نوشته های سیدمحمدحسین سلیم بهرامی

انواع مسیریابی

سیدمحمدحسین سلیم بهرامی — Thu, 28 Apr 2022 20:17:01 +0430

مسیریابی( Routing) فرآیندی است که توسط دستگاه های لایه 3 (یا لایه شبکه) به منظور تحویل بسته با انتخاب مسیر بهینه از یک شبکه به شبکه دیگر انجام می شود.3 نوع مسیریابی وجود دارد:1. Static routingمسیریابی استاتیک فرآیندی است که در آن باید مسیرها را به صورت دستی به جدول مسیریابی اضافه کنیم.مزایا: بدون سربار مسیریابی برای CPU روتر، به این معنی که می توان از روتر ارزان تری برای انجام مسیریابی استفاده کرد.این امنیت را اضافه می کند زیرا تنها یک مدیر می تواند فقط به شبکه های خاصی اجازه مسیریابی را بدهد.بدون استفاده از پهنای باند بین روترها.معایب:برای یک شبکه بزرگ، اضافه کردن دستی هر مسیر برای شبکه در جدول مسیریابی هر روتر، برای مدیران یک کار دشوار است.مدیر باید دانش خوبی از توپولوژی داشته باشد. اگر مدیر جدیدی بیاید، باید هر مسیر را به صورت دستی اضافه کند، بنابراین باید دانش بسیار خوبی از مسیرهای توپولوژی داشته باشد.پیکربندی :پیکربندی روتر استاتیکR1 having IP address 172.16.10.6/30 on s0/0/1, 192.168.10.1/24 on fa0/0. R2 having IP address 172.16.10.2/30 on s0/0/0, 192.168.20.1/24 on fa0/0. R3 having IP address 172.16.10.5/30 on s0/1, 172.16.10.1/30 on s0/0, 10.10.10.1/24 on fa0/0.اکنون مسیرهای استاتیک را برای روتر R3 پیکربندی می کنیم:R3(config)#ip route 192.168.10.0 255.255.255.0 172.16.10.2R3(config)#ip route 192.168.20.0 255.255.255.0 172.16.10.6در اینجا مسیری برای شبکه 192.168.10.0 ارائه شده است که در آن 192.168.10.0 شبکه I'd و 172.16.10.2 و 172.16.10.6 آدرس پرش بعدی هستند.اکنون، پیکربندی R2:R2(config)#ip route 192.168.20.0 255.255.255.0 172.16.10.1R2(config)#ip route 10.10.10.0 255.255.255.0 172.16.10.1R2(config)#ip route 172.16.10.0 255.255.255.0 172.16.10.1به طور مشابه برای R1:R1(config)#ip route 192.168.10.0 255.255.255.0 172.16.10.5R1(config)#ip route 10.10.10.0 255.255.255.0 172.16.10.5R1(config)#ip route 172.16.10.0 255.255.255.0 172.16.10.52. Default Routingاین روشی است که در آن روتر پیکربندی شده است تا تمام بسته ها را به سمت یک روتر ارسال کند (هپ بعدی). فرقی نمی کند که بسته به کدام شبکه تعلق دارد، به مسیریاب فرستاده می شود که برای مسیریابی پیش فرض پیکربندی شده است. معمولاً با روترهای خرد استفاده می شود. روتر خرد روتری است که تنها یک مسیر برای دسترسی به تمام شبکه های دیگر دارد.پیکربندی :با استفاده از همان توپولوژی که قبلاً برای مسیریابی استاتیک استفاده کرده ایم.در این توپولوژی، R1 و R2 روترهای خرد هستند، بنابراین می‌توانیم مسیریابی پیش‌فرض را برای هر دو این روترها پیکربندی کنیم.پیکربندی مسیریابی پیش فرض برای R1:R1(config)#ip route 0.0.0.0 0.0.0.0 172.16.10.5اکنون مسیریابی پیش فرض را برای R2 پیکربندی می کنیم:R2(config)#ip route 0.0.0.0 0.0.0.0 172.16.10.13. Dynamic Routingمسیریابی پویا تنظیمات خودکار مسیرها را با توجه به وضعیت فعلی مسیر در جدول مسیریابی انجام می دهد. مسیریابی پویا از پروتکل ها برای کشف مقاصد شبکه و مسیرهای رسیدن به آنها استفاده می کند. RIP و OSPF بهترین نمونه از پروتکل های مسیریابی پویا هستند. در صورت پایین آمدن یک مسیر، تنظیمات خودکار برای رسیدن به مقصد شبکه انجام می شود.یک پروتکل پویا دارای ویژگی های زیر است:روترها باید پروتکل پویا یکسانی داشته باشند تا مسیرها را مبادله کنند.هنگامی که روتر تغییری در توپولوژی پیدا می کند، روتر آن را به همه روترهای دیگر تبلیغ می کند.مزایا:آسان برای پیکربندی.در انتخاب بهترین مسیر به یک شبکه راه دور مقصد و همچنین برای کشف شبکه راه دور موثرتر است.معایب:پهنای باند بیشتری برای برقراری ارتباط با همسایگان دیگر مصرف می کند.امنیت کمتری نسبت به مسیریابی استاتیک دارد.

مسیریابی پیازی دیگه چیه؟

سیدمحمدحسین سلیم بهرامی — Thu, 28 Apr 2022 19:48:06 +0430

مسیریاب پیازمسیریابی پیازی تکنیکی برای ارتباط ناشناس از طریق یک شبکه کامپیوتری است. در یک شبکه پیاز، پیام ها در لایه های رمزگذاری، مشابه لایه های پیاز، محصور می شوند.مجموعه وسیعی از اقدامات پیشگیرانه و بهترین شیوه ها برای ایمن تر و ایمن تر کردن مرور وب برای کاربران وجود دارد. فرض کنید یک درخواست HTTPS را به یک سرور ارسال می کنید و شخصی آن درخواست را رهگیری می کند، اما آن شخص نمی تواند بداند که آن پیام چه می گوید زیرا رمزگذاری شده است. اما شما هنوز از این سطح امنیت راضی نیستید و می‌خواهید این را به سطح بعدی ببرید، یعنی حتی نمی‌خواهید کسی که در شبکه شما خروش می‌کند بداند با کدام سرور تماس می‌گیرید و آیا درخواستی دارید یا خیر. اینجاست که مسیریابی پیاز وارد می شود.برنامه مسیریابی پیاز شامل مطالعاتی است که به بررسی، طراحی، ساخت و تجزیه و تحلیل شبکه های ارتباطی ناشناس می پردازد. تمرکز بر راه حل های واقع بینانه برای اتصالات مبتنی بر اینترنت با تأخیر کم است که می تواند در برابر تجزیه و تحلیل ترافیک، استراق سمع و سایر حملات از سوی افراد خارجی (مانند روترهای اینترنتی) و خودی ها (مانند هکرها) (خود سرورهای Onion Routing) مقاومت کند. Onion Routing چه کسی با چه کسی در ارتباط است را از رسانه حمل و نقل پنهان می کند. شبکه فقط می داند که ارتباط برقرار است. علاوه بر این، تا زمانی که انتقال از شبکه OR خارج شود، محتوای مکالمه از دید شنود کنندگان پنهان می ماند.مسیریابی پیاز چگونه کار می کند؟اگر در حال مرور اینترنت در یک مرورگر وب معمولی مانند کروم، فایرفاکس و غیره هستید، با درخواست ساده GET بدون هیچ واسطه ای، صفحات وب را درخواست می کنید. این فقط یک اتصال واحد بین یک کلاینت و یک سرور است و کسی که در شبکه شما خروش می کند می تواند بداند که رایانه شما با کدام سرور تماس می گیرد.*مسیریابی پیاز این کار را متفاوت انجام می دهد. در مسیریابی پیاز، ارتباط بین گره‌های مختلف حفظ می‌شود، یعنی اتصال از یک سرور به سرور دیگر می‌رود و زمانی که به آخرین سرور در این مدار می‌رسد، سروری است که ما می‌خواستیم با آن تماس بگیریم و درخواست ما را پردازش می‌کند و به ما سرویس می‌دهد. صفحه وب که با استفاده از همان شبکه گره ها برای ما ارسال می شود. حالا باید فکر کنید که چرا به آن روتر پیاز می گویند. به این دلیل است که پیامی که ارسال می‌کنیم و پاسخ‌هایی که دریافت می‌کنیم با کلیدهای مختلف رمزگذاری می‌شوند، با یک کلید منحصر به فرد برای رمزگذاری برای هر پرش یا بازدید سرور مختلف.* کلاینت به همه کلیدها دسترسی دارد اما سرورها فقط به کلیدهای مخصوص رمزگذاری/رمزگشایی آن سرور دسترسی دارند.از آنجایی که این فرآیند پیام شما را زیر لایه‌هایی از رمزگذاری می‌پیچد که باید در هر پرش مختلف مانند پیاز جدا شوند، به همین دلیل است که به آن روتر پیاز می‌گویند.درک مفهوم مسیریابی پیاز یک مثالحالا فرض کنید در حال مرور اینترنت با استفاده از Tor (روتر پیاز) هستید که یک مرورگر ویژه است که به شما امکان می دهد از روترهای پیاز استفاده کنید. شما می خواهید به YouTube دسترسی داشته باشید اما در چین زندگی می کنید و از آنجایی که YouTube در چین ممنوع است، نمی خواهید دولت شما بداند که شما از YouTube بازدید می کنید، بنابراین تصمیم می گیرید از Tor استفاده کنید. رایانه شما برای دریافت صفحه اصلی YouTube باید با سرور خاصی تماس بگیرد، اما مستقیماً با آن سرور تماس نمی گیرد. این کار را از طریق 3 گره/سرور/روتر (این سرورها در سراسر جهان توسط داوطلبان نگهداری می‌شوند) قبل از آن سرور انجام می‌دهد تا هیچ‌کس نتواند مکالمه شما را با آن سرور ردیابی کند. برای ساده کردن این مثال، من از 3 گره استفاده می کنم، اما یک شبکه Tor واقعی می تواند صدها گره در بین آنها داشته باشد.1- مشتری با دسترسی به تمام کلیدهای رمزگذاری مانند کلید 1، کلید 2 و کلید 3 پیام (دریافت درخواست) را سه بار رمزگذاری می کند و آن را در زیر 3 لایه مانند پیاز می پیچد که باید هر بار پوست کنده شود.2- این پیام رمزگذاری شده سه گانه سپس به سرور اول یعنی گره 1 (گره ورودی) ارسال می شود.3- حال Node 1 فقط آدرس Node 2 و Key 1 را دارد. بنابراین پیام را با استفاده از Key 1 رمزگشایی می کند و متوجه می شود که معنی ندارد زیرا هنوز 2 لایه رمزگذاری دارد بنابراین آن را به Node 2 ارسال می کند.4- گره 2 دارای کلید 2 و آدرس گره های ورودی و خروجی است. بنابراین پیام را با استفاده از کلید 2 رمزگشایی می کند و متوجه می شود که هنوز رمزگذاری شده است و آن را به گره خروج ارسال می کند.5- گره 3 (گره خروج) آخرین لایه رمزگذاری را جدا می کند و یک درخواست GET برای youtube.com پیدا می کند و آن را به سرور مقصد ارسال می کند.6- سرور درخواست را پردازش می کند و صفحه وب مورد نظر را به عنوان پاسخ ارائه می دهد.7- پاسخ از همان گره ها در جهت معکوس عبور می کند که در آن هر گره با استفاده از کلید خاص خود یک لایه رمزگذاری قرار می دهد.8- در نهایت در قالب یک پاسخ رمزگذاری شده سه گانه به مشتری می رسد که می تواند رمزگشایی شود زیرا مشتری به تمام کلیدها دسترسی دارد.چگونه ناشناس بودن را فراهم می کند؟تصور کنید که در اولین اتصال یک sniffer در حال گوش دادن باشد (کلاینت - گره ورودی) تنها چیزی که می تواند بداند آدرس گره ورودی و یک پیام رمزگذاری شده سه بار است که معنی ندارد. بنابراین همه مهاجمان/هیجان‌بازان می‌دانند که شما در حال مرور tor هستید.به طور مشابه، اگر sniffing از گره خروجی شروع شود، تمام چیزی که sniffer می بیند سروری است که با سرور دیگری تماس می گیرد اما نمی تواند مشتری یا منبع درخواست ایجاد شده را ردیابی کند.اما اکنون ممکن است فکر کنید که اگر کسی در Node 2 به آن گوش می دهد، آدرس ورودی و خروجی را می داند و می تواند مشتری و سرور مقصد را ردیابی کند. اما این به این سادگی نیست، هر یک از این گره ها صدها اتصال همزمان دارند، و دانستن اینکه کدام یک به منبع و مقصد مناسب منتهی می شود، به این آسانی نیست. در مدار ما، Node 2 یک گره میانی است، اما می‌تواند بخشی از مدار دیگری در یک اتصال متفاوت باشد که در آن به عنوان گره ورودی درخواست‌ها یا یک گره خروجی عمل می‌کند که صفحات وب را از سرورهای مختلف ارائه می‌کند.آسیب پذیری در مسیریابی پیازتنها نقص امنیتی در مسیریابی پیاز این است که اگر شخصی همزمان در حال گوش دادن به سرور باشد و با تجزیه و تحلیل طول و فرکانس، درخواست در مقصد را با درخواستی که توسط یک کلاینت در طرف دیگر شبکه ارائه شده مطابقت دهد. کاراکترهای یافت شده در درخواست یا پاسخ رهگیری شده در سرور مقصد و استفاده از آن برای مطابقت با همان درخواست ارائه شده توسط مشتری در کسری از ثانیه (مهر زمانی روی درخواست ها و پاسخ ها نیز می تواند در استنتاج آن مفید باشد) و سپس ردیابی آنها را پایین می آورند و از فعالیت آنلاین آنها اطلاع دارند و ایده ناشناس بودن را از بین می برند. انجام این کار بسیار سخت است اما غیرممکن نیست. اما حذف این نقص از Tor عملاً غیرممکن است.

