امروزه روباتیک[1] به عنوان یکی از رشته­های علوم ومهندسی، مورد توجه بسیاری از موسسه­­های تحقیقاتی قرار گرفته است و به یکی از حوزه های بسیار جذاب تحقیق و پژوهش بدل گشته است، به نحوی که تحقیقات در زمینه روباتیک در شاخه های مختلفی در حال پیگیری است. در زمینه روباتیک سه رویکرد کلی مورد توجه می باشد که تحقیقات در این سه حوزه گسترده رو به پیشرفت می­باشد. در رویکرد اول سعی بر ساخت روبات­های مصنوعی و هوشمند کردن آنها با بهره گرفتن از الگوریتم­های هوش مصنوعی[2] است، که این رویکرد بسیار پرطرفدار خود به شاخه های گوناگونی تقسیم می­ شود که در ادامه به معرفی برخی از آنها خواهیم پرداخت. رویکرد دوم به استفاده از هوش طبیعی[3] برای کنترل روبات­های مصنوعی می ­پردازد. روبات­هایی که با کنترل دستی هدایت می­شوند در این حیطه قرار می­گیرند و در نهایت رویکرد آخر استفاده از روبات­های طبیعی[4] و تربیت آنها برای دست یافتن به اهداف از پیش تعیین شده می­باشد. تربیت حیوانات برای انجام اعمال خاص، مثالی از رویکرد سوم می­باشد.

روبات­ها را می­توان در تقسیم بندی دیگری از لحاظ کاربرد آنها قرار داد که از این بین می­توان به روبات­های صنعتی[5]، روبات­های خانه دار، روبات­های پزشکی[6]، روبات­های سرویس دهنده، روبات­های نظامی، روبات های سرگرمی و … اشاره کرد.

همچنین روبات­ها از نظر سامانه حرکتی نیز قابل تقسیم بندی هستند که به طور خلاصه به صورت زیر قابل تقسیم می باشند:

– روبات های ایستا[7] (غیر متحرک)

– روبات های متحرک[8]

– روبات های فضانورد

– روبات های پرنده

– روبات های دریا نورد

– سایر روبات ها

دسته اول روبات­های ایستا می­باشند( شکل­1-1). بیشتر روبات های صنعتی موجود در کارخانه­ها ازین دست می باشند. بازوهای روباتیک[9] و همچنین روبات­های پردازشگر و ابر محاسباتی[10] از این دست روبات می باشند.

دسته بعدی روبات­های متحرک می باشند که بر روی زمین حرکت می کنند. این گروه شامل طیف گسترده­ای از روبات­ها می باشد:

– روبات های چرخ دار

– روبات های زنجیردار

– روبات های پا دار

• روبات های دوپا (انسان نما)

• روبات های سه پا

• روبات های چهارپا

– دیگر موارد

شکل ­1-2 نشان دهنده نمونه­های مختلف از روبات­های متحرک بر روی زمین است. دسته بعدی روبات­های فضانورد هستند که مخصوص فعالیت در فضاهای کم گرانش طراحی می­شوند و مخصوص انجام ماموریت در سطح کرات دیگر و یا ایستگاه­های فضایی می­باشند. روبات­های کاوشگر فضایی از نمونه­های این دسته هستند.

روبات­های پرنده دسته بعدی روبات­ها هستند که پهباد­ها، هواپیما و بالگرد­های بدون سرنشین از جمله این روبات­ها هستند. و در نهایت دسته آخر همان­گونه که از نام آن پیداست مخصوص حرکت در سطح یا زیر آب طراحی می­شوند. روبات­های دریانورد شامل انواع زیر­دریایی­ها، قایق­ها، و روبات­های ماهی می­باشد. شکل های­1-3، 1-4 و1-5 به ترتیب نشان دهنده نمونه هایی از روبات های فضانورد، پرنده و دریانورد می باشند. همانطور گه از تصاویر و توضیحات مشخص است، حوزه عملکرد روبات­ها در طراحی سامانه حرکتی آن نقش مستقیم دارد.

2-1- روبات های انسان نما

از میان تقسیم بندی­های گوناگون ارائه شده در حیطه روباتیک، یکی از پرکاربردترین و مهمترین روبات­ها، روبات انسان­نما می­باشد که از نظر تقسیم ­بندی در دسته روبات های پادار دوپا قرار می­گیرد. این روبات­ها یکی از جذاب­ترین و در عین حال پیچیده­ترین حوزه های تحقیق در علوم روباتیک هستند [1-3]. درجه آزادی[1] بالا، دینامیک پیچیده و مسائل تعادلی این روبات را به یکی از پیچیده­ترین روبات­ها تبدیل کرده است به طوری که تحلیل و مدل­سازی آن به آسانی امکان پذیر نمی ­باشد.

