Morteza Yousef Sanati

چكيده: امروزه علم داده كاوي بستري فراهم كرده است تا بتوان با به كارگيري فناوري هاي جديدي مانند هوش مصنوعي و يادگيري ماشين، به تجزيه وتحليل و استخراج مفاهيم نهفته در داده ها پرداخت و از آنها براي كارهاي مختلف و مهم استفاده كرد. داده كاوي علم استخراج الگوها، اطلاعات و تحليل از مجموعه داده هاي خامي است كه در يك سازمان يا در هر مجموعه ديگري توليد شده است. اين داده ها با سرعت بالايي توليد مي شوند كه گاهي اوقات جرياني از داده ها را تشكيل مي دهند. جريان داده انتقال مداوم داده ها با سرعت ثابت و بالا است. در برخي موارد سيستم هاي اطلاعاتي، جرياني از لاگ را توليد مي كنند. يك لاگ منبع غني اطلاعاتي براي تشخيص و پيش بيني خطاها يا رفتارهاي ناهنجار موجود در سيستم ها است كه شامل تمامي رويداد ها، اتفاقات و خطاها در اجراي يك نرم افزار يا سيستم عامل است. اين خطاها را مي توان از طريق تجزيه وتحليل لاگ ها با استفاده از الگوريتم هاي كلان داده كشف كرد. يكي از روش ها براي تجزيه وتحليل داده هاي جرياني و تشخيص ناهنجاري ها، الگوريتم خوشه بندي است. هدف از خوشه بندي داده ها، افراز مجموعه اي از اشيا به گروه هاي مجزا است كه يكي از اين الگوريتم هاي خوشه بندي جريان داده، الگوريتم AutoCloud است. AutoCloud يك الگوريتم آنلاين و تك مرحله اي بازگشتي براي خوشه بندي جريان داده ها بر مبناي فاصله اقليدسي است. اين الگوريتم بر اساس مفهوم تجزيه وتحليل داده Typicality و Eccentricity شكل گرفته است كه عمدتاً براي كارهاي تشخيص ناهنجاري استفاده مي شود. همچنين AutoCloud قادر به مديريت كردن مشكلات ذاتي در جريان داده ها مانند رانش مفهوم و تكامل مفهوم است. ولي باتوجه به اين كه دقت انجام عمل در AutoCloud در مورد اكثر مجموعه-داده ها خيلي مناسب نيست، به نظر مي رسد كه استفاده از انواع فاصله هاي ديگر، مناسب تر باشد و با افزودن روش هايي به AutoCloud، دقت بهبود يابد؛ بنابراين در اين پژوهش سعي شده است با پياده سازي چند ايده، بررسي شود كه آيا با تغيير دادن AutoCloudمي توان منجر به بهبود آن شد يا خير. ايده اول، استفاده از فاصله ماهالانوبيسي براي اين الگوريتم است. نتايج نشان مي دهد كه اگر AutoCloud بر مبناي فاصله اقليدسي باشد، بهتر از فاصله ماهالانوبيسي عمل مي كند. به همين دليل استفاده از فاصله ماهالانوبيسي در AutoCloud خيلي مؤثر ن
Thesis summary

امروزه پيشبيني سلامت در زندگي مدرن به دليل حجم گسترده، تنوع و به روزرساني مداوم دادههاي پزشكي امري بسيار ضروري است كه تجزيه و تحليل كلاندادهها فرصتهاي جديدي را براي بهبود بخشيدن به مراقبتهاي بهداشتي، پيشبيني وضعيت سلامت، بهينهسازي منابع و كارآيي سازمانها در بخش بهداشت ارائه ميدهد كه براي اين منظور، ما به چارچوبهاي پيشرفته تحليلي نياز داريم تا دادهها را ذخيره، فيلتر و تجزيه و تحليل كنيم تا بتوانيم تصميمگيري سريع و بموقع انجام دهيم. با ذخيره و ثبت معاينه و ويزيتهاي بيماران و مراجعهكنندگان به مراكز درماني، حجم اطلاعاتي كه جمعآوري ميشود رو به رشد است بنابراين تجزيه و تحليل درست و بموقع از ميزان دادههاي توليد شده در سلامتي ميتواند به پيشبيني بيماري منجر شود كه اين امر موجب نجات جان انسانها ميشود و از آنجا كه بيماريهاي عفوني در زمره شايعترين علل مرگ و مير قرار دارد پيشبيني زود هنگام با استفاده از تحليل كلاندادهها ميتواند از شيوع بعضي از بيماريها