بهترین توزیع لینوکس برای برنامه نویسی

سیدمحمدحسین سلیم بهرامی — Fri, 23 Jul 2021 20:07:59 +0430

سیستم عامل های مبتنی بر Linux بیشترین درخواست و مناسب ترین برنامه برای توسعه دهندگان و برنامه نویسان است. بیشتر توسعه دهندگان از توزیع های مختلف لینوکس استفاده می کنند تا کار خود را به سرعت انجام دهند و چیز جدیدی ایجاد کنند ، اما من به عنوان یک توسعه دهنده سابق ، یکی از نگرانی های اصلی من این بود که "کدام یک از توزیع های لینوکس را باید دقیقاً بررسی کنم؟" به همین ترتیب ، برخی دیگر از نگرانی ها هنگام انتخاب Distro Linux برای برنامه نویسی یا توسعه نرم افزار ، سازگاری ، قدرت ، پایداری و انعطاف پذیری است.توزیع هایی مانند اوبونتو و دبیان توانسته اند خود را به عنوان برترین گزینه ها در مورد بهترین توزیع لینوکس برای توسعه دهندگان معرفی کنند. برخی از گزینه های عالی دیگر openSUSE ، Arch Linux و غیره هستند. Raspberry Pi به اندازه کارت اعتباری را فراموش نکنید که می توانید با استفاده از آن کدگذاری و ساخت پروژه های جالب را یاد بگیرید.11 تا از بهترین توزیع لینوکس برای برنامه نویسی در سال 2020در اینجا لیستی از بهترین توزیع های لینوکس برای توسعه دهندگان و برنامه نویسی وجود دارد:Debian GNU/LinuxUbuntuopenSUSEFedoraPop!_OSArch LinuxSolus OSManjaro LinuxElementary OSKali LinuxRaspbian1. Debian GNU/Linuxدبیان GNU / Linux نیازی به معرفی ندارد. این یکی از مهمترین توزیع ها است نه به دلیل محبوبیت بلکه به دلیل اینکه بسیاری دیگر از توزیع ها بر اساس شاخه پایدار آن است.debian cinnamonدلیل وجود وضعیت دبیان به عنوان سیستم عامل توسعه دهنده تعداد زیادی بسته و پشتیبانی نرم افزاری است که برای توسعه دهندگان مهم هستند. برای برنامه نویسان پیشرفته و مدیران سیستم بسیار توصیه می شود. لطفا توجه داشته باشید که اگر شما یک کاربر مبتدی لینوکس هستید و می خواهید نکات ریز برنامه نویسی اساسی را بیاموزید ، Debian بهترین سیستم عامل برنامه نویسی نیست. برای این منظور ، شما باید به دنبال توزیع لینوکس مبتدی پسند مانند اوبونتو 20.04 ، Linux Mint یا سیستم عامل Zorin باشید.دانلود دبیان2. Ubuntuاوبونتو محبوب ترین توزیع لینوکس هنگام توسعه است. در طول سالها ، به لطف جامعه منبع باز ، به یکی از مهمترین موارد سناریوی دسک تاپ لینوکس تبدیل شده است.این یک توزیع کننده مبتنی بر دبیان است که در برنامه های ابری و سرور استفاده می شود. همچنین با چندین طعم و مزه با محیط و ویژگی های مختلف دسکتاپ برای برآوردن نیازهای مختلف مردم ارسال می شود.Ubuntu 20.04 LTSشروع کار با توسعه در اوبونتو آسان است. با تشکر از بسته های .deb ، برنامه ها و ابزارهای مورد علاقه شما فقط چند کلیک فاصله دارند. ناگفته نماند ، مرکز نرم افزار خود دارای بسیاری از برنامه های رایگان است که آن را به یک سیستم عامل عالی لینوکس برای برنامه نویسی تبدیل کرده است. نسخه LTS آن به مدت 5 سال پشتیبانی می شود و ثبات انتشار ثابت را فراهم می کند.دانلود اوبونتو3. openSUSEopenSUSE که به دلیل پیشرفت حرفه ای و به موقع می تواند به راحتی اوبونتو را از پس هزینه های خود بر آورد ، یک سیستم عامل بسیار پایدار برای برنامه نویسی است. این توزیع لینوکس در دو نسخه Leap و Tumbleweed در دسترس است.openSUSE tumbleweedدر حالی که openSUSE Leap نسخه LTS است که کاملاً به روز مانده و ثبات را تضمین می کند ، Tumbleweed نسخه جدیدی برای کسانی است که طعم جدیدترین نرم افزار را دوست دارند. اگر می خواهید آخرین پشتیبانی سخت افزاری را برای شما فراهم کند ، Tumbleweed راهی برای شماست.یکی از مهمترین مزایای openSUSE مدیریت بسته jYaST آن است که باعث می شود اتوماسیون کارهای مختلف به راحتی انجام شود. یکی دیگر از ویژگی های مهم این توزیع قابل اعتماد لینوکس برای توسعه دهندگان ، روش تحویل نرم افزار آن است. مورد مورد علاقه شخصی من در مورد openSUSE این است که شما می توانید به وب سایت پورتال نرم افزار آن سر بزنید و فقط با یک کلیک هر چیزی را نصب کنید. پایگاه داده بسته گسترده و جامعه پشتیبانی آن نکته مثبت دیگری است.دانلود openSUSE4. Fedoraفدورا یک پروژه جامعه محور است که در چندین نسخه و با هدف موارد خاص استفاده ، پیشرفته ترین سیستم عامل را ارائه می دهد. بهترین چیز در مورد فدورا ، حامی اصلی آن ، Red Hat Inc است که یک شرکت شناخته شده در بین اکوسیستم لینوکس است.نسخه فدورا - CompNeuroFedora LabFedora در چندین نسخه ارائه می شود و ایستگاه کاری Fedora به طور ویژه برای توسعه دهندگان طراحی شده است. این بسیار پایدار است و از ابزارهای متعددی برای پیکربندی محیط توسعه برخوردار است. در اکثر سخت افزارها عمدتا خارج از جعبه کار می کند و نسخه کوچک آن ویژگی های جدید ، امنیت و رفع اشکال را ارائه می دهد.علاوه بر این ، Fedora فقط با اجزای متن باز ارسال می شود ، اگر شما یک علاقه مند به سخت افزار منبع باز هستید ، این یک انتخاب عالی است. حتی لینوس توروالدز فدورا را به دبیان و اوبونتو ترجیح می دهد. علاوه بر این ، شما می توانید مشکلات خود را در فروم Fedora به اشتراک بگذارید و انتظار داشته باشید که یک راه حل سریع برسد. همانطور که Red Hat از fedora پشتیبانی می کند ، شما همچنین می توانید در طول مراحل توسعه بدون مشکل کار کنید.دانلود Fedora5. Pop!_OSسازنده سخت افزار لینوکس مستقر در ایالات متحده System76 توزیع لینوکس سفارشی مستقر در اوبونتو خود را بنام Pop! _OS در سال 2017 اعلام کرد. این شرکت پس از تصمیم گیری اوبونتو برای گشودن محیط دسک تاپ Unity و گیاهان رومیزی خود که قبلاً در حال رونق بود ، این قدم را برداشت. اکنون ، آنها محیط دسک تاپ خود را ساخته اند که آنرا COSMIC می نامند ، این یک محیط مبتنی بر GNOME با ویژگیهای اضافی است.pop! _os 20.10System76 Pop! _OS را یک سیستم عامل برای توسعه دهندگان ، سازندگان و متخصصان علوم کامپیوتر می داند که از ماشین های خود برای ایجاد چیزهای جدید استفاده می کنند. این از تعداد زیادی زبان برنامه نویسی و ابزار برنامه نویسی بومی پشتیبانی می کند.برای بهره وری بیشتر از گردش کار ، Pop! _OS با برنامه پنجره کاشی کاری صفحه کلید ، به برنامه نویسان قدرت منحصر به فردی می بخشد. مدیریت پیشرفته پنجره ، میانبرها و فضاهای کاری ، تجربه کاربر را افزایش می دهد.دانلود Pop!_OS6. Arch LinuxArch Linux توزیع مورد علاقه لینوکس برای علاقه مندان سخت گیر لینوکس است که خواهان کنترل کامل سیستم عامل خود هستند. اگر می خواهید از ابتدا شروع کنید ، می توانید Arch Linux را برای ساخت یک سیستم عامل سفارشی انتخاب کنید که به راحتی برای برنامه نویسی و سایر اهداف توسعه به یک توزیع عالی لینوکس تبدیل شود.arch linux with kdeاگر توزیع های لینوکس رول را دوست دارید (در اینجا برخی از تفاوت های ثابت در مقابل انتشار رول وجود دارد) ، دیگر نگاه نکنید. Arch Linux یک مخزن خونسرد دارد که همیشه به روز است. نصب یکبار مصرف کافی است و هر بار که نسخه جدیدی منتشر می شود (هر ماه خیلی زود) ، برای نصب جدیدترین نسخه های مشابه ، باید بسته های خود را به روز کنید.در صورت نیاز به کمک ، انجمن همیشه در کنار شماست. به طور کلی ، این یک توزیع عالی برای برنامه نویسی و کاربران پیشرفته است.دانلود Arch Linux7. Solus OSبا استفاده از محیط دسک تاپ Budgie ، یکی از تمیزترین و یکی از بهترین گزینه های برنامه نویسی است که با بسیاری از ابزارهای برنامه نویسی خارج از جعبه ارائه می شود.solus os - بهترین توزیع های لینوکس برای برنامه نویسییکی از موانعی که ممکن است در صورت استفاده از اوبونتو با آن روبرو شوید ، مدیر بسته "eopkg" است. دانستن eopkg هیچ دانش موشکی نیست ، اما باید وقت بیشتری را برای یادگیری آن صرف کنید.دانلود Solus OS8. Manjaro LinuxManjaro انتخاب افرادی است که نصب Arch را دشوار می دانند. این یک نصب GUI آسان دارد ، دقیقاً مانند اوبونتو یا Linux Mint که روند نصب را بسیار آسان تر می کند.manjaro linux - بهترین گزینه های linux برای برنامه نویسیبه گفته Distrowatch ، این دومین توزیع محبوب است که به خودی خود چیزهای زیادی در مورد پراکندگی می گوید. با ترکیب تمام قدرت Arch Linux ، بهترین گزینه برای مبتدیانی است که به دنبال Arch alternate هستند. علاوه بر این ، Manjaro در سه نسخه GNOME ، KDE و XFCE عرضه می شود ، بنابراین محیط دسک تاپ مورد علاقه خود را از دست ندهید.تیم توسعه Manjaro با هر نسخه بسیار عالی کار کرده و تجربه کلی را جلا داده است.دانلود Manjaro Linux9. elementaryOS بهترین روش توزیع لینوکس در این لیست چیست؟ گرچه elementaryOS به نظر می رسد یک توزیع شگفت انگیز لینوکس است ، اما همچنین بر اساس اوبونتو است که یکی از بهترین گزینه های لینوکس برای برنامه نویسی است. از این رو ، اگر می خواهید ترکیبی خوب از برنامه نویسی و احساس MacOS مانند باشد ، دیگر به دنبال این نباشید و elementaryOS را نصب کنید.دانلود elementaryOS10. Kali Linuxلینوکس کالی ، ایجاد شده توسط Offensive Security ، در درجه اول توسط هکرهای اخلاقی ترجیح داده می شود که آزمایشات نفوذ را در شبکه ها و رایانه های آسیب پذیر انجام دهند. اما همچنین می تواند به عنوان یک همراه عالی برای برنامه نویسان که به دنبال یک توزیع لینوکس برای برنامه نویسی و توسعه هستند ، عمل کند.Kali Linux GNOME Dark themeاین دستگاه با تعداد زیادی ابزار از پیش نصب شده همراه است. با این حال ، بگذارید روشن کنم که برای افرادی که تازه وارد دنیای لینوکس هستند طراحی نشده است. اگر استفاده از لینوکس و برنامه نویسی را انجام دهید ، استفاده از آن خوب خواهد بود. کالی لینوکس همچنین به شما کمک می کند دانشی کسب کنید که مطمئناً به شما کمک می کند در حرفه خود عالی باشید.دقیقاً مانند سایر ورودی های این لیست ، می توانید آخرین نسخه آن را بارگیری و نصب کنید یا بوت دوتایی را از ابتدا نصب کنید.دانلود Kali Linux11. Raspbian/Raspberry Pi OSبگذارید مستقیم به اصل مطلب برسم. رزبری پای جالبترین چیزی است که من تا به حال امتحان کرده ام. اولین باری که آن را به دوستان غیر تکنیکی خود نشان دادم ، واکنش آنها بسیار گرانبها بود ، "صبر کنید ، آن چیز کامپیوتر است. داری شوخی میکنی، نه؟" این رایانه به اندازه کارت اعتباری به عنوان یک مورد ویروسی در مدارس تبدیل شده است زیرا به شدت برای برنامه نویسی لینوکس و آموزش اصول کدگذاری مورد استفاده قرار می گیرد.Raspbian osسیستم عامل رسمی Raspbian / Raspberry Pi این رایانه کوچک با تعداد زیادی ابزار برنامه نویسی ، پین اتصال دهنده و پورت های مفید دیگر همراه است. این امر آن را به یک سیستم عامل کامل لینوکس برای یادگیری برنامه نویسی سیستم های جاسازی شده تبدیل می کند.این برنامه دارای BlueJ ، Geany ، Greenfoot ، Mathematica ، Python ، Node-RED ، Scratch و سایر ابزارها برای موثرتر کردن روند یادگیری شما است. اگر می خواهید Raspberry Pi بخرید ، پس از مطالعه بررسی Raspberry Pi 4 Model B تصمیم بگیرید. (Psst… این قوی ترین رزبری پای است که تاکنون ساخته شده است)دانلود Raspbian/Raspberry Pi OS