روبات انسان­نما همانطور که از نام آن پیداست به روبات خودکاری گفته می­ شود که شبیه انسان است. به این معنا که از لحاظ ظاهری دارای دو دست، دو پا و سر باشد. البته این شباهت به فراخور کاربرد می ­تواند بیشتر وارد جزئیات شود به این صورت که چشم، دهان، انگشتان و سایر اجزای بدن نیز به آن افزوده شود (شکل1-6). همچنین این روبات دارای حسگرهای[2] پیشرفته­ای جهت درک محیط اطرافش می­باشد و دارای پردازشگرهایی پیشرفته جهت پردازش داده ­های دریافتی از محیط است. با پیاده­سازی الگوریتم­های پیشرفته و استفاده از حسگر­ها، این روبات قادر خواهد بود به تقلید رفتارهای انسانی دیدن، شنیدن، یادگیری از محیط و دیگر توانایی­های ذهنی انسان نیز بپردازد. به طور مثال با بهره گرفتن از حسگر بینایی[3] و الگوریتم­های مربوطه می ­تواند افراد یا اشیا را در محیط تشخیص دهد، به سمت آنها حرکت کند، اشیا را جا­به­جا کند یا با بهره گرفتن از حسگر شنوایی و الگوریتم­ها و سیستم­های پردازش گفتار، به گفت و گو با انسان بپردازد و توانایی­هایی دیگر ازین دست. به همین دلیل این شاخه از روباتیک به یکی از جذاب­ترین و به روزترین شاخه­های این علم تبدیل شده است که ذهن دانشمندان زیادی را به خود مشغول کرده است و همچنین کشورهای پیشرفته سرمایه گذاری های فراوانی در این زمینه انجام داده ­اند.

این روبات­ها برای آینده صنعت و تحقیق در زمینه روباتیک اهمیت فراوانی دارند. از جمله کاربرد­های پیش بینی شده برای این روبات­ها در آینده کار در کارخانه­ ها، منازل، شرکت در عملیات امداد و نجات، بازی فوتبال و در سطوح بالاتر استفاده از آنها در عملیات های نظامی و استراتژیک می­باشد. روش­های هوش مصنوعی قابل پیاده­سازی در این روبات­ها علت اصلی علاقه محققین هوش مصنوعی به این زمینه است به طوری که فوتبال روبات­های انسان­نما مدتی است که در مجامع علمی به عنوان بستری مناسب جهت پیاده سازی و آزمایش روش های هوش مصنوعی جایگاه مناسبی پیدا کرده است و گرایش به انجام تحقیق در این زمینه با استقبال چشمگیری روبرو بوده است.

[1] Degrees Of Freedom

[2] Sensor

[3] Vision Sensor

[1] Robotic

[2] Artificial Intelligence

[3] Natural Intelligence

[4] Natural Robots

[5] Industrial Robots

[6] Medical Robots

[7] Static Robots

[8] Dynamic Robots

[9] Robotic Arms

[10] Computational Cloud

استفاده روزافزون افراد، سازمان ها، ارگان های دولتی و حتی زیرساخت های حیاتی مانند نیروگاه ها، از شبکه های کامپیوتری و اینترنت ، سبب شده تا بسیاری از تعاملات فردی و مالی وابسته به شبکه های کامپیوتری باشد. از سویی دیگر، این مسئله شبکه های کامپیوتری و کاربران آنها را به طمعه هایی جهت افراد سودجو تبدیل کرده است. بسیاری از افراد با نفوذ در شبکه و سرقت اطلاعات فردی و یا مالی، خسارات زیادی را به افراد، سازمانها و حتی دولت ها وارد کرده اند. به طور کلی می­توان واژه نفوذ را به فعالیت­هایی اطلاق کرد که توسط نفوذگر به منظور ورود به سیستم اطلاعاتی جهت خواندن، آسیب رساندن و سرقت اطلاعات صورت می گیرد. بر اساس بسیاری از برآوردها، درصد بالایی از نفوذهای انجام شده -بیش از 85 درصد- از طرف کاربران داخلی انجام می­ شود و مابقی از خارج از محیط صورت می گیرد[5] . از این رو هیچ فرد و یا سازمانی که با سیستم­های اطلاعاتی سر و کار دارد، نمی تواند از این قبیل حوادث امنیتی مصون باشد. در نتیجه سیستم های شناسایی نفوذ تبدیل به بخش جدایی ناپذیر از ساختار امنیتی غالب سیستم های اطلاعاتی گردیده اند[17]. سیستم شناسایی نفوذ، تنها سیستمی است که به شکل فعال قادر به شناسایی استفاده­های غیرمجاز و نیز سوءاستفاده از سیستم­های اطلاعاتی توسط حمله­گرهای داخلی و خارجی می­باشد. سیستم شناسایی نفوذ اطلاعات مرتبط با منابع مختلف در شبکه های کامپیوتری را جمع آوری و به منظور پی بردن به فعالیت های نفوذی تحلیل می کنند. غالبا فعالیت های نفوذی به منظور دستیابی، دستکاری و ایجاد اختلال در سیستم های کامپیوتری صورت می گیرد. در نتیجه این سیستم یکی از اجزای بسیار ضروری در حفظ امنیت ساختارهای اطلاعاتی است و می ­تواند در کنار دیوار آتش[1] به حفظ امنیت سیستم اطلاعاتی کمک کند. به عنوان نمونه هایی از سیستم شناسایی نفوذ می توان به سیستم های تشخیص نفوذ تحت شبکه، دیوارهای آتش تحت وب، سیستم شناسایی بدافزار botnet و … اشاره کرد. به علاوه سیستم شناسایی نفوذ در راستای حفظ سیستم اطلاعاتی از حملات خطرناک، قادر است تا دیوار آتش را به گونه ای مناسب پیکربندی کند.

2-1-  اهدف تحقیق

امروزه امنیت شبکه ­های اطلاعاتی، یکی از مسائل چالش برانگیز در حوزه علوم کامپیوتری می­باشد. دامنه حملات به شبکه­ های کامپیوتری هر روز گسترده­تر می­ شود؛ اما مسئولیت شناسایی و مسدود کردن حملات در کاربران نهایی و سرویس­دهندگان اینترنت به عهده مدیران این سیستم­ها واگذار شده است. وجود نقاط آسیب­پذیر در سیستم­های اطلاعاتی به همراه رشد انفجاری انواع مختلف بدافزار، باعث شده تا روند به­روز نگه­داشتن سیستم­های شناسایی نفوذ مبتنی بر امضا با دشواری­هایی مواجه گردد. در نتیجه این سیستم­ ها قادر به شناسایی حملات نوظهور نخواهند بود. سیستم­های شناسایی نفوذ مبتنی بر ناهنجاری نیز علی­رغم قابلیت تطبیق­ پذیری­شان و توانمندی در شناسایی حملات نوظهور, بسیار وابسته به تعریفی که از مدل نرمال سیستم ارائه می­ شود، هستند.