جلوگيري نموده و بعضا در مورد يك بيماري خاص ميتوان به طور زودهنگام بيماري را تشخيص و درمان آن را شروع نمود كه به تبع آن در هزينههاي درمان صرفهجويي بسيار زيادي خواهد شد. در اين پژوهش از طبقهبندي جنگل تصادفي در يادگيري ماشين كه يك روش متداول مجموعه درختي است و كلانداده را به خوبي مديريت ميكند؛ استفاده شده است. با اين حال، اجراي جنگل تصادفي در MLlib براي آموزش مدلهاي درخت تصميم عميق، كه براي دستيابي به عملكرد پيشبيني خوب در دادههاي ما مورد نياز است، بسيار ناكارآمد است. براين اساس ما بر بهبود عملكرد آموزش جنگل تصادفي در كتابخانه MLlib از اسپارك تمركز مي كنيم. سپس از اين مدل براي كار در زمان واقعي براي طبقهبندي توييت به عنوان اينكه فرد داراي بيماري هپاتيت است يا خير، استفاده شده است. در اين روش پيشنهادي، سيستم پيشبينيكننده بيماري هپاتيت در زمان واقعي حاوي سه بخش اصلي: ساخت مدل در زمان آفلاين، روش پردازش جاري و پيشبيني آنلاين است. اين سيستم براساس تلفيق چارچوبهاي كلانداده مانند: آپاچي اسپارك و كافكا توسعه يافت.
Thesis summary

فناوري بلاكچين يك بستر نامحدود و قابل اعتماد است كه برخي از عمليات تراكنشپذير مانند نقل و انتقالات پول در آن قابل ثبت ميباشد. ساختار اين فناوري به صورت زنجيرهاي متصل از بلاكهاي شاملِ اطلاعاتِ تراكنشهاي مذكور است. هر حلقه از اين زنجير، درهم سازي اطلاعاتِ بلاك(زنجير) قبلي را در خود نگهداري ميكند. يكي از خصوصيات اين فناوري توزيعشدگي يا عدم تمركز و مالكيت آن توسط افراد يا سازمانها ميباشد و با پروژههاي خود مخصوصا ارزهاي ديجيتال شهرت يافته است. يكي از پروژهها يا ارز ديجيتال معروف اين حوزه، پروژه اتريوم است. در ميان ويژگيهاي مختلف اتريوم، يكي از ويژگيهاي مطلوب آن، امكان كد نويسي و توسعه قرارداد هوشمند همراه با بارگزاري برروي شبكه بلاكچين است كه در اين ويژگي پيشرو نيز ميباشد. به طور كلي قراردادهاي هوشمند را ميتوان بهنحوي مشابه قراردادهاي سنتي در نظر گرفت با اين تفاوت كه قرارداد هوشمند كد نويسي شده تا شرايط قرارداد را بهطور هوشمند و با حذف واسطهاي موجود در قراردادهاي سنتي با دقت و سرعت بالا انجام دهد. قراردادهاي هوشمند با دو زبان برنامه نويسي ساليديتي و وايپر قابل توسعه ميباشند. در حال حاضر قراردادهاي هوشمند، در زمينههاي مالي مانند تجارت و معاملات كاربرد بيشتري دارند؛ از طرفي در زمينههاي مالي همانطور كه از گذشته كلاهبرداريهايي صورت ميگرفته است، در اين فناوري و قراردادهاي هوشمند نيز مواردي وجود داشته كه همچنان كاربران را به دام خود مياندازند. برخي از مشهورترين كلاهبرداريها در قراردادهاي هوشمند عبارتاند از: 6)پانزيها 8)فيشينگ 2)هانيپاتها. در اين پژوهش ضمن بررسي كامل هر كدام از اين كلاهبرداريها همراه با نمونه كد مرتبط يا الگوي مرسوم در دسته آنها، در نهايت سناريو جديدي در دسته پانزيها توسعه داده ميشود. در كنار توضيح كامل سناريو، تفاوت آن با ساير الگوهاي اين دسته آورده شده است. بهطور خلاصه در توضيح اين سناريو ميتوان اينطور در نظر گرفت، كه با داشتن آشنايي تقريبي با زبان برنامه نويسي ساليديتي، قراردادهاي پانزي توسعه دادهشده توسط اين زبان به آساني قابل شناسايي بوده ولي در اين سناريو تشخيص پانزي و كلاهبرداري در ظاهر كد نامشخص است و همچنين عملكرد قرارداد كاملا متفاوت خواهد بود. لازم به ذكر است پيش فرض متن باز بودن قراردادها در نظر گرفته شده است.