هوش مصنوعی در آنتن های نسل پنجم موبایل

سیدمحمدحسین سلیم بهرامی — Tue, 20 Jul 2021 09:45:03 +0430

هوش مصنوعی چیست؟هوش مصنوعی (AI) شبیه سازی فرایندهای هوش انسانی توسط ماشین ها ، معمولاً سیستم های رایانه ای است. برنامه های هوش مصنوعی بر روی سه مهارت اصلی شناختی تمرکز دارند: یادگیری (به دست آوردن داده ها و ایجاد قوانینی برای مرتب سازی آن داده ها) ، استدلال (انتخاب داده های مناسب برای دستیابی به نتیجه مطلوب) و اصلاح خود (تنظیم دقیق مرتب سازی داده ها برای دقیق ترین) نتایج). قوانین مرتب سازی داده ها به عنوان الگوریتم شناخته می شوند ، که دستورالعمل های گام به گام برای دستیابی به نتیجه را ارائه می دهند.هوش مصنوعی (AI) شبیه سازی فرایندهای هوش انسانی توسط ماشین ها ، به ویژه سیستم های رایانه ای است. برنامه های خاص هوش مصنوعی شامل سیستم های خبره ، پردازش زبان طبیعی ( NLP) ، تشخیص گفتار و بینایی ماشین است .برنامه نویسی هوش مصنوعی بر سه مهارت شناختی متمرکز است: یادگیری ، استدلال و اصلاح خود.فرایندهای یادگیری. این جنبه از برنامه نویسی هوش مصنوعی بر دستیابی به داده ها و ایجاد قوانینی برای چگونگی تبدیل داده ها به اطلاعات عملی متمرکز است. این قوانین که الگوریتم نامیده می شوند ، دستورالعمل های گام به گام برای نحوه انجام یک کار خاص را به دستگاه های محاسباتی ارائه می دهند.فرایندهای استدلال. این جنبه از برنامه نویسی هوش مصنوعی بر انتخاب الگوریتم مناسب برای رسیدن به نتیجه دلخواه متمرکز است.فرایندهای اصلاح خود. این جنبه از برنامه نویسی هوش مصنوعی برای تنظیم دقیق الگوریتم های مداوم و اطمینان از ارائه دقیق ترین نتایج ممکن طراحی شده است.مزایا و معایب هوش مصنوعیشبکه های عصبی مصنوعی و فن آوری های هوش مصنوعی یادگیری عمیق به سرعت در حال پیشرفت هستند ، اساساً به این دلیل که هوش مصنوعی مقادیر زیادی از داده ها را بسیار سریعتر پردازش می کند و پیش بینی ها را با دقت بیشتری نسبت به بشر امکان پذیر می کند.در حالی که حجم عظیمی از داده ها که به طور روزانه ایجاد می شود ، یک محقق انسانی را دفن می کند ، برنامه های کاربردی هوش مصنوعی که از یادگیری ماشین استفاده می کنند می توانند این داده ها را گرفته و به سرعت به اطلاعات عملی تبدیل کنند. از زمان نگارش این مقاله ، ضرر اصلی استفاده از هوش مصنوعی این است که پردازش مقادیر زیادی از داده های مورد نیاز برنامه نویسی AIگران است.هوش مصنوعی قوی در مقابل هوش مصنوعی ضعیفهوش مصنوعی را می توان به عنوان ضعیف یا قوی طبقه بندی کرد. ضعف هوش مصنوعی (AI) ضعیف ، یک سیستم AI است که برای انجام یک کار خاص طراحی و آموزش داده می شود. ربات های صنعتی و دستیارهای شخصی مجازی مانند Siriاپل از هوش مصنوعی ضعیف استفاده می کنند. هوش مصنوعی قوی که به آن هوش عمومی مصنوعی (AGI) نیز گفته می شود ، برنامه نویسی را توصیف می کند که می تواند توانایی های شناختی مغز انسان را تکرار کند. هنگامی که وظیفه ای ناآشنا ارائه می شود ، یک سیستم هوش مصنوعی قوی می تواند با استفاده از منطق فازی دانش را از یک حوزه به حوزه دیگر اعمال کند و به طور مستقل یک راه حل پیدا کند. از نظر تئوری ، یک برنامه هوش مصنوعی قوی باید بتواند هم آزمون تورینگ و هم تست اتاق چینی را بگذراند.هوش تقویت شده در مقابل هوش مصنوعیبرخی از کارشناسان صنعت معتقدند که اصطلاح هوش مصنوعی ارتباط تنگاتنگی با فرهنگ عامه دارد و همین امر باعث شده است که عموم مردم انتظارات احتمالی درباره چگونگی تغییر هوش مصنوعی در محل کار و زندگی به طور کلی نداشته باشند. برخی از محققان و بازاریاب ها امیدوارند که برچسب هوش تقویت شده ، که معنای خنثی تری دارد ، به مردم کمک خواهد کرد تا درک کنند که اکثر پیاده سازی های هوش مصنوعی ضعیف بوده و به سادگی محصولات و خدمات را بهبود می بخشد. مفهوم تکینگی اکنولوژیک - آینده ای تحت سلطه یک هوش فوق العاده مصنوعی که بسیار از توانایی مغز انسان در درک آن یا چگونگی شکل دادن به واقعیت ما پیشی می گیرد - در قلمرو داستان علمی تخیلی باقی می ماند.استفاده اخلاقی از هوش مصنوعیدر حالی که ابزارهای هوش مصنوعی طیف وسیعی از عملکردهای جدید را برای مشاغل ارائه می دهند ، استفاده از هوش مصنوعی نیز س questionsالات اخلاقی را به وجود می آورد زیرا ، خوب یا بد ، یک سیستم هوش مصنوعی آنچه را که قبلاً آموخته است تقویت می کند. این می تواند مشکل ساز باشد زیرا الگوریتم های یادگیری ماشین ، که زیربنای بسیاری از پیشرفته ترین ابزارهای هوش مصنوعی هستند ، فقط به اندازه داده هایی که در آموزش داده می شود هوشمند هستند. از آنجا که یک انسان انتخاب می کند چه داده هایی برای آموزش برنامه هوش مصنوعی استفاده می شود ، پتانسیل تعصب یادگیری ماشین ذاتی است و باید از نزدیک کنترل شود. هرکسی که به دنبال استفاده از یادگیری ماشینی به عنوان بخشی از سیستم های در حال تولید در دنیای واقعی است ، باید اخلاقیات را در فرآیندهای آموزش هوش مصنوعی خود لحاظ کند و سعی کند از تعصب جلوگیری کند. این امر به ویژه در هنگام استفاده از الگوریتم های هوش مصنوعی که ذاتاً در برنامه های یادگیری عمیق و شبکه های خصمانه تولید ( GAN) غیرقابل توصیف هستند ، صادق است. تبیین یک مانع احتمالی استفاده از هوش مصنوعی در صنایعی است که تحت الزامات دقیق نظارتی کار می کنند . به عنوان مثال ، موسسات مالی در ایالات متحده تحت مقرراتی فعالیت می کنند که از آنها خواسته می شود تصمیمات خود در مورد صدور اعتبار را توضیح دهند. وقتی تصمیم برای رد اعتبار توسط برنامه نویسی هوش مصنوعی گرفته می شود ، توضیح چگونگی تصمیم گیری دشوار است زیرا ابزارهای هوش مصنوعی مورد استفاده برای تصمیم گیری با استفاده از همبستگی های ظریف بین هزاران متغیر کار می کنند. وقتی روند تصمیم گیری قابل توضیح نیست ، ممکن است از این برنامه به عنوان جعبه سیاه AI یاد شود .اجزای AIبا شتاب بخشیدن به هیاهوی فراگیر هوش مصنوعی ، فروشندگان در تلاشند محصولات و خدمات خود را از هوش مصنوعی تبلیغ کنند. غالباً آن چیزی که آنها از آن به عنوان هوش مصنوعی یاد می شود به سادگی یکی از م componentلفه های هوش مصنوعی است ، مانند یادگیری ماشین . هوش مصنوعی برای نوشتن و آموزش الگوریتم های یادگیری ماشین به بنیادی از سخت افزار و نرم افزار تخصصی احتیاج دارد. هیچ یک از زبان های برنامه نویسی مترادف با هوش مصنوعی نیست ، اما تعداد کمی از آنها از جمله پایتون ، R و جاوا محبوب هستند.هوش مصنوعی به عنوان یک سرویس (AIaaS)از آنجا که سخت افزار ، نرم افزار و هزینه های کارکنان AI می تواند گران باشد ، بسیاری از فروشندگان اجزای AI را در نسخه های استاندارد خود قرار می دهند یا دسترسی به هوش مصنوعی را به عنوان سیستم عامل سرویس ( AIaaS) فراهم می کنند. AIaaS به افراد و شرکت ها این امکان را می دهد تا قبل از تعهد ، هوش مصنوعی را برای اهداف مختلف تجاری آزمایش کنند و از چندین سیستم عامل استفاده کنند.پیشنهادهای محبوب ابری AIشامل موارد زیر است:1. آمازون AI2. دستیار IBM Watson3. خدمات شناختی مایکروسافت4. Google AIچهار نوع هوش مصنوعیآرند هینتزه ، استادیار زیست شناسی تلفیقی و علوم کامپیوتر و مهندسی در دانشگاه ایالتی میشیگان ، در مقاله ای در سال 2016 توضیح داد که هوش مصنوعی را می توان در چهار نوع طبقه بندی کرد ، این کار با سیستم های هوشمند ویژه کار که امروزه استفاده گسترده ای دارند و به سیستم های حساس پیشرفت می کنند ، دسته بندی می شود. ، که هنوز وجود ندارند. دسته ها به شرح زیر است:نوع 1: ماشین آلات راکتیو. این سیستم های هوش مصنوعی فاقد حافظه هستند و وظیفه خاصی دارند. به عنوان مثال ، Deep Blue ، برنامه شطرنج IBMاست که در دهه 1990 گری کاسپاروف را شکست داد. Deep Blue می تواند مهره های صفحه شطرنج را شناسایی کرده و پیش بینی کند ، اما چون حافظه ندارد ، نمی تواند از تجربیات گذشته برای اطلاع رسانی به آینده استفاده کند.نوع 2: حافظه محدود. این سیستم های هوش مصنوعی دارای حافظه هستند ، بنابراین می توانند از تجربیات گذشته برای اطلاع رسانی تصمیمات آینده استفاده کنند. برخی از عملکردهای تصمیم گیری در اتومبیل های خودران از این طریق طراحی شده اند.نوع 3: نظریه ذهن. نظریه ذهن اصطلاحی روانشناسی است. هنگامی که روی هوش مصنوعی اعمال می شود ، به این معنی است که سیستم از هوش اجتماعی برای درک احساسات برخوردار است. این نوع هوش مصنوعی قادر به استنباط اهداف انسانی و پیش بینی رفتار خواهد بود ، این مهارت لازم برای سیستم های هوش مصنوعی برای تبدیل شدن به اعضای اصلی تیم های انسانی است.نوع 4: خودآگاهی. در این گروه ، سیستم های هوش مصنوعی دارای حس خود هستند که به آنها هوشیاری می بخشد. ماشین های دارای خودآگاهی وضعیت فعلی خود را درک می کنند. این نوع هوش مصنوعی هنوز وجود ندارد.محاسبات شناختی و هوش مصنوعیاصطلاحات AIو محاسبات شناختی گاهی به جای یکدیگر استفاده می شوند ، اما ، به طور کلی ، از برچسب AI در ماشین آلاتی استفاده می شود که با شبیه سازی نحوه درک ، یادگیری ، پردازش و واکنش به اطلاعات موجود در محیط ، جایگزین هوش انسان می شوند.محاسبات شناختی برچسب در اشاره به محصولات و خدماتی که فرایندهای اندیشه انسان را تقلید و تقویت می کنند ، استفاده می شودنمونه هایی از فناوری AIهوش مصنوعی در انواع مختلف فناوری گنجانیده شده است. در اینجا شش مثال آورده شده است:اتوماسیون. وقتی با فناوری های هوش مصنوعی جفت شوند ، ابزارهای اتوماسیون می توانند حجم و انواع وظایف انجام شده را گسترش دهند. به عنوان مثال اتوماسیون فرآیند رباتیک ( ՀՀԿ) ، نوعی نرم افزار است که وظایف پردازشی داده های تکراری و مبتنی بر قوانین را که به طور سنتی توسط انسان انجام می شود ، خودکار می کند. وقتی با یادگیری ماشینی و ابزارهای نوظهور هوش مصنوعی ترکیب می شود ، ՀՀԿمی تواند بخشهای بیشتری از مشاغل سازمانی را خودکار کند ، به رباتهای تاکتیکی جمهوری اسلامی امکان می دهد اطلاعات را از هوش مصنوعی منتقل کرده و به تغییرات روند پاسخ دهند.فراگیری ماشین. این علم این است که کامپیوتر بدون برنامه نویسی عمل می کند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشینی است که به عبارتی بسیار ساده ، می توان آن را اتوماسیون تجزیه و تحلیل های پیشگویی تصور کرد. سه نوع الگوریتم یادگیری ماشین وجود دارد:یادگیری تحت نظارت . مجموعه داده ها برچسب گذاری شده اند تا الگوها بتوانند شناسایی و از آنها برای برچسب گذاری مجموعه داده های جدید استفاده شود.یادگیری بدون نظارت . مجموعه داده ها برچسب گذاری نشده و براساس شباهت ها یا تفاوت ها مرتب می شوند.یادگیری تقویت . مجموعه داده ها برچسب گذاری نشده اند ، اما پس از انجام یک عمل یا چندین عمل ، به سیستم AIبازخورد داده می شود.دید ماشین. این فناوری به ماشین توانایی دیدن می دهد. بینایی ماشین با استفاده از دوربین ، تبدیل آنالوگ به دیجیتال و پردازش سیگنال دیجیتال ، اطلاعات بصری را ضبط و تحلیل می کند. این غالباً با بینایی انسان مقایسه می شود ، اما بینایی ماشین محدود به زیست شناسی نیست و می توان برای مثال از طریق دیوارها دید. این در طیف وسیعی از برنامه ها از شناسایی امضا تا تجزیه و تحلیل تصویر پزشکی استفاده می شود. بینایی رایانه ای ، که متمرکز بر پردازش تصویر مبتنی بر ماشین است ، اغلب با بینایی ماشین آمیخته می شود.