طی ­چند سال اخیر، شبکه­­های اجتماعی تبدیل به قطب مرکزی اطلاعات و ارتباطات گردیده و به شکل روزافزون مورد توجه و حمله قرار گرفته­اند. این مسئله سبب شده تا تشخیص نفوذگران از کاربران عادی، تبدیل به یکی از مسائل چالش­برانگیز در رابطه با شبکه­ های اجتماعی گردد. در تحقیق پیش رو بر اساس رویکرد مبتنی بر ناهنجاری، به بررسی چگونگی شناسایی نفوذگران در شبکه­ های اجتماعی خواهیم پرداخت. تمرکز اصلی ما بر این مطلب استوار است که قادر باشیم به صورت پویا و با کمترین پیچیدگی زمان و فضا، نفوذگر را شناسایی کرده و به شکل فعال، نسبت به وی عکس العمل نشان دهیم.  

یکی از ویژگی­های شبکه­ های اجتماعی این است که الگوی ارتباطی و در نتیجه الگوی رفتار اجتماعی کاربران شبکه را به وضوح انعکاس می­ دهند [5]. به همین دلیل برای ساخت مدل رفتار نرمال در شبکه و شناسایی انحرافات از این مدل نرمال جهت شناسایی رفتار نابهنجار کاربران شبکه، تمرکز ما در این تحقیق بر شناسایی نفوذگران بر مبنای رفتار آنها در شبکه­ های اجتماعی خواهد بود. برای شناسایی نفوذگران در یک شبکه، مفهوم متفاوتی از نفوذ، مبنای کار قرار داده شده است: “نفوذ، ورود یک فرد به اجتماعی[2] است که به آن تعلق ندارد”. بر اساس این مفهوم می­بایست ابتدا گراف ارتباطات شبکه را شکل داده، اجتماعات را در گراف تعیین کرد و در ادامه تعلق داشتن و یا نداشتن یک فرد به یک اجتماع را استخراج کرد.

برای شناسایی الگوهای ارتباطی کاربران، از داده ­های جریان شبکه[3] که شامل جریان داده میان میزبان­های نهایی که توسط آدرس­های IP نشان داده می­شوند، می­توان استفاده کرد. همان طور که می­دانیم بسیاری از روش­های تشخیص نفوذ، قادر نیستند تنها با داشتن این اطلاعات ساده کار کنند و نیاز به ویژگی­های متعددی در مورد ارتباطات کاربر در شبکه دارند.

یکی از دلایلی که سبب شده تا در این تحقیق توجه خود را معطوف به مجموعه داده­ جریان شبکه کنیم، این است که این نوع مجموعه داده دارای تعداد ویژگی کمتری نسبت به مجموعه داده ­های متداول -که در رویکرد مبتنی بر ناهنجاری استفاده می­شوند- می­باشند؛ در نتیجه می ­تواند در رسیدن به هدف این تحقیق که همان استفاده از سیستم در کوتاهترین زمان است به ما کمک کند. این نوع مجموعه داده بر مبنای اطلاعات ضبط شده دیواره­ های آتش، از فراهم کننده­ های سرویس اینترنتی[4] جمع آوری می­شوند. همان طور که ذکر شد، مجموعه داده ­های متداول جهت تحقیق در زمینه سیستم­های شناسایی نفوذ مبتنی بر ناهنجاری – مانند KDD99- دارای تعداد ویژگی بیشتری نسبت به داده ­های جریان شبکه هستند. علاوه بر این، با توجه به ظهور روش­های نفوذ و بدافزارهای جدید، بدیهی است که استفاده از مجموعه داده ­هایی که مربوط به سال­های اخیر باشد را می­توان در اولویت کار قرار داده شود.

[1] Firewall

[2] Community

[3] Netflow data

[4] ISP

1-1- تعریف سیستم های نظارت چهره راننده

همراه با توسعه صنعت خودرو در جهان، کاربرد فناوری‏های نوین در اتومبیل نیز افزایش یافته است. سیستم‏های حمل و نقل هوشمند[1] یا به اختصار ITS، کاربرد کامپیوتر و فناوری اطلاعات و ارتباطات در شبکه‏های حمل و نقل انسان و کالا است. سیستم پیشرفته دستیار راننده[2] یکی از بخش‏های سیستم حمل و نقل هوشمند محسوب می‏گردد. این سیستم‏ها برای بهبود کارایی خودرو و افزایش امنیت راننده و سرنشینان آن استفاده می‏شوند و در مواقع بحرانی، به راننده اعلام هشدار کرده یا به جای راننده تصمیم مناسب را برای کنترل و هدایت خودرو اتخاذ می‏کنند.

سیستم نظارت چهره راننده، یک سیستم بلادرنگ[3] است که بر اساس پردازش تصویر چهره راننده، وضعیت جسمی و تا حدی وضعیت روحی او را تحت نظارت قرار می‏دهد. معمولا وضعیت راننده از بسته بودن پلک‏ها، نحوه پلک‏زدن، خیره بودن چشم‏ها به نقطه خاص، جهت نگاه چشم، خمیازه کشیدن و حرکت سر قابل تشخیص است. این سیستم در هنگام خواب‏آلودگی، خستگی و عدم توجه راننده به جاده، اعلام هشدار[4] می‏کند.