Thesis summary

امروزه با توجه به گسترش استفاده از سرويسهاي ابري محققين بسياري بر روي حل چالشهاي موجود در اين زمينه تمركز كردهاند. يكي از مهمترين اين چالشها ايجاد توافق سطح خدمات و نظارت بر سرويس ابري بر اساس توافق انجام شده، است. محققان براي رفع مشكلات ذكر شده چهارچوبهاي متفاوتي را پيشنهاد نمودهاند ولي با اين حال هنوز مشكل مربوط به تباني يكي از طرفين در خصوص نقض موارد مندرج در توافقنامه با ناظر توافقنامه بهطور كامل رفع نگرديده است. از اين رو استفاده از فناوريهايي كه بتواند امكان تباني طرفين با ناظر را از بين ببرد بسيار حائز اهميت است. بنابراين محققان كوشيدهاند تا با استفاده از نرمافزارهاي توزيع شدهي مبتني بر شبكههاي بلاك چيني تا حدي اين مشكلات را رفع نمايند. البته لازم به ذكر است هنوز نيز به دليل محدوديتهاي موجود در بلاك چين اين امر بهطور كامل محقق نگرديده است. يكي از محدوديتهاي موجود در راه حلهاي مبتني بر شبكهي بلاك چين محدوديت حجم كد قابل اجرا بر روي گرههاي شبكه است كه در اينصورت امكان نظارت بر تمام موارد مندرج در توافقنامه را منتفي مينمايد. در اين پژوهش با استفاده از استاندارد دايموند EIP2535 امكاني فراهم شده است كه بتوان تمام موارد مندرج در توافقنامه را نيز بدون داشتن دغدغه در خصوص حجم كد نظارت نمود. در اين پژوهش علاوه بر تلاش براي رفع محدوديت مذكور راهكاري در جهت استفادهي هرچه بيشتر چنين نرمافزارهاي نظارتي مبتني بر شبكهي بلاك چين را براي دنياي واقع ارائه شده است كه به مشكل پرداخت هزينهي سرويس به فراهم كننده ميپردازد. ايدهي معرفي شده از آنجا نشأت ميگيرد كه در تمامي پژوهشهاي انجام شده در اين زمينه هزينهي سرويس ابري موردنظر مشتري تا انتهاي استفاده از خدمات در شبكه نگهداري شده و پس از حصول اطمينان در خصوص عدم نقض توافقنامه هزينه به فراهم كننده پرداخت ميشود. چنين امري باعث ميشود تا امكان استفاده از اينگونه نرمافزارها در عالم واقع محدود شود زيرا فراهم كنندگان بايد زمان زيادي را براي دريافت هزينه خود صبر كنند. در اين پژوهش با استفاده از ايده رتبهبندي فراهم كنندگان سرويسها و تخصيص امتياز به آنها بر اساس سابقهي خدماتشان راهكاري ارائه شده است تا بخشي از هزينههاي سرويس قبل از اتمام قرارداد به فراهم كننده پرداخت گردد. اين راهكارها در يك مسئلهي مربوط به فروش سرويسهاي زيرساختي پيادهسازي شد
Thesis summary

ظهور مفاهيم رايانش مه و لبه در اينترنت اشيا باعث كاهش فاصله ي ميان حسگرها و منابع پردازشي شده كه نتيجه ي آن كاهش تاخير پاسخگويي و استفاده ي مفيد از پهناي باند شبكه است. به كمك مفاهيم رايانش مه مي توان بسياري از پردازشها را نزديك به گره هاي پاياني انجام داد و از ارسال حجم زياد درخواست هاي ارسالي از محيط اينترنت اشيا به سمت محيط ابري جلوگيري كرد. يكي از چالش هاي اصلي در اين حوزه، نحوه ي مديريت منابع گره هاي مه است. در اين پژوهش براي كاهش تاخير، به دنبال ارائه ي روشي مبتني بر عمليات خوشه بندي جهت توزيع درخواستها در محيط مه هستيم. در يكي از الگوريتمهاي بهينه ي موجود، در صورتي كه گره مه مقصد درخواست، داراي منابع