پردازش زبان طبیعی. این پردازش زبان انسان توسط یک برنامه رایانه ای است. یکی از قدیمی ترین و شناخته شده ترین نمونه های NLP ، شناسایی هرزنامه است که به موضوع و متن نامه ایمیل نگاه می کند و در مورد ناخواسته بودن آن تصمیم می گیرد. رویکردهای فعلی NLP مبتنی بر یادگیری ماشین است. وظایف NLPشامل ترجمه متن ، تحلیل احساسات و تشخیص گفتار است. رباتیک این رشته مهندسی بر طراحی و ساخت ربات ها تمرکز دارد. از ربات ها اغلب برای انجام کارهایی استفاده می شود که انجام یا انجام مداوم آنها برای انسان دشوار است. به عنوان مثال ، از ربات ها در خطوط مونتاژ برای تولید ماشین یا توسط ناسا برای جابجایی اجسام بزرگ در فضا استفاده می شود. محققان همچنین از یادگیری ماشینی برای ساخت ربات هایی استفاده می کنند که می توانند در محیط های اجتماعی با یکدیگر تعامل داشته باشند.اتومبیل های خودران. وسایل نقلیه خودمختار از ترکیبی از دید رایانه ، تشخیص تصویر و یادگیری عمیق برای ایجاد مهارت خودکار در خلبانی یک وسیله نقلیه هنگام ماندن در یک خط مشخص و جلوگیری از انسداد غیر منتظره مانند عابران پیاده استفاده می کنند.تاریخچه هوش مصنوعیمفهوم اشیا inبی جان که دارای هوش هستند از دوران باستان وجود داشته است. خدای یونانی هفائستوس در افسانه ها به عنوان جعل بندگان ربات مانند از طلا به تصویر کشیده شده است. مهندسین در مصر باستان مجسمه هایی از خدایان ساخته اند که توسط کشیشان متحرک شده اند. در طول قرن ها، متفکران، از ارسطو تا 13 هفتم قرن الهیات اسپانیایی رامون لیول به رنه دکارت و توماس بیز ابزار و منطق از بار خود را برای توصیف فرآیندهای تفکر انسانی به عنوان علامت، تخمگذار پایه برای مفاهیم AIمانند به طور کلی استفاده دانش نمایندگی .اواخر 19 هفتم و نیمه اول 20 هفتم قرن چهارم کار بنیادی باشد که منجر به کامپیوتر مدرن را به ارمغان آورد. در سال 1836 ، ریاضیدان دانشگاه کمبریج ، چارلز بابیج و آگوستا آدا بایرون ، کنتس لوول ، اولین طرح را برای یک ماشین قابل برنامه ریزی اختراع کردند. در 1940s، پرینستون ریاضیدان جان فون نویمان تصور معماری برای کامپیوتر برنامه ذخیره شده - این ایده که یک کامپیوتر برنامه و داده آن را پردازش می توان در کامپیوتر می ریزه حافظه . و وارن مک کالوخ و والتر پیتس پایه و اساس شبکه های عصبی را بنا نهادند.با ظهور رایانه های مدرن ، دانشمندان می توانند ایده های خود را در مورد هوش ماشین آزمایش کنند. یک روش برای تعیین اینکه آیا کامپیوتر از هوش برخوردار است ، ریاضیدان انگلیسی و رمزگشای جنگ جهانی دوم ، آلن تورینگ ، در سال 1950 ابداع کرد. آزمون تورینگ بر توانایی کامپیوتر برای فریب بازجوها برای باور کردن پاسخ های آنها به سوالات آنها توسط یک انسان متمرکز بود. بودن.حوزه مدرن هوش مصنوعی به طور گسترده ای عنوان می شود که از سال 1956 در یک کنفرانس تابستانی در کالج دارتموث آغاز شده است. با حمایت مالی آژانس پروژه های تحقیقاتی پیشرفته دفاعی ( DARPA ) ، 10 نفر از مشاهیر حوزه در این همایش از جمله پیشگامان هوش مصنوعی ، ماروین مینسکی ، الیور سلفریج و جان مک کارتی ، که اعتبار ساخت اصطلاح هوش مصنوعی را به خود اختصاص داده اند ، حضور داشتند . همچنین آلن نیوول ، دانشمند کامپیوتر و هربرت آ. سیمون ، اقتصاددان ، دانشمند سیاسی و روانشناس شناختی ، حضور داشتند که نظریه پرداز پیشگام منطق خود را ارائه دادند ، یک برنامه رایانه ای که قادر به اثبات برخی از قضیه های ریاضی است و از آن به عنوان اولین برنامه هوش مصنوعی یاد می شود. .در پی کنفرانس کالج دارتموث ، رهبران حوزه تازه رشد هوش مصنوعی پیش بینی کردند که یک هوش انسانی ساخته شده توسط انسان معادل مغز انسان در گوشه گوشه قرار دارد و باعث جلب حمایت دولت و صنعت می شود. در واقع ، تقریباً 20 سال از تحقیقات اساسی با بودجه قابل توجهی ، پیشرفت چشمگیری در هوش مصنوعی ایجاد کرد: به عنوان مثال ، در اواخر دهه 1950 ، نیول و سایمون الگوریتم عمومی حل مسئله (GPS) را منتشر کردند ، که در حل مشکلات پیچیده کوتاهی می کرد اما پایه های لازم را برای در حال توسعه معماری های پیشرفته شناختی مک کارتی زبان Lisp را برای برنامه نویسی هوش مصنوعی توسعه داد که امروزه نیز مورد استفاده قرار می گیرد. در اواسط دهه 1960 پروفسور MIT ، جوزف وایزنباوم ، ELIZAرا ایجاد كرد ، یك برنامه اولیه پردازش زبان طبیعی كه پایه و اساس چت بات های امروزی را بنا نهاد.اما دستیابی به هوش عمومی مصنوعی به دلیل محدودیت های پردازش و حافظه رایانه ای و پیچیدگی مشکل ، دست نیافتنی و نه قریب الوقوع بود. دولت و شرکت های بزرگ از حمایت خود از تحقیقات هوش مصنوعی عقب نشینی کردند و منجر به دوره ای طولانی از 1974 تا 1980 شد و به عنوان اولین "زمستان هوش مصنوعی" شناخته شد. در دهه 1980 ، تحقیق در مورد تکنیک های یادگیری عمیق و استفاده از سیستم های تخصصی ادوارد فیگنباوم توسط صنعت موج جدیدی از اشتیاق به هوش مصنوعی را برانگیخت ، که در پی آن سقوط دیگری از بودجه دولت و حمایت از صنعت به وجود آمد. دومین زمستان هوش مصنوعی تا اواسط دهه 1990 ادامه داشت.افزایش توان محاسباتی و انفجار داده ها باعث ایجاد رنسانس هوش مصنوعی در اواخر دهه 1990 شد که تاکنون ادامه دارد. آخرین تمرکز بر هوش مصنوعی موجب پیشرفت در پردازش زبان طبیعی ، بینایی رایانه ، رباتیک ، یادگیری ماشین ، یادگیری عمیق و موارد دیگر شده است. علاوه بر این ، هوش مصنوعی ملموس تر می شود ، ماشین ها را نیرو می بخشد ، بیماری را تشخیص می دهد و نقش آن را در فرهنگ عامه تقویت می کند. در سال 1997 ، Deep Blueاز IBM ، گری کاسپاروف ، استاد بزرگ شطرنج روسیه را شکست داد و به اولین برنامه رایانه ای تبدیل شد که قهرمان شطرنج جهان را شکست داد. چهارده سال بعد ، واتسون IBM وقتی که در نمایش بازی Jeopardy دو قهرمان سابق را شکست داد ، مردم را مجذوب خود کرد !. اخیرا، شکست تاریخی 18 بار قهرمان جهان برو لی Sedol توسط گوگل DeepMindاست AlphaGo جامعه Goرا متحیر کرد و نقطه عطف مهمی در توسعه ماشین های هوشمند بود.کاربردهای هوش مصنوعیهوش مصنوعی به طیف گسترده ای از بازارها راه پیدا کرده است . در اینجا هشت نمونه آورده شده است.هوش مصنوعی در مراقبت های بهداشتی. بزرگترین شرط بندی ها در مورد بهبود نتایج بیمار و کاهش هزینه ها است. شرکت ها از روش یادگیری ماشینی برای تشخیص بهتر و سریعتر از انسان استفاده می کنند. یکی از شناخته شده ترین فناوری های مراقبت های بهداشتی IBM Watson است. این زبان طبیعی را می فهمد و می تواند به س questionsالات مطرح شده از آن پاسخ دهد. این سیستم داده های بیمار و سایر منابع داده موجود را برای تشکیل یک فرضیه استخراج می کند ، سپس آن را با یک طرح نمره گذاری اطمینان ارائه می دهد. سایر برنامه های هوش مصنوعی شامل استفاده از دستیارهای بهداشتی آنلاین و چت بات ها برای کمک به بیماران و مشتریان مراقبت های بهداشتی در یافتن اطلاعات پزشکی ، تعیین قرار ملاقات ها ، درک روند صورتحساب و تکمیل سایر مراحل اداری است. مجموعه ای از فناوری های هوش مصنوعی نیز برای پیش بینی ، مبارزه و درک استفاده می شودبیماری های همه گیر مانند COVID-19 .هوش مصنوعی در تجارت. الگوریتم های یادگیری ماشین در سیستم عامل های تجزیه و تحلیل و مدیریت ارتباط با مشتری ( CRM) ادغام می شوند تا اطلاعاتی را در مورد چگونگی خدمات بهتر به مشتریان کشف کنند. بات چت ها در وب سایت ها گنجانده شده اند تا خدمات فوری به مشتریان ارائه دهند. اتوماسیون موقعیت های شغلی نیز به یک نقطه صحبت در میان دانشگاهیان و تحلیل گران فناوری اطلاعات تبدیل شده است.هوش مصنوعی در آموزش. هوش مصنوعی می تواند درجه بندی را به صورت خودکار انجام دهد و به مربیان فرصت بیشتری می دهد. این می تواند دانش آموزان را ارزیابی کند و با نیازهای آنها سازگار شود و به آنها کمک کند تا با سرعت خود کار کنند. مربیان هوش مصنوعی می توانند به دانشجویان اطمینان دهند که آنها در مسیر خود قرار می گیرند ، پشتیبانی بیشتری می کنند. و این می تواند مکان و نحوه یادگیری دانش آموزان را تغییر دهد ، شاید حتی جای برخی از معلمان را بگیرد.هوش مصنوعی در امور مالی. هوش مصنوعی در برنامه های مالی شخصی ، مانند Intuit Mint یا TurboTax ، اخلال در موسسات مالی است. برنامه هایی از این دست ، داده های شخصی را جمع آوری می کنند و مشاوره مالی می دهند. برنامه های دیگری مانند IBM Watson در روند خرید خانه اعمال شده است. امروزه ، نرم افزار هوش مصنوعی بیشتر معاملات را در وال استریت انجام می دهد.هوش مصنوعی در قانون. روند کشف - غربال کردن اسناد - در قانون اغلب برای انسان طاقت فرسا است. استفاده از هوش مصنوعی برای کمک به خودکارسازی فرآیندهای کارگر صنعت حقوقی موجب صرفه جویی در وقت و بهبود خدمات مشتری می شود. بنگاه های حقوقی با استفاده از یادگیری ماشینی به توصیف داده ها و پیش بینی نتایج ، دید کامپیوتر برای طبقه بندی و استخراج اطلاعات از اسناد و پردازش زبان طبیعی برای تفسیر درخواست های اطلاعات می پردازند.هوش مصنوعی در ساخت. تولید در صف اول ورود ربات ها به گردش کار بوده است . به عنوان مثال ، ربات های صنعتی که در یک زمان برای انجام تک کارها برنامه ریزی شده بودند و از کارگران انسانی جدا شده بودند ، به طور فزاینده ای به عنوان کوبات عمل می کنند : ربات های کوچک و چند وظیفه ای که با انسان همکاری می کنند و مسئولیت قسمت های بیشتری از کار را در انبارها ، کف کارخانه بر عهده می گیرند. و سایر فضاهای کاری.هوش مصنوعی در امور بانکی. بانک ها با موفقیت از چت ربات ها استفاده می کنند تا مشتریان خود را از خدمات و پیشنهادات آگاه کنند و معاملات را انجام دهند که نیازی به دخالت انسان ندارند. از دستیارهای مجازی AI برای بهبود و کاهش هزینه های انطباق با مقررات بانکی استفاده می شود. سازمان های بانکی همچنین از هوش مصنوعی برای بهبود تصمیم گیری خود در مورد وام ها و تعیین محدودیت های اعتباری و شناسایی فرصت های سرمایه گذاری استفاده می کنند. هوش مصنوعی در حمل و نقل. علاوه بر نقش اساسی هوش مصنوعی در کار با وسایل نقلیه مستقل ، فناوری های هوش مصنوعی در حمل و نقل برای مدیریت ترافیک ، پیش بینی تأخیر پرواز و ایمن و کارآمدتر بودن حمل و نقل دریایی استفاده می شود.هوش مصنوعی در امنیتهوش مصنوعی و یادگیری ماشینی در بالای لیست سخنگویانی هستند که امروز فروشندگان امنیتی برای تمایز پیشنهادات خود از آن استفاده می کنند. این اصطلاحات همچنین فن آوری های واقعی را نشان می دهند. هوش مصنوعی و یادگیری ماشینی در محصولات امنیت سایبری برای تیم های امنیتی که به دنبال راه هایی برای شناسایی حملات ، بدافزار و سایر تهدیدات هستند ، ارزش واقعی می افزایند. سازمان ها برای شناسایی ناهنجاری ها و شناسایی فعالیت های مشکوک که نشانگر تهدیدها هستند ، از یادگیری ماشینی در نرم افزار اطلاعات امنیتی و مدیریت رویدادها ( SIEM) و مناطق مربوطه استفاده می کنند. با تجزیه و تحلیل داده ها و استفاده از منطق برای شناسایی شباهت ها با کد مخرب شناخته شده ، AIمی تواند هشدارهای مربوط به حملات جدید و جدید را بسیار زودتر از کارمندان انسانی و تکرارهای قبلی فناوری ارائه دهد.در نتیجه ، فناوری امنیتی AIهم به طور چشمگیری تعداد مثبت های کاذب را کاهش می دهد و هم به سازمان ها زمان بیشتری برای مقابله با تهدیدات واقعی قبل از آسیب رساندن می دهد. فناوری بلوغ نقش مهمی در کمک به سازمانها برای مقابله با حملات سایبری دارد.