2-1- ضرورت سیستم‏های نظارت چهره راننده

یکی از مهمترین عوامل موثر در تصادفات، خصوصا در جاده‏های بین شهری[5]، خستگی، خواب‏آلودگی و عدم تمرکز حواس راننده است. خستگی و خواب‏آلودگی باعث کاهش درک و قدرت تصمیم‏ گیری راننده برای کنترل خودرو می‏شود. تحقیقات نشان می‏دهد معمولا به طور طبیعی، پس از یک ساعت رانندگی، راننده دچار خستگی می‏شود. اما در ساعات ابتدایی بعد از ظهر، بعد از نهار و همچنین در نیمه شب، راننده در مدت زمان بسیار کمتر از یک ساعت احساس خواب‏آلودگی می‏کند. البته علاوه بر دلایل طبیعی، مصرف الکل، مواد مخدر و دارو‏هایی که منجر به کاهش هوشیاری می‏شوند نیز در خواب‏آلودگی راننده تاثیر‏گذار است [1-3]. عمده تصادفاتی که علت اصلی آن خستگی یا عدم تمرکز حواس اعلام می‏شود، در جاده‏های بین شهری و برای خودرو‏های سنگین رخ می‏دهد. اکثر این تصادفات در حدود ساعت 6-2 یا 16-15 به وقوع می‏پیوندد [2].

در کشور‏های مختلف، آمار متفاوتی در مورد تصادفاتی که به علت خستگی و عدم تمرکز حواس راننده رخ می‏دهد، ارائه شده اما به طور کلی می‏توان گفت علت حدود 20% از تصادفات و 30% از تصادفات منجر به مرگ، خواب‏آلودگی و عدم تمرکز حواس راننده است. در تصادفات تک خودرو[6] یا تصادفات خودرو‏های سنگین این رقم تا 50% نیز گزارش شده است [1, 4-10].

کشور ایران به لحاظ امنیت ترافیکی، نه تنها در بین کشور‏های دنیا، بلکه در بین کشور‏های در حال توسعه نیز وضعیت بحرانی دارد. بر اساس آمار پزشکی قانونی در سال 1386، بر اثر تصادفات رانندگی بیش از 23000 نفر کشته و 245000 نفر مجروح شده‏اند [11]. بر اساس آمار اعلام شده، خسارت‏های ناشی از تصادفات در ایران بیش از 65000 میلیارد ریال (معادل 67 میلیارد دلار) برآورد شده که حدود 4/6% تولید ناخالص ملی[7] را تشکیل می‏دهد [12]. این در حالی است که کشور استرالیا به عنوان یک کشور توسعه یافته، خسارت ناشی از تصادفات را حدود 17 میلیارد دلار و معادل 3/2% تولید ناخالص ملی اعلام کرده است [13].

با توجه به خسارات‏های جانی و مالی فراوان حاصل از خواب‏آلودگی و عدم تمرکز حواس راننده، طراحی و توسعه سیستم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس بسیار ضروری به نظر می‏رسد. یکی از بهترین روش‏های کاربردی برای این منظور، نظارت چهره راننده است. بر اساس مطالعات صورت گرفته، پیش‏بینی می‏شود استفاده از سیستم‏های تشخیص خواب ‏آلودگی و عدم تمرکز حواس بتواند بین 10% تا 20% از تصادفات بکاهد [14].

3-1- چالش‏های اساسی در سیستم‏های نظارت چهره راننده

در یک سیستم نظارت چهره راننده، دو مشکل اصلی مطرح است: «چگونگی اندازه‏گیری خستگی» و «چگونگی اندازه‏گیری تمرکز». این مشکلات به عنوان چالش‏های اصلی سیستم‏های نظارت چهره شناخته می‏شود. با وجود پیشرفت علم در زمینه فیزیولوژی و روان‏شناسی، هنوز هیچ تعریف دقیقی از خستگی ارائه نشده است. مسلما به دلیل عدم وجود تعریف دقیق خستگی، هیچ معیار قابل سنجشی[8] نمی‏توان برای آن ارائه کرد [9]. با این وجود ارتباطاتی میان میزان خواب‏آلودگی و دمای سطح بدن، مقاومت الکتریکی پوست، فعالیت و حرکت چشم، نرخ تنفس، نرخ تپش قلب و فعالیت مغزی وجود دارد [3, 9, 15, 16]. یکی از اولین و مهمترین نشانه‏های خستگی در چشم ظاهر می‏شود. بر اساس تحقیقات انجام شده، رابطه مستقیمی بین میزان خستگی و درصد بسته بودن پلک‏ها در یک مدت معین وجود دارد. به درصد بسته بودن پلک‏ها در یک دوره زمانی PERCLOS[9] می‏گویند. به همین دلیل تقریبا در تمام سیستم‏های نظارت چهره راننده، پردازش ناحیه چشم و بررسی میزان بسته بودن پلک‏ها به عنوان اولین و مهمترین معیار در اندازه‏گیری خستگی استفاده می‏شود.

مشکل اساسی دیگر، اندازه‏گیری میزان توجه راننده به جاده است. میزان توجه راننده را می‏توان از جهت سر و جایی که چشم‏ها به آنجا نگاه می‏کند تا حدی تخیمن زد. اما مشکل این است که اگر جهت سر به سمت جلو و نگاه به سمت جاده باشد، لزوما راننده به جاده توجه نمی‏کند. به عبارت دیگر نگاه کردن به جاده به معنی توجه کردن به آن نیست [9].