لازم براي پردازش نباشد، با برقراري ارتباط با ديگر گره هاي مه موجود در سيستم، گره هايي كه توانايي پردازش درخواست مورد نظر را دارند شناسايي كرده و درخواست براي پاسخدهي به گره مه داراي كمترين ميزان تاخير فرستاده ميشود. پس از انجام محاسبات لازم براي درخواست مورد نظر، پاسخ از طريق گره مه مقصد به سمت محيط اينترنت اشيا ارسال ميشود. در اين حالت در صورت گستردگي شبكه، مستلزم صرف زمان براي استعلام از تك تك گره هاي موجود و محاسبه ي گزينه ي بهينه هستيم. در اين پايان نامه براي پوشش برخي از معايب و محدوديتهاي راهكارهاي ارائه شده براي بهبود روش ارتباطي مه با مه، سازوكاري با هدف كاهش تأخير پاسخگويي به درخواستها با استفاده از خوشه بندي مه هاي موجود در سيستم ارائه شده است. در اين روش با خوشه بندي گره ها و انتخاب گره مه داراي بيشترين منابع ذخيره سازي و محاسباتي به عنوان سرخوشه، به دنبال كاهش اين سربار زماني هستيم. به اين صورت كه اگر گره مه مقصد درخواست، داراي منابع لازم براي پردازش نباشد، با ديگر گره هاي سرخوشه ي موجود در سيستم كه توانايي پردازش درخواست مورد نظر را دارند، ارتباط برقرار ميكند. پس از استعلام و محاسبه ي زمان مورد نياز براي پردازش و انتقال نتيجه، درخواست براي پاسخدهي به گره سرخوشه با كمترين ميزان تاخير فرستاده ميشود و پاسخ حاصل از پردازش درخواست، از طريق گره مه مقصد درخواست به سمت محيط اينترنت اشيا ارسال ميشود. آزمايشات نشان مي دهد كه روش ارائه شده نتايج بهتري نسبت به روش پايه از نظر تاخير پاسخگويي دارد و مدل پيشنهادي منجر به كاهش 5 درصدي اين تاخير در محيط اينترنت اشيا
Thesis summary

در دنياي امروز كه رقابت شديدي در همه ي حوزه ها برقرار است، هر سازماني كه قصد ربودن گوي سبقت را از رقباي خود دارد بايد به دقيق ترين نحو ممكن خواسته هاي مشتريانش را بشنود و عملي بكند. اهميت روزافزون تجزيه وتحليل احساسات، هم زمان با رشد رسانه هاي اجتماعي منطبق شده است. روش هاي داده كاوي مي تواند براي تحليل داده ها و آشكار كردن قواعد و پيوندهاي ناشناخته استفاده شود. بنابراين با استفاده از تكنيك هاي موجود و ايجاد ارتباط ميان حوزه متن كاوي با حوزه مديريت، به تحليل متن فارسي و استخراج ابعاد رضايت مشتري و تحليل احساسات در سايت هاي خرده فروشي (ديجي كالا) پرداخته ايم كه در نهايت منجر به استخراج 38 بعد رضايت و ساخته شدن واژه نامه احساسات مختص به سايت ديجي كالا و خرده فروشي آنلاين با دقت 75.05 درصدي شده است. در اين پژوهش براي استخراج موضوع هاي پرتكرار بحث شده در مجموعه داده ها، از روش تخصيص پنهان ديريكله (الگوريتم LDA) استفاده شده است. همچنين در امر تحليل احساسات اقدام به ساخت واژه نامه احساسات نموديم كه در انتها واژه نامه اي شامل 862 صفت و قيد پرتكرار به كار رفته در نظرات ثبت شده توليد شد كه به صورت اختصاصي براي نظرات ثبت شده در سايت ديجي كالا و ساير خرده فروشي هاي آنلاين قابل استفاده مي باشد. پژوهش كاربردي و از نوع تركيبي( كيفي- كمي ) است. براي تحليل متن از مجموعه داده هاي پلتفورم ديجي كالا نكست كه در اختيار عام قرار گرفته، استفاده شده است.