تنظیم فناوری هوش مصنوعیبا وجود خطرات احتمالی ، در حال حاضر مقررات کمی در مورد استفاده از ابزار هوش مصنوعی وجود دارد و در مواردی که قوانینی وجود دارد ، آنها معمولاً به طور غیر مستقیم مربوط به هوش مصنوعی هستند. به عنوان مثال ، همانطور که قبلاً ذکر شد ، مقررات وام منصفانه ایالات متحده ملزم است موسسات مالی تصمیمات اعتباری را برای مشتریان بالقوه توضیح دهند. این میزان وام دهندگان می تواند از الگوریتم های یادگیری عمیق استفاده کنند ، که به ذات خود مات هستند و قابل توضیح نیستند. مقررات عمومی حفاظت از داده های اتحادیه اروپا ( GDPR) محدودیت های شدیدی در نحوه استفاده شرکت ها از داده های مصرف کننده ایجاد می کند که مانع آموزش و عملکرد بسیاری از برنامه های کاربردی هوش مصنوعی رو به مصرف کننده می شود. در اکتبر 2016 ، شورای ملی علم و فناوری گزارشی را بررسی کرد که نقش احتمالی مقررات دولتی را در توسعه هوش مصنوعی می تواند بررسی کند ، اما توصیه نکرد که قانون خاصی در نظر گرفته شود. تدوین قوانین برای تنظیم هوش مصنوعی آسان نخواهد بود ، بخشی به این دلیل است که هوش مصنوعی شامل انواع فن آوری هایی است که شرکت ها برای اهداف مختلف استفاده می کنند و بخشی دیگر به این دلیل است که مقررات می توانند بهای پیشرفت و توسعه هوش مصنوعی را داشته باشند. تکامل سریع فن آوری های AI یکی دیگر از موانع شکل گیری تنظیم معنی دار AIاست. پیشرفت های تکنولوژی و کاربردهای جدید می تواند قوانین موجود را فوراً منسوخ کند. به عنوان مثال ، قوانین موجود تنظیم حریم خصوصی مکالمات و مکالمات ضبط شده چالشی را که توسط دستیارهای صوتی مانند آمازون Alexaو Siri اپل که جمع می شوند اما مکالمه را توزیع نمی کنند ، پوشش نمی دهد - به جز تیم های فناوری شرکت ها که از آن برای بهبود دستگاه استفاده می کنند الگوریتم های یادگیری و البته قوانینی که دولتها می توانند برای تنظیم هوش مصنوعی تهیه کنند.5G چیست؟اکنون همه شرکت های تلفن همراه ایالات متحده نوعی 5G را راه اندازی کرده اند. 5G چیست؟ 5G به سادگی مخفف نسل پنجم بی سیم تلفن همراه است. استانداردهای آن برای اولین بار در اواخر سال 2017 تنظیم شد. سه نوع سرویس 5Gاساسی وجود دارد: باند کم ، میان باند و باند بالا. همه آنها در حال حاضر ناسازگار هستند و عملکرد همه آنها متفاوت است. حتی اگر همه شرکت های مخابراتی ایالات متحده در حال حاضر 5G دارند ، اما چند سال دیگر طول می کشد تا شاهد تغییرات قابل توجهی در آن باشیم. برای مقایسه ، 5G برای اولین بار در سال 2010 عرضه شد و 2012/2013 قبل از محبوب شدن برنامه های اصلی که برای کار با 4Gنیاز داشتند ، بود. با این حال ، اریکسون ، ارائه دهنده پیشرو فناوری اطلاعات و ارتباطات (ICT) برای ارائه دهندگان خدمات ، تخمین می زند که تا سال 2024 ، 40٪ از جهان با 5G متصل شود."G" در 5G به معنای "نسل" است. 1G سرویس تلفن همراه آنالوگ بود. فناوری های 2G اولین نسل از فناوری های تلفن همراه دیجیتال بودند. فناوری های 3G سرعت را از 200 کیلوبیت بر ثانیه به چندین مگابیت در ثانیه بهبود بخشید. فناوری های 4G در حال حاضر صدها مگابیت بر ثانیه و حتی تا سطح گیگابیت سرعت ارائه می دهند. 5G چندین جنبه جدید را ارائه می دهد: کانال های بزرگتر برای ارائه سرعت بیشتر ، تأخیر کم برای پاسخگویی بیشتر و امکان اتصال همزمان دستگاه های بیشتر.هوش مصنوعی چه نقشی در شبکه های 5G بازی می کند؟پیچیدگی های زیادی در پذیرش شبکه های 5G وجود دارد و یکی از راه های رسیدگی صنعت به این پیچیدگی ها ، تلفیق هوش مصنوعی در شبکه ها است. هنگامی که اریکسون از تصمیم گیرندگان 132 شرکت تلفن همراه در سراسر جهان نظرسنجی کرد ، بیش از 50٪ اظهار داشتند که انتظار دارند تا پایان سال 2020 هوش مصنوعی را در شبکه های 5G خود ادغام کنند. تمرکز اصلی ادغام هوش مصنوعی کاهش هزینه های سرمایه ای ، بهینه سازی عملکرد شبکه و ایجاد درآمد جدید است. جریان ها 55٪ از تصمیم گیرندگان اظهار داشتند که هوش مصنوعی در حال حاضر برای بهبود خدمات مشتری و افزایش تجربه مشتری با بهبود کیفیت شبکه و ارائه خدمات شخصی استفاده می شود. 70٪ معتقدند که استفاده از هوش مصنوعی در برنامه ریزی شبکه بهترین روش برای جبران مجدد سرمایه گذاری های انجام شده در تغییر شبکه به 5G است. 64٪ از پاسخ دهندگان نظرسنجی تلاش های هوش مصنوعی خود را بر مدیریت عملکرد شبکه متمرکز می کنند. از دیگر مناطقی که تصمیم گیرندگان تلفن همراه قصد دارند سرمایه گذاری های هوش مصنوعی را متمرکز کنند ، مدیریت SLA ها ، چرخه های عمر محصول ، شبکه ها و درآمد است.البته چالش های مرتبط با ادغام هوش مصنوعی در شبکه های 5G وجود دارد. مکانیسم های موثری برای جمع آوری ، ساختار و تجزیه و تحلیل حجم عظیمی از داده های جمع آوری شده توسط هوش مصنوعی باید ایجاد شود. به همین دلیل ، متقاضیان اولیه هوش مصنوعی که راه حل هایی برای این چالش ها پیدا می کنند ، با اتصال شبکه های 5G ، به عنوان پیشگامان برجسته ظاهر می شوند.چرا 5Gبا حوزه هوش مصنوعی ارتباط دارد؟در حالی که تلفن های هوشمند ما به طور فزاینده ای کوچکتر شده اند ، الگوریتم های اصلی که آنها را اجرا می کنند از دهه 1990 پیشرفت نکرده اند. بنابراین ، سیستم های 5G به مراتب بیش از حد موردنظر مصرف می کنند و نرخ داده کمتری از حد انتظار را به دست می آورند. جایگزینی الگوریتم های بی سیم سنتی با هوش مصنوعی یادگیری عمیق باعث کاهش چشمگیر مصرف انرژی و بهبود عملکرد می شود. این رویکرد اساساً مهمتر از تمرکز هوش مصنوعی در درجه اول روی مدیریت و برنامه ریزی شبکه خواهد بود.علاوه بر این ، پهنای باند مورد استفاده توسط شبکه های تلفن همراه فعلی در طیف رادیویی کار می کند. به امواج الکترومغناطیسی در محدوده فرکانس طیف رادیویی امواج رادیویی گفته می شود. امواج رادیویی ، همراه با تعداد زیادی از فن آوری های مدرن ، در ارتباطات از راه دور بسیار مورد استفاده قرار می گیرند. قوانین ملی به طور دقیق دخالت بین کاربران امواج رادیویی مختلف را تنظیم می کند و اتحادیه بین المللی مخابرات (ITU) بر هماهنگی این قوانین نظارت می کند. این نگرانی وجود دارد که استفاده روز افزون از فن آوری های بی سیم باعث ازدحام بیش از حد امواج دستگاه های ما برای برقراری ارتباط با یکدیگر شود. یکی از روشهای پیشنهادی برای حل این مسئله ، توسعه دستگاههای ارتباطی است که هر بار با یک فرکانس یکسان پخش نمی شوند. سپس از طریق الگوریتم های هوش مصنوعی می توان فرکانس های موجود را با استفاده از آگاهی هوشمند از فعالیت RFکه قبلاً امکان پذیر نبود ، پیدا کرد.5G و زمینه هوش مصنوعیدر حالی که 5Gتا 20 برابر سریعتر از 4G است ، سرعتهای فراتر از سرعت سریع را نیز ارائه می دهد. سرعت 5Gبه دلیل تأخیر کم ، به توسعه دهندگان این امکان را می دهد تا برنامه هایی ایجاد کنند که از زمان بهبود یافته پاسخ ، از جمله انتقال ویدئو نزدیک به زمان واقعی برای رویدادهای ورزشی یا اهداف امنیتی ، بهره کافی را ببرند. علاوه بر این ، اتصال 5Gامکان دسترسی بیشتر به داده های زمان واقعی از راه حل های مختلف را فراهم می کند. 5G از سنسورهای اینترنت اشیا ((اینترنت اشیا) استفاده می کند که سالها دوام می آورند و برای کارکرد به انرژی بسیار کمتری نیاز دارند. این امر می تواند سطح آبیاری کشاورزی و تغییرات شرایط تجهیزات را از راه دور در کارخانه ها تشخیص دهد. پزشکان می توانستند با سهولت بیشتری به داده های بیمار دسترسی داشته باشند. همه این فرصت ها نیاز به استفاده از هوش مصنوعی برای عملکردی بودن آنها دارند.تکامل هوش مصنوعی (AI)5G چگونه به هوش مصنوعی کمک می کند؟Edge computing مفهوم پردازش و تجزیه و تحلیل داده ها در سرورهای نزدیک به برنامه هایی است که آنها ارائه می دهند. در حالی که محبوبیت و افتتاح بازارهای جدیدی برای ارائه دهندگان خدمات مخابراتی رو به رشد است ، در میان صنایع دیگر ، بسیاری اظهار داشتند که معرفی محصولات "متصل" مانند لیوان قهوه و قرص های قرص ، باعث رشد بازار مطابق انتظار نشد. پیشرفت های اخیر فناوری هوش مصنوعی ، انقلابی در صنایع و مقدار ارزشی که تمام این ارتباطات می تواند با ترکیب داده های بزرگ ، اینترنت اشیا و هوش مصنوعی فراهم کند ، آغاز شده است.5G این انقلاب را تسریع می کند زیرا معماری شبکه 5G به راحتی از پردازش هوش مصنوعی پشتیبانی می کند. معماری شبکه 5Gآینده هوش مصنوعی را تغییر خواهد داد. 5G سرعت و یکپارچه سازی سایر فناوری ها را افزایش می دهد ، در حالی که هوش مصنوعی به ماشین ها و سیستم ها امکان می دهد با سطح هوش مشابه انسان کار کنند. به طور خلاصه ، 5G سرعت خدمات را در ابر افزایش می دهد در حالی که هوش مصنوعی سریعتر همان داده ها را تجزیه و تحلیل و یاد می گیرد.5G و AI: ترکیبی بالقوه بالقوهسخنرانی هفته گذشته ایالات متحده در اتحادیه ایالات متحده توسط رئیس جمهور دونالد ج. ترامپ قول داد که قانون سرمایه گذاری در "صنایع پیشرفته آینده" انجام شود. کاخ سفید بدون جزئیات زیادی در ابتدا ، جاهای خالی را با پیشنهاد "تعهد پرزیدنت ترامپ به رهبری آمریکا در زمینه هوش مصنوعی ، بی سیم 5G ، علوم کوانتومی و تولید پیشرفته تضمین می کند که این فناوری ها به نفع مردم آمریکا و نوآوری آمریکایی است" اکوسیستم برای نسلهای بعدی حسادت جهانیان باقی مانده است. " این در شرایطی اتفاق می افتد که کشورهایی مانند چین واقعاً در این فناوری ها یک گام به جلو برداشته اند و شرکت مخابرات چینی هواوی به ویژه پیشرفت چشمگیری داشته است. در سطح جهانی ، باید بدانیم که 5G در چهارراه سرعت قرار دارد که توانایی پردازش برای هوش مصنوعی را تغییر می دهد و شکاف بین پردازش در ابر در مقابل دستگاه ها را کاهش می دهد. همچنین این شرکت سهم عمده ای در پیشبرد پردازش متمرکز خواهد داشت. 5G بحث پیرامون رایانه لبه هوش مصنوعی را بی ربط می کند. سرعتی را که 5G می تواند از نظر پهنای باند ، تأخیر میلی ثانیه و اتصالات قابل اطمینان ارائه دهد ، در گیگابایت تصور کنید. معماری شبکه به راحتی از پردازش هوش مصنوعی پشتیبانی می کند و چشم انداز هوش مصنوعی را تغییر می دهد. برای ارائه برخی زمینه ها ، شناخت چگونگی تعبیه 5G و AIدر یکدیگر مهم است. 5G به عنوان نسل بعدی فناوری ارتباطات سیار آینده نزدیک توصیف می شود و سرعت و تلفیق فناوری های مختلف را افزایش می دهد. این امر به سرعت ، کیفیت خدمات ، قابلیت اطمینان و موارد بسیار بیشتری انجام خواهد شد که می تواند روش فعلی ما برای استفاده از اینترنت و خدمات مربوط به آن را تغییر دهد. از طرف دیگر ، ما باید درک کنیم که هوش مصنوعی آماده است تا به ماشین ها و سیستم ها اجازه دهد با سطح هوشی مشابه انسان کار کنند. با کمک 5Gدر پس زمینه شبیه سازی های آنلاین برای تجزیه و تحلیل ، استدلال ، برازش داده ها ، خوشه بندی و بهینه سازی ، هوش مصنوعی با سرعت نور قابل اطمینان تر و قابل دسترسی تر می شود. تصور کنید که هنگامی که سیستم های خود را برای انجام برخی وظایف آموزش دادید ، انجام تجزیه و تحلیل به صورت خودکار و سریعتر انجام می شود در حالی که هزینه بسیار کمتری دارد.به زبان ساده ، 5Gخدماتی را که ممکن است روی cloud داشته باشید سرعت می بخشد ، تاثیری مشابه محلی بودن سرویس است. هوش مصنوعی سریعتر همان داده ها را تجزیه و تحلیل می کند و می تواند سریعتر یاد بگیرد تا بتواند بر اساس نیازهای کاربران توسعه یابد. 5G همچنین نوید پیشرفت چشمگیری در سیستم های سنتی ارتباطات سیار می دهد. 5G قصد دارد قابلیت های شبکه های سنتی ما را افزایش دهد. حتی سرعتی که از طریق سیم یا فیبر به دست می آوریم در شبکه 5G بسیار فراتر رفته و برای پشتیبانی از کاربردهای اینترنت اشیا در زمینه های مختلف از جمله تجارت ، تولید ، مراقبت های بهداشتی و حمل و نقل تکامل می یابد. 5Gبه عنوان فن آوری اساسی برای فناوری های آینده اینترنت اشیا که کل سازمان ها را به هم متصل و فعالیت می کنند ، خدمت خواهد کرد ، هدف پشتیبانی از برنامه های متمایز با یک چارچوب فنی یکنواخت است. با این حال ، با توسعه سریع ، AI به عنوان یک پشتیبانی بالقوه امیدوار کننده از مشکلات مرتبط با دوران 5G تبدیل می شود و به مفاهیم و قابلیت های انقلابی در ارتباطات منجر می شود. این امر همچنین با شیوع بیشتر نیازهای تجاری ، بازی را در دنیای برنامه ها "بالا" می برد. همانطور که گفته شد ، فاصله بین پردازش ابری و پردازش روی دستگاه از بین خواهد رفت. تقویت رویای عظیم شبکه اینترنت اشیا عملی تر خواهد شد. در حقیقت ، 5G به تأثیر قابل توجهی در پردازش هوش مصنوعی نیاز دارد. در این میان ، به دلیل اینکه برنامه های هوش مصنوعی به جای انتظار برای استقرار 5G، در دستگاه ها ادغام می شوند ، به نظر می رسد یک استراتژی ایمن برای اتکا به پردازش هوش مصنوعی مبتنی بر دستگاه وجود دارد. با این حال ، یک چیز مطمئناً است: فشار این است که یکپارچه سازی 5G و AIروی تراشه های مشابه در تلفن های همراه همراه شما اتفاق بیفتد و این تلفن ها را نیز هوشمندتر کند.