, the use of serverless computing and Function-as-a-Service (FaaS) applications has been rapidly increasing. This paradigm enables users to deploy their applications without the need to configure infrastructure hosts, while benefiting from advantages such as pay-per-use pricing, flexibility, and automatic scalability of serverless platforms. However, due to the stateless nature of serverless functions, system performance is often limited in scenarios where functions need to interact with each other or when accessing large volumes of data. In common approaches, remote data stores such as Amazon S3 are employed to address this limitation, which introduce significant latency overhead. One solution to mitigate this overhead is the use of caching. Although several studies have explored caching in serverless environments, they generally manage caches either at the host level or at the application level, which does not yield optimal performance. In this paper, we propose a novel framework on an open-source serverless platform that introduces a fine-grained, locality-aware caching system at the function level. This approach not only reduces function response time but also enables more efficient utilization of available resources.</p><p>امروزه استفاده از برنامه‌های مبتنی بر رایانش بدون سرور و تابع به‌عنوان سرویس به‌طور فزاینده‌ای گسترش یافته است. این رویکرد به کاربران اجازه می‌دهد بدون نیاز به پیکربندی میزبان‌های زیرساختی، برنامه‌های خود را مستقر کرده و از مزایایی همچون مدل هزینه مبتنی بر مصرف، انعطاف‌پذیری و مقیاس‌پذیری خودکار سکوهای بدون سرور بهره‌مند شوند. با این حال، به دلیل ماهیت بدون‌حالت توابع بدون سرور، در سناریوهایی که توابع نیازمند تعامل با یکدیگر هستند یا دسترسی به داده‌های حجیم مطرح است، کارآیی سیستم با محدودیت مواجه می‌شود. در رویکردهای متداول، برای رفع این محدودیت از انباره‌های داده راه دور مانند 3Amazon S استفاده می‌شود که سربار زمانی قابل توجهی ایجاد می‌کنند. یکی از راهکارهای کاهش این سربار، به‌کارگیری حافظه نهان است. اگرچه مطالعاتی در این زمینه انجام شده است، اما این پژوهش‌ها عموماً حافظه نهان را در سطح میزبان یا در سطح کل برنامه کاربردی مدیریت کرده‌اند که از کارایی مطلوب برخوردار نیست. در این مقاله، با ارائه چارچوبی جدید در بستر متن‌باز بدون سرور، یک سامانه ریز‌دانه مدیریت حافظه نهان در سطح هر تابع و مبتنی بر آگاهی از محلیت پیشنهاد شده است. این رویکرد ضمن کاهش زمان پاسخ توابع، امکان بهره‌برداری بهینه‌تر از منابع موجود را نیز فراهم می‌سازد.</p>http://ijece.org/ar/Article/Download/49722