Thesis summary

در عصر حاضر، داده ها با سرعت و حجم بسيار زيادي به صورت بدون توقف و به شكل جريان داده در حال توليد هستند. يكي از روشهاي كاربردي در كار با جريانداده، طبقه جريان ورودي است. از اين رو در سالهاي اخير روشهاي زيادي براي طبقهبندي جريانداده ارائه شده است. روشهاي موجود را از نقطهنظرهاي مختلفي ميتوان مورد بررسي قرار داده و در دستهبندهاي مختلفي قرار داد. در نخستين ديد بررسي و دستهبندي روشهاي موجود بر اساس نوع الگوريتم يادگيري ميباشد. در روشهاي طبقهبندي نظارتي جريانداده، جهت بهروزرساني الگوريتم نياز به دسترسي به برچسب واقعي هر نمونه ورودي بعد از عمل طبقهبندي ميباشد درحاليكه در دنياي واقعي دسترسي به برچسب واقعي دادهها امري زمانبر و دشوار است. از اين روي روشهاي يادگيري نيمهنظارتي، عملكرد بهتري در كاربردهاي دنياي واقعي ارائه ميدهند. در ديد ديگر دستهبندي روشهاي موجود براساس روش طبقهبند پايه ميباشد، استفاده از طبقهبند KNN به همراه استفاده از روشهاي مبتني بر ريزخوشه جهت ايجاد مرز تصميمگيري به همراه خلاصهسازي دادهها يكي از روشهاي ساده و در عين حال كارآمد در طبقهبندي جريانداده ميباشد. از سويي در دنياي واقعي، چالش اصلي ارائه دقت كافي با حفظ سرعت و حافظه اجرايي مناسب است. در روش پيشنهادي با اعمال رويكرد بسته محور به همراه استفاده از معيارهاي مبتني بر چگالي و استفاده از روش مبتني بر خطا مرتبه زماني روش پايه از مرتبه )𝑛2(𝑂 به مرتبه زماني ))𝑛(𝑔𝑜𝑙.𝑛(𝑂 كاهش پيدا نمود. نتايج آزمايش مجموعهدادههاي دنياي واقعي حاكي از بهبود 47 درصدي زمان اجرايي روش پيشنهادي نسبت به روش پايه خويش دارد. ميزان تغييرات دقت خروجي چشمگير نبوده و بهصورت ميانگين ميان تمامي مجموعهدادههاي مورد آزمايش حاكي از بهبود 0.33 درصدي نبست به روش پايه خويش دارد.
Thesis summary

امروزه داده ها با سرعت و حجم بسيار بالايي توليد مي شوند كه در موارد متعددي به صورت جريان داده هستند. جريان داده، يك توالي نامحدود از داده هايي است كه با سرعت و حجم بالا توليد مي شوند كه آن را به عنوان دنباله اي از اشيا داده اي در فواصل زماني تعريف مي نمايند. يكي از رايجترين پردازشهاي موجود در خصوص جريان داده ها خوشه بندي است كه به طوركلي هدف آن تقسيم داده ها در گروه هاي همگن ميباشد. يكي از الگوريتم هاي موجود براي خوشه بندي الگوريتم CluStream است كه شامل دو فاز آنلاين و آفلاين مي باشد و نسخه پياده سازي شده اي از آن در محيط توزيع شده آپاچي اسپارك نيز وجود دارد. الگوريتم CluStream در فاز آنلاين تعداد ثابتي از ريزخوشه ها را حفظ ميكند. اين امر در يك جريان داده در حال تكامل، با توجه به پيچيدگي داده هاي ورودي در جريان هاي دنياي واقعي، فرضي غيرعملي به نظر مي رسد. علاوه براين در اين الگوريتم داده هاي تاريخي را در طول جريان نگهداشته و مكانيزمي جهت حذف تدريجي خوشه هاي منقضي شده تعبيه نشده است. اين مسئله باعث ميشود با ورود مداوم جريان داده به مرور شعاع خوشه ها بزرگتر شده و دادههاي