حال سواال این است که آیا ما آماده دیدن این اتفاق هستیم؟ خوب ، در حال حاضر در برخی از کشورهای جهان شروع به آشکار شدن می کند ، با رهبری چین. به نظر می رسد عرصه تلفن های هوشمند به ویژه رقابتی است که می تواند باعث پذیرش زودتر و تغییر شبکه ها شود. از خطوط امنیتی تا خطوط اطمینان آماده باشید ، زیرا ما باید زودتر از گذشته خود را با همان استانداردها سازگار کنیم.نحوه یادگیری ماشین چگونه بر فناوری بی سیم 5G تأثیر می گذارد؟یادگیری ماشینی چیست؟به زبان ساده ، یادگیری ماشین (ML) زیرمجموعه ای از هوش مصنوعی است که الگوریتم ها و مدل های آماری را برای انجام یک کار خاص بدون استفاده از دستورالعمل های صریح ، با تکیه بر الگوها و استنباط ها ایجاد می کند. الگوریتم های ML مدل های ریاضی را بر اساس داده های نمونه ، داده های آموزشی ، برای پیش بینی یا تصمیم گیری بدون برنامه ریزی خاص برای آن کار می سازند. الگوریتم های پردازش سیگنال یاد گرفته شده می توانند نسل بعدی سیستم های بی سیم را با کاهش قابل توجهی در مصرف برق و بهبود چگالی ، توان و دقت در مقایسه با سیستم های شکننده و طراحی دستی امروزی ، توانمند سازند. یادگیری عمیق زیرمجموعه ای از یادگیری ماشین است که در آن الگوریتم های مورد استفاده دارای سطوح مختلفی هستند که هر یک تفسیر متفاوتی از داده ها ارائه می دهند. شبکه بعدی الگوریتم ها به شبکه های عصبی مصنوعی معروف است زیرا شباهت زیادی به شبکه های عصبی مغز انسان دارد. شبکه های عصبی که یاد می گیرند چگونه حتی به دلیل نقص های شدید ارتباط برقرار کنند ، به سرعت به واقعیت تبدیل می شوند.هوش مصنوعی ، یادگیری ماشینی و یادگیری عمیقچگونه می توانیم یادگیری ماشین و هوش مصنوعی را برای 5G اهرم کنیم؟یک شبکه 5Gکاملاً عملیاتی و کارآمد بدون هوش مصنوعی کامل نمی شود. ادغام ML و AIدر لبه شبکه می تواند با استفاده از شبکه های 5Gحاصل شود. 5G امکان اتصال همزمان به چندین دستگاه اینترنت اشیا فعال را فراهم می کند و حجم عظیمی از داده ها را تولید می کند که باید با استفاده از ML و AIپردازش شوند.هنگامی که MLو AI با رایانه لبه چند دسترسی 5G (MEC) ادغام می شوند ، ارائه دهندگان بی سیم می توانند:1. سطوح بالای اتوماسیون از ساختار توزیع شده MLو AI در لبه شبکه2. فرمان ترافیک مبتنی بر برنامه در سراسر شبکه های دسترسی3. برش شبکه پویا برای رسیدگی به سناریوهای مختلف با کیفیت متفاوت خدمات (QoS) مورد نیاز5G می تواند یک عامل اصلی برای هدایت ادغام ML و AIدر لبه شبکه باشد. شکل زیر نشان می دهد که چگونه 5Gارتباطات همزمان را با چندین دستگاه اینترنت اشیا generaایجاد می کند که حجم عظیمی از داده ها را تولید می کند. ادغام MLو AI با 5G multi-access edge computing (MEC) اپراتورهای بی سیم را قادر می سازد تا:1. سطح بالایی از اتوماسیون از ساختار توزیع شده ML و AIدر لبه شبکه2. فرمان و تجمع ترافیکی مبتنی بر برنامه در شبکه های دسترسی ناهمگن3. برش شبکه پویا برای رسیدگی به موارد استفاده متنوع با الزامات QoSمختلف4. ارائه ML / AI به عنوان یک سرویس برای کاربران نهاییچرا یادگیری ماشین برای سیستم های بی سیم 5G مهم است؟شبکه های 4Gموجود برای انتقال از اتصال باند پهن پروتکل اینترنت (IP) استفاده می کنند که بازده ضعیفی را ارائه می دهد. MLو AI به شبکه های 5Gامکان پیش بینی و پیشگیری را می دهند ، که برای عملکرد شبکه های 5G ضروری است. با ادغام MLدر فناوری 5G ، ایستگاه های پایه هوشمند قادر به تصمیم گیری برای خود خواهند بود و دستگاه های تلفن همراه قادر به ایجاد خوشه های سازگار با پویایی بر اساس داده های آموخته شده هستند. این کارایی ، تأخیر و قابلیت اطمینان برنامه های شبکه را بهبود می بخشد.پتانسیل ها و محدودیت های یادگیری ماشین برای ارتباطات 5Gبا پیچیده شدن شبکه 5Gو ظهور کاربردهای جدیدی از جمله اتومبیل های خودکار ، اتوماسیون صنعتی ، واقعیت مجازی ، سلامت الکترونیکی و سایر موارد ، MLبرای تحقق چشم انداز 5G ضروری خواهد شد. مانند هر فناوری جدید ، هم پتانسیل های قابل توجهی برای دستیابی وجود دارد و هم محدودیت هایی که باید برطرف شوند.پتانسیل های MLبرای ارتباطات 5G عبارتند از:باند پهن موبایل پیشرفته (eMBB): به برنامه های جدید با تقاضای میزان داده بالاتر در یک منطقه تحت پوشش یکنواخت اجازه می دهد. به عنوان مثال می توان به پخش ویدئو با کیفیت فوق العاده بالا و واقعیت مجازی اشاره کرد.ارتباطات عظیم از نوع ماشین (mMTC):مشخصه اصلی خدمات ارتباطی 5G تقاضای اتصال مقیاس پذیر برای گسترش تعداد دستگاه های بی سیم با انتقال کارآمد مقدار کمی داده در مناطق تحت پوشش گسترده است. برنامه هایی مانند شبکه های منطقه بدن ، خانه های هوشمند ، اینترنت اشیا و تحویل هواپیماهای بدون سرنشین این نوع ترافیک را ایجاد می کنند. mMTC باید بتواند از کاربردهای جدید و هنوز پیش بینی نشده پشتیبانی کند.ارتباطات با تاخیر کم فوق العاده قابل اطمینان (URLLC):مراقبت های بهداشتی متصل ، جراحی از راه دور ، برنامه های مهم مأموریت ، رانندگی خودکار ، ارتباطات خودرو به وسیله نقلیه (V2V) ، اتصال قطار سریع السیر و برنامه های صنعت هوشمند قابلیت اطمینان را در اولویت قرار می دهند ، کم تاخیر ، و تحرک بیش از نرخ داده.محدودیت های MLبرای ارتباطات 5G عبارتند از:داده ها: داده های با کیفیت بالا برای برنامه های کاربردی MLضروری است ، و نوع داده ها (دارای برچسب یا بدون برچسب) یک عامل حیاتی در هنگام تصمیم گیری برای استفاده از نوع یادگیری است. MLفقط به اندازه داده هایی است که دریافت می کند.قضیه بدون ناهار رایگان: این قضیه بیان می کند که اگر میانگین توزیع های ایجاد شده داده ها به طور متوسط باشد ، هر الگوریتم ML هنگام استنباط داده های مشاهده نشده ، عملکرد یکسانی خواهد داشت. این بدان معنی است که هدف MLجستجوی بهترین الگوریتم یادگیری مطلق نیست ، بلکه درک این است که چه نوع توزیعی مربوط به یک برنامه خاص 5G است و کدام الگوریتم ML بهترین عملکرد را در آن داده خاص دارد.انتخاب Hyperparameters: Hyperparameters مقادیری است که قبل از شروع آموزش در الگوریتم های ML تنظیم شده است. این مقادیر باید با دقت انتخاب شوند زیرا بر پارامترهای نهایی که از نتایج یادگیری به روز می شوند تأثیر می گذارند.تفسیر پذیری در مقابل دقت: از دید ذینفعان ، درک متقابل متقابل متغیرهای مستقل دشوار است و ممکن است همیشه منطقی تجارت نباشد. بنابراین ، باید بین تفسیر داده ها و صحت کامل داد و ستد شود.حریم خصوصی و امنیت: الگوریتم های ML ممکن است مورد حملات خصمانه قرار بگیرند ، مانند تغییر در یک نمونه ورودی ، مدل را مجبور به طبقه بندی آن در دسته ای متفاوت از کلاس اصلی خود کند.عرضه جهانی 5Gتا سال 2025 ، شبکه های 5G احتمالاً یک سوم جمعیت جهان را پوشش می دهند. تأثیر آن بر صنعت موبایل و مشتریان آن عمیق خواهد بود. 5G بیش از نسل جدید فناوری است. این دوره جدیدی را نشان می دهد که در آن اتصال به طور فزاینده ای روان و انعطاف پذیر خواهد شد. شبکه های 5G با برنامه ها سازگار می شوند و عملکرد دقیقاً متناسب با نیازهای کاربر تنظیم می شود.GSMA با همکاری نزدیک با اپراتورهای تلفن همراه که پیشگام 5G هستند ، با دولت ها ، صنایع عمودی از جمله خودرو ، خدمات مالی ، ارائه دهندگان خدمات بهداشتی ، اپراتورهای حمل و نقل ، تاسیسات و سایر بخش های صنعت در ارتباط است تا پرونده های تجاری 5G را توسعه دهد.نوآوریهای برتر 5G در Horizonبا تمام این پتانسیل برای استفاده از ML و AI برای ادغام در شبکه های 5G ، صنایع در حال حاضر هستند کار در جهت نوآوری با 5G. برخی از برترین نوآوری های موجود در این افق عبارتند از::Sports ویژگی های پیشرفته 5G مشاهده مانند مشاهده سه بعدی و موارد مختلف را فراهم می کند چشم اندازهای یک بازی زنده.واقعیت مجازی بی سیم (VR): با 5G ، کاربران می توانند از محتوای VR در هر مکان و هر زمان لذت ببرند.واقعیت افزوده5G :(AR)خدمات واقع گرایانه AR مانند باغ وحش های مجازی را ارائه می دهد.اجراهای زنده: 5G عملکردهای بسیار عالی با کیفیت بالا را از دستگاه های بی سیم ارائه می دهد.پخش جریانی بازی: بازی ها از طریق 5G روی ابر پردازش می شوند و در حالی که اجازه می دهند به صورت جریانی پخش می شوندآوازخوانی آنلاین: بسیاری از افراد می توانند با استفاده از قابلیت های 5G به صورت آنلاین آواز بخوانند.اتومبیل های خودران: این فناوری به قدرت محاسباتی احتیاج دارد که فقط می توان به آن دست یافت از طریق شبکه های 5G و هوش مصنوعی به عنوان نقشه های سه بعدی شهرها در وسایل نقلیه در آپلود می شوند زمان واقعی ، ترافیک به روز می شود و به روزرسانی های نرم افزاری از طریق آن انجام می شود.5G از شکلهای موج RAN استاندارد صنعت مانند "5G New Radio Interface Air" استفاده می کند توسعه یافته توسط کمیته بین المللی 3GPP. برای دستیابی به بهبود عملکرد در 5G ، DeepSig's OmniPHY ضمن حفظ سازگاری ، AI را جایگزین الگوریتم های پردازش با استاندارد 3GPP 5G. موجود می کند.الگوریتم های پیشرفته DeepSig در 5G RAN به کاهش قدرت ، کاهش هزینه قطعات کمک می کند ، تراکم و عملکرد دستگاه را افزایش دهید و 5G BTS را کارایی و استفاده کنید استقرار از نظر OpEx و CapEx ارزان تر و مستقل تر است.DeepSig سرمایه گذاری زیادی در استفاده از AI برای 5G و سایر فناوری های بی سیم مصرف کننده دارد ، و به سرعت با نرم افزار OmniPHY این قابلیت ها را توسعه ، بررسی و تولید می کند محصول در اجرای NR L1 RAN محکم همراه است.خانه بی سیم: برخی از قدیمی ترین دستگاه های 5G دارای نقاط اتصال بی سیم برای کل خانه هستند.اسکنرهای کم مصرف مانند تجهیزات خاص مزرعه ، خودپردازها ، تجهیزات پزشکی وماشین آلات سنگین کنترل از راه دور: این موارد نیازی به اتصال و اراده دائمی ندارند بنابراین می توانید 10 سال با همان باتری کار کنید در حالی که هنوز به صورت دوره ای داده ارسال می کنید. تکنسین های دارای مهارت های تخصصی قادر به کار با ماشین آلات از هر نقطه در جهان خواهند بود.ایمنی و زیرساخت های عمومی: شهرها و سایر شهرداری ها می توانند فعالیت بیشتری داشته باشند با استفاده موثر از شبکه های 5G. شرکت های تاسیساتی قادر خواهند بود تا از راه دور ، حسگرها را ردیابی کنند می تواند هنگام سیلاب زباله یا خاموش شدن چراغ های خیابان ، و اداره ها به کارهای عمومی اطلاع دهد قادر به نصب سریع و ارزان دوربین های نظارتی خواهد بود.بهداشت و درمان: پزشکی از راه دور ، بهبودی از راه دور ، فیزیوتراپی از طریق AR ، جراحی دقیق و حتی جراحی از راه دور همه احتمالات است. بیمارستان ها قادر به ایجاد شبکه های حسگر برای نظارت هستند بیماران ، پزشکان قادر به تجویز قرص های هوشمند برای پیگیری انطباق هستند و بیمه ها نیز چنین خواهند کرد قادر به نظارت بر مشترکان برای تعیین روشهای درمانی و مناسب است.