جدا از چالش‏های اصلی سیستم‏های نظارت چهره راننده، پیاده‏سازی بلادرنگ سیستم بر روی سخت‏افزار‏های معمول، کاهش خطای سیستم در آشکارسازی چهره، کاهش خطای ردیابی چهره، افزایش کارایی روش‏های استخراج ویژگی و افزایش دقت الگوریتم‏های تشخیص خواب‏آلودگی و عدم تمرکز حواس از دیگر مشکلات این سیستم‏ها محسوب می‏شود.

[1] Intelligent Transportation System (ITS)

[2] Advanced Driver Assistant System (ADAS)

[3] Real-Time

[4] Alarm

[5] Rural Road

[6] Single-Vehicle Accident

[7] Gross Domestic Product (GDP)

[8] Quantitative

[9] Percentage of Eyelid Closure Over Time (PERCLOS)

مسائل بسیاری وجود دارند که محدود به یک راه­حل منحصر به فرد نمی­باشند. علاوه براین، برخی از مسائل ممکن است تعداد نامحدودی مسیرهای پاسخ مشابه، داشته باشند. یک ناسازگاری هنگامی روی می­دهد که تصمیم­های گوناگونی، متناظر با مسیرهای پاسخ متمایز، فراهم باشد.

به طور کلی در سیستمی که دارای مجموعه­های نسبتاً بزرگی از قوانین و حقایق باشد، درج یک حقیقت می ­تواند منجر به صحیح شدن ارزش چندین قانون و در نتیجه فعال شدن آنها گردد. هر ترتیبی از اجرای این قوانین، می ­تواند نتایج متفاوتی را به دنبال داشته باشد که در این صورت این مجموعه از قوانین، مجموعه­ی قوانین ناسازگار نامیده می­شوند. یک استراتژی رفع ناسازگاری ترتیبی را برای اجرای این مجموعه از قوانین تعیین می­نماید.

سیستم­های هوشمند از قبیل سیستم­های مبتنی بر قانون، ابزارهای برنامه ­ریزی، و ساختارهای وابسته به دانش، از استراتژی­ های متفاوتی برای رفع ناسازگاری استفاده می­ کنند] 2[.

در این پژوهش در ابتدا در رابطه با این شیوه ­های متفاوت توضیحاتی ارائه می­گردد و پس از آن ایده­ایی که به منظور رفع ناسازگاری در سیستم پیشنهادی بکار برده شده، شرح داده می­ شود. سیستم پیشنهادی یک سیستم تصمیم­همیار هوشمند است که به منظور یاری رساندن به یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیاده­سازی شده و شرح ساختار و ویژگی­های آن در فصول آتی آمده است. همچنین در این پایان نامه در ارتباط با سیستم­های تصمیم­همیار هوشمند و ساختارهای مختلفی که محققان برای پیاده­سازی این سیستم­ها در نظر گرفته­اند، نیز مطالبی ارائه شده است.

2-1- رفع ناسازگاری

در بسیاری از سیستم­های مبتنی بر قانون، موتور استنتاج، یک مولفه­ی نرم­افزاری است که در هنگام اجرای برنامه­ی کاربردی، بر روی مجموعه ­ایی از قوانین، استنتاج می­ کند. از جمله مهمترین وظایفی که توسط موتور استنتاج صورت می­گیرد، رفع ناسازگاری است] 47[. به طور کلی، رفع ناسازگاری، یک استراتژی، برای انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود.

برای رفع ناسازگاری روش­های مختلفی وجود دارد. ساده­ترین راه­حل، انتخاب تصادفی قوانین است. در برخی از استراتژی­ها، از جمله مهمترین فاکتورهایی که در انتخاب قوانین موثر است مقدار اولویتی است که توسط سازنده­ی سیستم به هر قانون اختصاص داده می­ شود که در این روش برای قوانین با الویت یکسان باید از روش دیگری استفاده گردد. روش­های خبره­تر از اطلاعات آماری مرتبط با موفقیت­ها و عدم موفقیت­های پیشین در هنگام بکار بردن قوانین مختلف، به منظور پی­بردن به احتمال موفقیت، استفاده می­ کنند. همچنین برخی از روش­ها، هزینه­ های قوانین را که نشان­دهنده تلاش­ هایی است که حل­کننده­ مسئله برای انجام اعمال بدان نیازمند است (مانند زمان) بحساب می­آورند] 2[.

روشی که در این پژوهش به منظور رفع ناسازگاری بکار برده شده، با در نظر گرفتن یک خط استنتاج جداگانه برای هر یک از قوانین ناسازگار در طی روند استنتاج، تمامی حالات ممکن برای اولویت­ بندی در اجرای قوانین را تحت پوشش قرار می­دهد.

3-1- سیستم ­های تصمیم­ همیار و سیستم­های تصمیم­ همیار هوشمند

به طور کلی، اخذ تصمیم، یکی از مهم­ترین و حساس­ترین فعالیت­هایی است که در هر سازمان و یا تشکیلاتی صورت می­گیرد] 48[. برای پشتیبانی و حمایت از این روند پیچیده، دسته­ی متنوعی از   سیستم­های اطلاعاتی مستقل بنام سیستم­های تصمیم­همیار، در طی دو دهه­ گذشته به وجود آمده­اند. این سیستم­ها به صورت ابزارهای مبتنی بر کامپیوتری که به منظور پشتیبانی از روند پیچیده­ اخذ تصمیم و حل مسئله ایجاد می­شوند، تعریف و در جهت ایجاد محیطی برای تحلیل مسائل، ساخت مدل­ها و شبیه­سازی رویه­ی تصمیم ­گیری و برنامه­ های تصمیم­ گیرندگان طراحی می­گردند] 49[.