انواع روش های مدیریت پروژه در توسعه نرم افزار

سیدمحمدحسین سلیم بهرامی — Tue, 20 Jul 2021 09:19:22 +0430

مدیریت پروژه و روش های آن چیست؟بکارگیری دانش، مهارت ها، ابزارها و تکنیک ها در فعالیت های پروژه جهت رسیدن به اهداف پروژه، بهترین معرفی برای مدیریت پروژه است. بسیاری از کسب و کارها از طریق تکمیل پروژه ها به اهداف خود دست می یابند. معمولا در پروژه ها با محدودیت زمان، بودجه و چالش های مدیریت منابع انسانی رو به رو هستیم. مدیران پروژه، لازم است تمام این عوامل را شناسایی، کنترل و مدیریت کرده و هنگام نیاز، اقدامات اصلاحی را انجام دهند.مهارت های تصمیم گیری در کسب و کار، مهارت های حل مسئله ، ابزارهای خلاقیت و خلق مدل کسب و کار از جمله مواردی هستند که با مدیریت پروژه و دستیابی به اهداف پروژه ارتباط تنگاتنگ دارند.روش های مدیریت پروژهآشنایی با ابزارها، نرم افزارهای مدیریت پروژه و روش های اصلی مدیریت پروژه میتوانند در موفقیت پروژه هایتان مفید واقع شوند.1. مدیریت پروژه بر اساس استاندارد PMBOKیکی از روش های مدیریت پروژه، پمباک (Project Management Body of Knowledge) نام دارد. این روش بر مهارت های متداول مدیریت پروژه مانند بودجه بندی و مدیریت ورودی ها و خروجی ها تمرکز دارد. PMBOK یا همان پمباک اغلب در ایالت متحده مورد استفاده قرار میگیرد.مزایای مدیریت پروژه بر اساس استانداردPMBOK :دستیابی به اهداف کسب و کار سازمانبرآورده کردن انتظارات ذینفعانافزایش شانس موفقیت سازمانتحویل محصول مناسب در زمان مناسبحل کردن مسائل و مشکلات سازمانپاسخ دادن به موقع به ریسک هابهینه سازی استفاده از منابع سازمانایجاد توازن بین محدودیت های پروژه2. مدیریت پروژه بر اساس استاندارد PRINCE2مورد دیگر"PRINCE2" نام دارد که به معنی پروژه ها در محیط کنترل شده میباشد. این رویکرد معتبر به طور گسترده در ایالت متحده و سایر کشورهای انگلیسی زبان مورد استفاده قرار میگیرد و جهت تعیین نقش افراد، حفظ خطوط ارتباطی باز، مدیریت خطرات پروژه و تعیین هزینه های پایه به کار میرود.برخی از مزایای بکـارگیری PRINCE2 بـرای مـدیران و سهامداران پروژه عبارتند از:شروع، پیشروی و پایان کنترل شده پروژهبازنگری منظم در پیشرفت پروژه و میـزان انطبـاق آن با برنامه و نمونه تجاری از پیش تعریف شدهدارا بودن نقاط تصمیم گیری قابل انعطافمدیریت و کنترل اتوماتیک انحرافات از برنامهقراردادن سهامداران و مدیران پروژه در یک موقعیـت زمانی و مکانی صحیحایجاد کانال ارتباطی صحیح ما بـین پـروژه، مـدیریت پروژه و اجرای آن3. مدیریت پروژه بر اساس استاندارد APMیا اجایل یا چابکروش محبوب دیگر در مدیریت پروژه (APM- Agile Project Management) نام دارد. این روش اغلب برای پروژه هایی در محیط های پیچیده و درحال تغییر به خوبی کارساز است. چراکه این امکان را برای افراد فراهم میکند تا واکنش منعطفی را در مقابل الزامات و نیازهای در حال تغییر داشته باشند.مزایای مدیریت پروژه APM· نرم افزار سریعتر نصب و راه اندازی می شود بنابراین مشتری شما ارزش محصول را زودتر دریافت می کند.· منابع کمتری به هدر می دهید چرا که همیشه بر روی وظایف به روز کار می کنید· با تغییرات بهتر تطابق پیدا می کنید و سریع تر به آنها پاسخ می دهید.· زمان برگشت های سریع تر و انعطاف پذیری بیشتری دارید.· مشکلات و نقص های نرم افزار را سریعتر شناسایی و برطرف می کنید.· زمان کمتری را صرف بوروکراسی سازمانی و چنین کارهای بی معنایی می کنید.· یک اجتماع بزرگ استفاده گنندگان از مدیریت چابک وجود دارد که شما می توانید با آنها به تسهیم دانش بپردازید.· می توانید بازخوردهای فوری از نتایج کار خود دریافت کنید که این امر باعث بهبود روحیه تیمی نیز می شود.· توسعه دهندگان با استفاده از بازخورد تضمین کیفیت (QA feedback) می توانند توانایی کد زدن خود را بهبود بخشند.· نیازی نیست نگران بهینه سازی های قبل از موعد باشید.· می توانید ایده هایی که حین کار به ذهنتان می رسد را آزمایش کنید چرا که هزینه ی این کار بسیار کم است.معایب مدیریت پروژه APMبا این حال که مدیریت APM مزایای بسیاری دارد اما آگاهی از محدودیت ها و ریسک هایی که به همراه دارد نیز بسیار مهم است. در ادامه چند مورد از این دست را برشمردیم:• فرآیند مستند سازی اطلاعات در مدیریت به سبک اجایل به حاشیه کشانده می شود که این امر هماهنگی و انطباق اعضای جدید با گروه را مشکل می کند.• اندازه گیری میزان پیشزفت کار در مدیریت چابک بسیار دشوارتر از مدیریت آبشاری است چرا که پیشرفت پروژه در دل چندین چرخه صورت می گیرد.• مدیریت اجایل نیازمند گرفتن زمان و انرژی بیشتری از همه ی اعضای درگیر در پروژه است چرا که توسعه دهندگان و مشتریان باید به طور دائم با یکدیگر تعامل داشته باشند.• وقتی کار تیم توسعه دهنده تمام می شود آنها نمی توانند درگیر پروژه دیگری شوند. چرا که به زودی حضور آنها در تیم نیاز می شود.• پروژه ها می توانند تا ابد ادامه پیدا کنند چرا که هیچ خزش دامنه مشخص و محدوده خاصی برای ویژگی های محصول وجود ندارد.• مشتریانی که بودجه و فهرست مشخص و از پیش تعیین شده ای برای پروژه خود در نظر گرفته اند نمی توانند متوجه شوند پروژه در نهایت چقدر برایشان هزینه خواهد داشت که این امر چرخه فروش را دشوار خواهد کرد.(اینکه برای دانستن هزینه واقعی پروژه باید تا پایان آن صبر کرد چیزی نیست که مشتریان از شنیدن آن خوششان بیاید.• محصولات به طور کلی از لحاظ تجربه کاربری و طراحی دارای نقصهایی هستند که منجر به این می شود که شما بیشتر بر روی محصول کار کنید• ممکن است تیم برای تحویل عملکرد های جدید به حاشیه کشیده شود و این امر به قیمت قصور فنی (technical debt) در پروژه شما و افزایش مقدار کار برنامه ریزی نشده تمام می شود.• امکاناتی(features) که قابل برنامه ریزی دریک یا حتی چند چرخه مدیریت چابک نباشند اصلا اجرا نمی شوند چرا که قابل انطباق با ماهیت مدیریت اجایل نیستند.• شما نیازمند یک دیدگاه بلند مدت برای محصول خود هستید و به طور فعال باید ارتباط برقرار کردن با آن کار کنید.• محصولات پیوستگی ندارند و تجربه کاربر از محصول نیز به صورت تقسیم شده و تکه تکه است چرا که طراحی محصول و تکمیل هر یک از ویژگی ها به صورت تقسیم شده است. هر چه زمان تولید محصول بیشتر باشد بخش های نرم افزار پیوستگی کمتری دارند.• چرخه های کوتاه مدت زمان زیادی برای فرآیند تفکر در مورد طراحی محصول باقی نمی گذارند بنابراین توسعه دهندگان باید براساس بازخوردخای منفی و تجربه بارها و بارها به توسعه مجدد بپردازند.