این سیستم­های اطلاعاتی، که به منظور حمایت فعل و انفعالی از تمامی مراحل روند اخذ تصمیم یک کاربر، طراحی می­شوند، می­توانند شامل تکنولوژی­هایی برگرفته از زمینه ­های علمی مختلف شامل حسابداری، علوم شناختی، علوم کامپیوتر، اقتصاد، مهندسی، مدیریت، آمار و … باشند و اغلب از سه مولفه­ی زیرسیستم داده، زیر سیستم مدل (که دارای مکانیزمی برای پردازش داده می­باشد) و زیرسیستم ارتباط با کاربر، تشکیل شده ­اند] 19[.

اگرچه، سیستم­های تصمیم­همیار با بکار بردن منابع اطلاعاتی و ابزارهای تحلیل گوناگون، شرایط بهتر و با کیفیت بیشتری را برای تصمیم­گیرندگان فراهم می­سازند و داشتن یک نقش حمایتی به جای جایگزینی کامل افراد در روند اخذ تصمیم، از اهداف اصلی آنهاست] 12[، اما نمی­توان آنها را به عنوان یک همیار هوشمند برای تصمیم­گیرندگان در نظر گرفت. سیستم­های تصمیم­همیار هوشمند، برای مسائل عمومی­ایی که به تصمیم­ گیری­ های مکرر نیاز دارند، مفید و از لحاظ اقتصادی مقرون به صرفه هستند. این سیستم­های محاوره­ایی مبتنی بر کامپیوتر، برای حل مسائل نیمه ساخت­یافته، از، ترکیب داده و دانش تخصصی و مدل­هایی که برای حمایت از تصمیم­گیرندگان در سازمان­ها بکار می­رود، با تکنیک­های هوش مصنوعی، استفاده می­ کنند] 50[.

تعاریف مختلفی از تفاوت­های میان یک سیستم تصمیم­همیار و یک سیستم تصمیم­همیار هوشمند وجود دارد که این امر به دلیل وجود انواع مختلف سیستم­های تصمیم­همیار هوشمند می­باشد. در این سیستم­ها، عملکرد هوشمندانه در تصمیم­گیری، با بهبودهایی نظیر ارتقاء سیستم مدیریت پایگاه مدل و یا تقویت فاصل کاربر با بهره گرفتن از تکنیک­های گوناگون هوش مصنوعی مانند پردازش زبان طبیعی و یا سایر تکنیک­های مشابه، میسر شده است. همچنین، این نوع از سیستم­ها با حمایت از مسائلی با عدم قطعیت، امکان پشتیبانی از محدوده­ وسیع­تری از تصمیمات را فراهم ساخته و می­توانند قلمروهایی را کنترل و مدیریت نمایند که در آنها روند تصمیم ­گیری پیچیده­تر بوده و علاوه بر مهارت و خبرگی، به ارزیابی اثر راه­حل پیشنهادی نیز نیاز دارد. از دیگر مزایای سیستم­های تصمیم­همیار هوشمند نسبت به سیستم­های تصمیم­همیار، بهبود سازگاری در تصمیمات، بهبود تشریح و تفسیر و توجیه پیشنهادات ارائه شده توسط سیستم می­باشد] 19[.

Holsapple و Whinston از اولین محققانی بودند که به طراحی و مطالعه­ سیستم­های تصمیم­همیار هوشمند، پرداختند] 51[. آنها مشخصه ­های زیر را برای این سیستم­ها پیشنهاد دادند:

– این سیستم­ها شامل انواع مختلف دانش که نمودهای انتخاب شده­ایی از دنیای تصمیم­گیرنده را توصیف می­ کنند، می­باشند.

– این سیستم­ها دارای توانایی بدست آوردن و نگهداری دانش توصیفی مانند نگهداری رویداد و انواع دیگر دانش هستند.

– این سیستم­ها می­توانند دانش را به شیوه ­های مختلف تولید نموده و ارائه دهند.

– آنها می­توانند دانشی را برای ارائه یا بدست آوردن دانش جدید، انتخاب نمایند.

– این سیستم­ها می­توانند به صورت مستقیم (هوشمند) با تصمیم­گیرنده در ارتباط باشند.

اگرچه این سیستم­ها حامیانی هوشمند و انسان­گونه در روند تصمیم ­گیری هستند، اما تصمیم­گیرندگان باید تصمیمات نهایی و بحرانی را خود اتخاذ نمایند.

4-1- هدف از این پایان ­نامه

هدف از این پایان­ نامه، ارائه­ یک سیستم تصمیم­همیار هوشمند است که در هنگام وقوع ناسازگاری، برای هر یک از قوانین ناسازگار، یک خط استنتاج مجزا را در نظرگرفته و با پیشبرد استنتاج در هر یک از این خطوط، امکان آگاهی از نتایج انتخاب هر یک از راه­ حل­های ممکن را برای تصمیم­گیرنده فراهم می­سازد. این سیستم، یک سیستم مبتنی بر قانون است که به منظور یاری­نمودن یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیاده­سازی شده است.

در این پژوهش، روش­های گوناگونی که به منظور رفع ناسازگاری در سیستم­های هوشمند بکار برده شده و نیز ساختارهای مختلفی که برای سیستم­های تصمیم­همیار هوشمند مورد استفاده قرار گرفته، بررسی و ارائه شده است.

5-1- نگاه کلی به فصول پایان ­نامه

مطالب عنوان شده در این پایان نامه در قالب هفت فصل آورده شده‌اند. در فصل دوم، روش­های گوناگون رفع ناسازگاری شرح داده شده و فصل سوم به بیان ساختارهایی که برای سیستم­های تصمیم­همیار هوشمند در تحقیقات مختلف ارائه شده، می ­پردازد. در فصل چهارم بازی­های کامپیوتری استراتژیک بلادرنگ معرفی و ویژگی­های سیستم­های مربوط به این نوع از بازی­ها مطرح شده است. فصل پنجم، ساختار و مولفه­های سیستم پیشنهادی و نیز روش رفع ناسازگاری بکار برده شده در این سیستم را شرح می­دهد. ارزیابی سیستم پیشنهادی و نتایج آن در فصل ششم آورده شده و فصل انتهایی نیز به نتیجه ­گیری و ارائه­ کارهای آینده­ می ­پردازد.

[1] Conflict

2 Descriptive knowledge

Record keeping

کلاسه بندی[1] یکی از وظایف اساسی در داده کاوی[2] است که بطور وسیعی در زمینه یادگیری ماشین[3]، شبکه های عصبی[4] و تشخیص الگو[5] مورد مطالعه واقع شده است. ورودی، مجموعه ای از نمونه های آموزشی[6] است که شامل چندین ویژگی[7] است. ویژگی ها با توجه به دامنه مقادیرشان به دو دسته ویژگی های گسسته[8] و ویژگی های پیوسته[9] قابل تفکیک هستند. در حالت کلی، یک کلاسه بند[10]، توصیف مختصر و معنادار (مدل[11]) برای هر برچسب کلاس[12] در رابطه با ویژگی ها تولید می کند. سپس، مدل برای پیش بینی برچسب کلاس نمونه های ناشناخته[13] بکار می رود. کلاسه بندی همچنین بعنوان یادگیری با ناظر[14] نیز شناخته می شود که در آن هر نمونه آموزشی دارای برچسب کلاس است. در حالی که، یادگیری بدون ناظر[15] یا خوشه بندی[16] جستجو می کند و گروه های همگن از اشیا را بر اساس مقادیر ویژگی هایشان دسته بندی می کند؛ در واقع، نمونه ها دارای برچسب کلاس نیستند. کلاسه بندی در محدوده وسیعی از کاربردها از جمله آزمایشات علمی[17]، تشخیص دارو[18]، پیش بینی آب و هوا[19]، تایید اعتبار[20]، تقسیم بندی مشتری[21]، بازاریابی هدف[22] و تشخیص تقلب[23] بطور موفقیت آمیزی بکار می رود.

کلاسه بندی بر پایه الگوها[24]، یک متدلوژی جدید محسوب می شود. کشف الگوهایی که نشان دهنده تمایز بین کلاس های مختلف هستند، یکی از موضوعات مهم در داده کاوی محسوب می شود. در این تحقیق، ما کلاسه بندی را بر اساس الگوهایی به نام الگوهای نوظهور[25] (Emerging Patterns) که تمایز بین کلاس ها را بصورت بارزی نشان می دهند، از مجموعه داده ها[26] استخراج می کنیم و سپس، بر اساس آنها، کلاسه بندی را انجام می دهیم.

2-1-  مفهوم الگوهای نوظهور

مفهوم الگوهای نوظهور برای استخراج دانش از پایگاه داده ها توسط Dong و Li پیشنهاد شده است تا تغییرات قابل توجه بین کلاس ها را به تصویر بکشند [1]. یک الگوی نوظهور، ترکیب عطفی بین ویژگی هایی است که میزان احتمال حضور آن در یک کلاس نسبت به دیگر کلاس ها بطور قابل توجهی تغییر می کند [1،2]. این الگوها مفید هستند به این دلیل که قادر هستند تا وجه تمایز بین کلاس ها را بیان کنند. در صورتی که میزان فراوانی[27] هر الگو که در یک کلاس نسبت به دیگر کلاس ها قابل توجه باشد، نشان دهنده آن است که این الگو، بطور خاص به این کلاس اختصاص دارد و از طرفی این نوع الگوها برای پایگاه داده هایی که بحث محدودیت زمانی برای استخراج دانش از آنها مطرح است، اهمیت ویژه ای می یابند.

استخراج الگوهای نوظهور بدین صورت مطرح می شود: « پیدا کردن آیتم هایی که نرخ رشد[28] آن (که بصورت نسبت احتمال آن آیتم بین کلاس های مختلف تعریف می شود) از مقدار آستانه ای بیشتر باشد.» این مقدار آستانه باید بگونه ای انتخاب شود که الگوهای استخراجی ، تفاوت و تمایز بین کلاس های مختلف را نشان دهند. این الگوها در واقع مجموعه ای از آیتم ها هستند که بیان کننده ترکیب عطفی بین مقادیر ویژگی ها هستند [2].

نوعاً، تعداد الگوهای استخراجی بسیار زیاد است اما فقط شمار کمی از این الگوها برای تحلیل داده ها و کلاسه بندی مطلوب و مفید هستند. از آن جایی که مقدار زیادی از این الگوها بی ربط[29] و تکراری[30] هستند، دانش جدیدی را فراهم نمی کنند و لذا تاثیر نامطلوبی بر روی دقت کلاسه بند دارند که موجب کاهش دقت پیش بینی[31] می شوند. برای افزایش کارایی[32] و دقت، بایستی روالی را توسعه داد که الگوهای وابسته و غیر مفید حذف شوند تا شمار این الگوها کاهش یابد.