اصول و فرآیند آزمون، آزمون آلفا و بتا

سیدمحمدحسین سلیم بهرامی — Tue, 20 Jul 2021 09:11:24 +0430

اصول و فرآیند آزمونتست نرم‌افزار به فرایند ارزیابی یک نرم‌افزار به منظور تشخیص تفاوت بین ورودی و خروجی مورد انتظار گفته می‌شود. علاوه بر آن تست نرم‌افزار ارزیابی امکانات و ویژگی‌های یک نرم‌افزار را نیز شامل می‌شود. به عبارت دیگر تست نرم‌افزار یک فرایندی است که به وسیله آن می‌توانیم اطلاعاتی در رابطه با کیفیت نرم‌افزار بدست آوریم که شامل تایید و اعتبارسنجی است.1- تایید : (Verification) در این مرحله اطمینان حاصل می‌شود که آیا نرم‌افزار مورد نظر، با توجه به انتظار ما رفتار می‌کند یا خیر.2- اعتبار سنج : (Validation) این مرحله مشخص‌کننده این موضوع است که آیا نرم‌افزار نیازمندی‌ها را پاسخ‌گو هست یا خیر.انواع رویکرد تست دو رویکرد برای تست داریم که این دونوع مشخص‌کننده نحوه طراحی تست‌های ما هستند:1- :Blackbox Testing در این رویکرد، تست تمامی مکانیسم‌های داخلی یک سیستم نادیده گرفته می‌شود و روی خروجی تولید شده تمرکز می‌شود. به این رویکرد تست functional نیز می‌گویند.2-Whitebox Testing: در این رویکرد، تست ما با مکانیستم داخلی یک سیستم سرو کار داریم. به این نوع تست structural تست نیز گفته می‌شود.همیشه یکی از مهم ترین بحث ها در طراحی و پیاده سازی نرم افزارها، کارکرد درست سیستم طراحی شده می باشد. با رشد سیستم و توسعه چندین ساله آن توسط تیم های نرم افزار، کارکرد درست و بدون اشکال همه قسمت های آن همیشه یکی از دغدغه های برنامه نویسان می باشد.برای همین تست های مختلف تعریف و طراحی شده اند که به تیم های نرم افزاری کمک می کنند نرم افزاری های کم اشکال یا بی اشکالی را تولید نمایند. در فرآیند تست و ارزیابی نرم‌افزار، تست های مختلفی تعریف می شوند که هر یک از آنها در مرحله خاصی استفاده می شوند. تست نرم افزار در 10 سطح انجام میگیرد که به صورت ذیل است:1-Unit Testing : در این نوع تست ما یک واحد و یا یک گروه از واحدهای مرتبط با هم را تست می‌کنیم. این نوع تست زیر مجموعه Whitebox Testing است.2-Integration Testing: این نوع تست به ما این امکان را می‌دهد که چند نوع کامپننت مختلف را کنار یکدیگر تست کنیم. در این صورت حتی ما می‌توانیم وابستگی‌های میان سخت‌افزار و نرم‌افزار را نیز بیازماییم. این دسته از تست‌ها زیر مجموعه تست‌های black box هستند.3-Functional Testing: در این تست اطمینان حاصل می‌شود که عملکرد برنامه به درستی است. توجه شود که در این نوع تست برخلاف آزمون واحد ما می‌توانیم عملکرد یک سیستم را تست کنیم و نه فقط یک واحد را. این تست زیر مجموعه black box تست‌ها هستند.4-System Testing: این نوع تست به ما اجازه می‌دهد که از عملکرد برنامه در محیط‌های مختلف اطمینان حاصل کنیم (مثل سیستم عامل‌های مختلف). این تست زیر مجموعه black box تست‌ها است.5-Stress Testing: این نوع تست عملکرد برنامه را در شرایط نامطلوب مورد بررسی قرار می‌دهد. این تست زیر مجموعه black box تست‌ها است.7-Performance Testing: تست عملکرد و کارایی که در مجموعه black box تست‌ها جای می‌گیرد به ما این اطمینان را می‌دهد که برنامه‌مان عملکرد و کارایی لازم را در یک مدت زمان مشخص داراست.8- :Usability Testing این نوع تست زیر مجموعه black box تست‌ها است. این تست از دیدگاه مشتری انجام می‌شود و در واقع مشخص کننده فاکتورهای زیر است:1) آیا برنامه کاربر پسند است؟2) آیا برنامه ساده و قابل یادگیری است؟3) آیا برنامه جذاب طراحی شده است؟4) و …9-Acceptance Testing: این نوع تست معمولا از طرف مشتری انجام می‌شود. هدف آن، مشخص کردن این است که آیا برنامه نیازهای مشتری را پاسخ می‌دهد و آیا برنامه همان چیزی که مشتری می‌خواهد هست یا خیر. که مهمترین تست‌هایآن آلفا و بتاست.10-Regression Testing: این نوع تست به منظور صحت عملکرد سیستم بعد از تغییرات استفاده می‌شود و زیر مجموعهblack box تست‌ها است.
آزمون آلفا و بتاتست نرم افزار یکی از راه‌های اطمینان بیشتر به نرم افزار، برای ارائه نهایی آن به بازار است. تست نرم افزار از بخش‌ها و قسمت‌های مختلفی تشکیل شده است که به ترتیب خاصی مورد توجه قرار می‌گیرند. در این مقاله قصد داریم به بررسی روند تست و از همه مهمتر تست‌های آلفا و بتا که جزئی از آزمون پذیرش (Acceptance testing) بپردازیم.یک تست از مراحل زیر تشکیل میشود: 1- تست واحد : در این سایت، به طور مکرر توسط فریمورک‌های مختلفی مورد توجه قرار گرفته است و هدف آن تست برنامه به صورت قطعات کوچک است تا اطمینان پیدا کنیم آن تکه کد طبق انتظار ما جلو می‌رود. این تست حتی در آینده هم برای دنبال کردن باگ‌ها، کار ما را ساده‌تر میکند. 2- تست یکپارچه: هدف تست یکپارچه، بررسی عملکرد برنامه بعد از قرار گرفتن همه‌ی تکه‌ها در کنار هم هستند و این اطمینان را می‌دهد که برنامه عملکرد مثبتی دارد. 3- تست رابط جز: هدف این تست بررسی ارتباط و داده‌های بین قسمت‌ها و اجزای مختلف یک سیستم یا ارتباط زیر سیستم‌ها با یکدیگر در یک سیستم بزرگتر است. 4- تست سیستم: تست سیستم برای بررسی عملکرد برنامه در سیستم‌های مختلف است. اینکه برنامه در محیط‌های اجرایی مختلف چگونه عمل می‌کند و در این شیوه باید قابلیت‌های مختلف برنامه را در محیط‌ها و ابزارهای مختلفی که برنامه استفاده می‌کند سنجید. تست پذیرش عملکرد: یا اصطلاحا OAT، جهت اطمینان از عملکرد سیستم، برای ارائه نهایی به کار می‌رود که در اینجا دو آزمون آلفا و بتا صورت می‌گیرند. تست آلفا Alpha در داخل خود سازمان توسط توسعه دهندگان که مسئول بررسی و تست نرم افزار هستند اتفاق می‌افتد. شکل صفحه بعد به خوبی جایگاه تست آلفا را در میان تست‌ها توضیح می‌دهد.تست آلفا در دو فاز انجام می‌گیرد: فاز اول: فاز اول داخل تیم اصلی، توسط توسعه دهندگان هست تا اصلی‌ترین باگ‌ها به سرعت رفع و حل شوند. در فاز دوم: برنامه به دست توسعه دهندگان واحد تضمین کیفیت Quality Assurance - QA مورد تست و ارزیابی قرار می‌گیرد. تست آلفا قبل از عرضه عمومی اصطلاحا Commercial Off-the Shelf-COTSصورت می‌گیرد و قبل از تست بتا می‌باشد. تست بتا Beta توسط کاربران نهایی نرم افزار و گاها کاربران شناخته شده‌ی محصول انجام می‌گیرد. این تست به منظور بررسی و ارزیابی عملکرد نرم افزار ، پایداری ، سازگاری ، میزان اطمینان به نرم افزار صورت می‌گیرد. تست بتا این ارزش را برای نرم افزار می‌آورد تا توسط کاربران اصلی و در محیط‌های واقعی به طور وسیع‌تری مورد بررسی قرار گیرد تا بتواند چرخه تست نرم افزار را با موفقیت به اتمام برساند. همچین به توسعه دهنده کمک میکند تا حجم ورودی‌های عظیمی را جمع آوری تا در آینده برای نسخه‌ها و پشتیبانی‌های آتی استفاده کند. تصویر زیر جایگاه تست بتا را در روند تست نشان می‌دهد:عوامل زیر در موفقیت هر چه بیشتر تست بتا وابسته هستند: 1- هزینه تست 2- تعداد شرکت کنندگان در این تست 3- نحوه ارسال به کاربر ( که امروزه بیشتر از طریق اینترنت صورت میگیرد) 4- مدت زمان تست از نکات مهم در این تست می‌توان گفت که طول دوره تست آلفا، بیشتر از تست بتاست که به طور متوسط 3 تا 5 برابر تست بتا طول می‌کشد و خود تست بتا، عموما در حد چند هفته و گاها تا چند ماه می‌باشد. در صورتیکه تست آلفا با موفقیت بیرون داده شود، وارد نسخه بتا می‌شود و بعد از اتمام تست بتا وارد ریلیز نهایی می‌شود. تست آلفا با توجه COTS گفته شده می‌تواند کاربران خاص و محیط خاص خود را داشته باشد.

تفاوت های RUP و SCRUM

سیدمحمدحسین سلیم بهرامی — Tue, 20 Jul 2021 09:02:35 +0430

متدلوژی RUPمتدلوژی (Rational Unified Process) Rup یک فرآیند تولید و توسعه نرم افزاری می باشد که در سال 2000 این متدولوژی توسط شرکت Rational ارائه گردید .مهم ترین هدف Rup اطمینان از تولید نرم افزار با کیفیت بالا می باشد. تولید نرم افزار با استفاده از متدلوژی Rup براساس یک روش تکرار شونده می باشد بدین صورت که در تولید یک محصول تعدادی تکرار در نظر گرفته می شود این تکرارها در فاز های Rup صورت می پذیرد در هر فاز Rup ممکن است چندین تکرار داشته باشیم و در پایان هر تکرار یک محصول قابل ارائه وجود دارد. این محصول در پایان هر تکرار کامل تر شده و در نهایت در آخرین تکرار محصول نهایی ارائه می گردد. تولید یک محصول نرم افزاری در Rup شامل چهار فاز آغازین (Inception ) ، جزئیات (Elaboration ) ، ساخت (Construction ) و انتقال (Transition ) می باشد . میزان استفاده از نیروی انسانی و زمان صرف شده در هر فاز متفاوت است همان گونه که در شکل زیر مشاهده می کنید فاز ساخت بیشترین زمان و نیروی انسانی را نیاز دارد.در Rup در ابتدای پروژه یک معماری اولیه تهیه می گردد این امر باعث به حداقل رسیدن ریسک های پروژه در ابتدای کار شده و کیفیت نرم افزار تولیدی را بالا می برد. از دیگر ویژگی های Rup قابلیت توسعه و تغییر نرم افزار براساس سلیقه و نیازهای کاربران و مشتریان می باشد.مزایای متدلوژی RUP1- افزایش بهره وری تیم2- استفاده از بهترین رویه هامعایب متدلوژی RUP1- عدم پیروی از فرآیند مشخص ، یا پیروی از فرآیندهای خود ساخته2- استفاده از فرآیند ها و زبان های متفاوت3- عدم پشتیبانی خوب یا درست توسط ابزارمتدولوژی SCRUMاسکرام(scrum) یک روش گروهی برای تولید و توسعه نرم افزار است. این متدولوژی یک مدل تکراری(iterative) از متدولوژی Agile برای حل مسایل پیچیده است. با اسکرام این امکان وجود خواهد داشت که مسایل پیچیده به راحتی مدیریت گردد.در واقع اسکرام یک فرایند و یا تکنیک تولید محصول نیست، بلکه چارچوبی است که بوسیله آن می توان مدیریت تولید محصول را بهینه نمود.این متدولوژی ساده و آسان است و همه می توانند به راحتی قوانین موجود در آن را فراگرفته و به کار گیرند، اما تسلط کامل به اسکرام معمولا دشوار است. متدولوژی اسکرام در سال 1986 در کشور ژاپن توسط Hirotaka Takeuchi و Ikujiro Nonakaبرای اولین بار اختراع شد. اسکرام در دهه 90 میلادی توسط Ken Schwober و Jeff Stherlandتوسعه داده شد و به عنوان یک متدولوژی رسمی جهت تولید محصولات نرم افزاری شناخته و به کار گرفته شد.اسپرینتهسته اصلی اسکرام را اسپرینت ها تشکیل می دهند. در متدولوژی های تکرار شونده(iterative) دوره های زمانی تکراری(iteration) وجود دارد که در این دوره ها به تدریج محصول کامل می گردد. بدین صورت که در تولید یک محصول، تعدادی تکرار در نظر گرفته می شود که در پایان دوره زمانی هر تکرار، یک محصول قابل ارائه وجود دارد. به این دوره های زمانی تکرار شونده در اسکرام اسپرینت(sprint) می گویند. در پایان هر اسپرینت، محصول کامل تر شده و در نهایت محصول نهایی تولید می گردد. هر اسپرینت دارای تعریفی است که در آن باید مشخص شده باشد که چه چیزی قرار است ساخته شود، نیازمندی ها، راهنمای ساخت و محصول خروجی نیز باید مشخص باشند.مجموعه نیازمندی های عملیاتی و غیر عملیاتی(Functional and NonFunctional Requirements) پروژه، که مستند شده است را backlogگویند. مجموعه نیازمندی هایی که در هر اسپرینت باید تمام شوند sprint Backlogنامیده می شود. هر sprintcycle تا زمانی ادامه پیدا می کند که محصول آماده release باشد. بعد از releaseمحصول ممکن است صاحب پروژه نیازمندی های جدیدی به پروژه اضافه نماید که به آن ها Product Backlogگویند.مدت زمان هر اسپرینت بستگی به نوع پروژه دارد. این مدت زمان می تواند از یک هفته تا یک ماه متغیر باشد. هر اسپرینت باید دقیقا سر وقت به اتمام برسد و اگر به هر دلیلی در پایان اسپرینت محصول آماده نبود باید نیازمندی های sprint backlog به product backlogمنتقل شوند. در ابتدا و در هنگام شروع اسپرینت، جلسه ای با حضور تمام اعضای تیم تشکیل می شود و به همه افراد هدف نهایی اسپرینت و وظایف هریک از اعضای تیم شرح داده می شود.. وظایف مشخص شده در هر اسپرینت شامل سه جنبه است:Transparency: تمامی جنبه های فرایند برای همه اعضای تیم (مشتری و تیم برنامه نویس) باید مشخص و واضح باشد.Inception: اگر در هر مرحله، فرایند دچار انحراف شد، باید انحراف سریع تشخیص داده شود.Adaption: انحراف های شناسایی شده، در کم ترین زمان ممکن باید تعدیل شوند.مزایای متدولوژی اسکرامتولید بالاترمحصولات باکیفیت‌ترکاهش زمان ارسال به بازاربهبود رضایت ذینفعانپویایی تیمی بهترکارمندان شادترمعايب متدلوژی Scram 1-Scrum روش جديدي است و با روش‌هاي مرسوم تفاوت‌هاي زيادي دارد. 2- برخي از برنامه‌نويسان حرفه‌اي ممكن است از تكاليفي كه مدير Scrum به ايشان مي‌دهد راضي نباشند و بخواهند روش قديمي خود را اجرا نمايند و در صورت اجبار، در روند اجراي پروژه كارشكني كرده و مشكل‌آفريني كنند.3- از آنجا كه مدير Scrum هم از نظر كيفي و هم كمي بايد پروژه را مديريت كند، Scrum نياز به مديريت بسيار قدرتمند دارد. 4-Scrum را مي‌توان به عنوان روش توليد نرم‌افزار نام برد، اما اين روش بيشتر روش مديريت پروژه هوشمند خوبي است و نمي‌توان آن را به صورت منفرد استفاده نمود و مي‌توان گفت براي حصول اطمينان از موفقيت پروژه‌هاي نرم‌افزاري (به خصوص در سطح كوچك) بايد اين روش را با روش‌هاي ديگر ادغام نمود. Scrum را از آن جهت مي‌توان روش خوبي برشمرد كه روشي تحقيقي براساس تخمين، اولويت‌بندي، عملكرد گروه و بررسي نتايج است كه اگر به صورت صحيح مورد استفاده قرار گيرد و قبل از استفاده به صورت كامل آموزش داده شود، مي‌تواند راندمان پروژه‌هاي نرم‌افزاري، به خصوص توليد نرم‌افزارهاي كوچك را به صورت بسيار محسوسي بالا ببرد.فرق بین متدولوژیRUP و اسکرامهر دو روش از سری روش‌های چابک هستند و در فعالیت‌های پروژه از رویکردی تکرار شونده استفاده می‌شود. با این حال، متدولوژی RUP خواستار یک تعریف رسمی از هدف و نقاط عطف پروژه به همراه تاریخ‌های خاص است. ولی روش اسکرام از بک لاگ پروژه به جای هدف استفاده می‌کند و این اجازه را می‌دهد تا در پایان هر تکرار (معمولا هر 4 هفته) دوباره تعریف شوند. علاوه بر این، چرخه عمر پروژه‌هایRUP به 4 فاز اصلی (آغازین، تحلیل جزئیات، ساخت، انتقال) تقسیم می‌شود. این روش، مشوق جریان‌های کاری همزمان در سراسر چرخه است. در این روش، برخی فعالیت‌ها در طول برخی مراحل به اوج خود می‌رسد (به عنوان مثال: تجزیه و تحلیل نیازمندی‌ها در مرحله تحلیل جزئیات افزایش می‌یابد). در مقابل، اسکرام حکم چرخه عمر “سنتی” متناسب با یک تکرار را دارد. به عبارت دیگر، برای هر تکرار یک حجم کاری در یک زمان تعیین می‌شود، سپس کل چرخه در یک تکرار رخ می‌دهد.