یک الگوی نوظهور با احتمال بالا در کلاس خودش و احتمال پایین در کلاس مقابلش می تواند برای تعیین یک نمونه تست بکار رود. قدرت این الگو توسط معیارهایی مثل فراوانی نسبی[33] و نرخ رشد ( نسبت احتمال الگو در یک کلاس نسبت به دیگر کلاس ها) آن بیان می شود.

در بسیاری از زمینه های کاربردی مانند کشف دانش از داده های ژنی[34] ، پردازش تصویر[35]، کشف نفوذ[36] ، کشف برون هشته[37]، کشف کلاهبرداری[38] ، داده های نامتوازن[39] ، جریان داده ها[40] ، بیوانفورماتیک[41] ، سیستم های پیشنهاد دهنده[42] ، نیاز است که تغییر ناگهانی در داده ها تشخیص داده شود. الگوهای نوظهور تغییرات ناگهانی و تفاوت های قابل توجه را از داده ها استخراج می کنند. الگوهای نوظهور، در زمینه پردازش تصویر برای قطعه بندی بدین گونه عمل می کند که سعی می کند در پیکسل هایی که تغییر ناگهانی شدت[43] بوجود می آید را بعنوان یک قطعه جدید معرفی کند. در زمینه کشف نفوذ و کلاهبرداری، رفتار داده ها پیگیری می شود، زمانی که رفتار داده ها بصورت ناگهانی تغییر کند، بعنوان نفوذ تشخیص داده می شود. در سیستم های پیشنهاد دهنده، سیستم به دنبال رفتارهای خاص و مختص هر کاربر است تا با کشف ویژگی های خاص هر کاربر، به او محصولات مطابق با علایق و استعدادهای او را پیشنهاد دهد. لذا الگوهای نوظهور در این راستا نقش بسزایی دارند.

3-1- مفهوم ویژگی های جریانی[44]

در داده های جریانی[45]، نمونه ها به مرور زمان دریافت می شوند در حالیکه تعداد ویژگی ها ثابت می باشد. اما در ویژگی های جریانی، تعداد داده های یادگیری ثابت می باشد ولی ویژگی ها بصورت دینامیک تولید می شوند و الگوریتم یادگیری به مرور زمان ویژگی ها را دریافت می دارد [31، 32]. در ویژگی های جریانی روال بدین صورت است ویژگی های توسط روش های تولید ویژگی مانند روش های یادگیری رابطه ای آماری[46] و تعاملات بین ویژگی ها[47]، تولید می شوند. مشکلاتی که در پی تولید ویژگی ها توسط این روش ها بروز می کند بدین شرح است که: 1) میلیون ها و یا حتی بیلیون ها ویژگی تولید می شوند که بدلیل محدودیت های حافظه امکان نگهداری این حجم از ویژگی وجود دارد و از طرفی زمان بسیار زیادی بایستی صرف شود تا فرایند یادگیری شروع شود. 2) ویژگی ها توسط کوئری های موجود در SQL تولید می شوند که اجرای این کوئری ها محدود به زمان پروسسور[48] است تقریبا پروسسور هر صدهزار کوئری را در 24 ساعت اجرا می کند. از طرفی بسیاری از ویژگی ها تولیدی بی ربط و تکراری هستند[49]. این موضوع نشان می دهد که شمار کمی از این ویژگی های تولیدی در عمل در فرایند یادگیری موثر است و لذا تولید ویژگی ها هزینه بر است [32]. بر این اساس برای فائق آمدن بر این مشکلات، مفهوم ویژگی های جریانی شکل گرفت و تلاش شد تا با تولید دینامیک ویژگی ها و بررسی این ویژگی ها در زمان تولید و تاثیر آن بر روال یادگیری فرایند تولید ویژگی ها را هدایت کنند.

برای برخورد با چالش های مطرح شده، بایستی فرایند یادگیری قابلیت پاسخگویی به ویژگی های جریانی را داشته باشد. در واقع، روال یادگیری بایستی بصورت افزایشی با دریافت هر ویژگی قابل بروزرسانی شدن داشته باشد بدون اینکه به اولین مرحله یادگیری بازگردد. لذا در راستای استخراج الگوهای قوی بایستی در ابتدا ویژگی ها بررسی شوند و ویژگی هایی که بی ربط هستند را حذف کرد، سپس از روی ویژگی های مفید و قوی ، الگوها را استخراج کرد.

[1] Classification

[2] Data mining

[3] Machine learning

[4] Neural networks

[5] Pattern recognition

[6] Training instances

[7] Features

[8] Nominal

[9] Numerical

[10] Classifier

[11] Model

[12] Class label

[13] Unknown

[14] Supervised learning

[15] Unsupervised learning

[16] Clustering

[17] Scientific experiments

[18] Medical diagnosis

[19] Weather prediction

[20] Credit approval

[21] Customer segmentation

[22] Target marketing

[23] Fraud detection

[24] Patterns

[25] Emerging patterns

[26] Datasets

[27] Frequency

[28] Growth rate

[29] Irrelevant patterns

[30] Redundant patterns

[31] Predictive accuracy

[32] Performance

[33] Support

[34] Gene expression data

[35] Image processing

[36] Intrusion detection

[37] Outlier detection

[38] Fraud detection

[39] Imbalanced datasets

[40] Data streams

[41] BioInformatics

[42] Recommender systems

[43] Intensity

[44] Streaming features

[45] Data Streams

[46] Statistical Relational Learning

[47] Feature interaction

[48] CPU time

[49] Irrelevant Features