بيشتري به هر خوشه افزوده شود كه اين امر موجب كاهش دقت خوشهها ميگردد. در فاز آفلاين نيز خوشه هاي نهايي بر اساس پارامتر ثابتي تعيين مي شوند. ثابت در نظر گرفتن اين پارامتر در عمل ميتواند سبب شكستن يك خوشه به چند خوشه ديگر يا تجميع چندين خوشه با يكديگر شود و ممكن است كيفيت خوشه هاي تشخيص داده شده توسط الگوريتم را پايين آورد. جهت رفع مشكلات ذكر شده، در اين پاياننامه تغييراتي در فاز آنلاين و آفلاين الگوريتم CluStream صورت گرفته است. در روش پيشنهادي تعداد ريزخوشه ها در طول زمان تغيير ميكند. ريزخوشه هاي جديد به تدريج و در صورت نياز ساخته ميشوند و پس از رسيدن ريزخوشه ها به تعداد ماكزيمم، رفتار الگوريتم پيشنهادي همانند الگوريتم CluStream ميباشد. علاوه براين در فاز آنلاين به منظور حذف خوشه هاي منقضي شده دو ايده پيشنهاد شده است. ايده اول افزودن تابعي به نام تابع پاكسازي يا هرس جهت حذف خوشه هاي منقضي شده و ايده دوم استفاده از پنجره لغزان به منظور حفظ داده هاي اخير و حذف داده هاي قديمي تعبيه شده است. همچنين در فاز آفلاين الگوريتمي پيشنهاد شده است كه تعداد خوشه هاي نهايي را به صورت پويا مشخص ميكند. در
Thesis summary

جريان داده يك توالي نامحدود از داده هايي است كه با سرعت و در حجم بالا توليد مي شود. با در نظر گرفتن چنين تعريفي، پردازش اطلاعات جريان به عنوان يك موجوديت واحد بسيار دشوار و در برخي جريان ها ناممكن است. بنابراين، روش هايي ايجاد شده اند كه بتوانند پردازش چنين داده هايي را امكان پذير نمايند. يكي از رايج ترين اين روش ها، خوشه بندي نام دارد كه مي تواند اقلام اطلاعاتي مشابه را در تعدادي گروه قرار دهد. EvoStream يكي از الگوريتم هاي خوشه بندي جريان است كه با استفاده از يك الگوريتم تكاملي به صورت تدريجي در زمان هاي بيكاري جريان، خوشه بندي نهايي را انجام مي دهد. اين الگوريتم ضمن ايجاد نتايج رقابتي با ساير الگوريتم ها در اين حوزه، سربار محاسباتي مرحله آفلاين را به طور موثري كاهش مي دهد. تعداد خوشه ها در الگوريتم EvoStream ثابت درنظر گرفته مي شود، درحالي كه در جريان داده ي واقعي اين تعداد در طول زمان متغير است و به پيچيدگي داده هاي ورودي بستگي دارد. از طرف ديگر از آنجايي كه زمان وقوع بيكاري و طول زمان مذكور از الگوي خاصي تبعيت نمي كند ممكن است برخي گام هاي تكاملي به پايان نرسند كه اين امر با توجه به ثابت نبودن تعداد خوشه ها از كيفيت خوشه ها مي كاهد. در راستاي رفع اين مشكلات در اين پايان نامه الگوريتم جديدي ارائه شده است كه تعداد خوشه ها را به درستي تشخيص داده و ضمن بهبود كيفيت خوشه ها، اجراي مرحله ي تكاملي را تا چهار برابر تسريع مي كند.
Thesis summary

چكيده: هدف از اين پايان نامه ارائه يك راهكار امنيتي براي احراز هويت به صورت سرويس در يكپارچه سازي سازماني است. سامانه هاي متفاوت در يك سازمان با راهكارهاي احراز هويت مختلف علاوه بر مشكلاتي كه در حفظ و نگهداري اين اطلاعات براي كاربر ايجاد مي نمايد، تهديدات امنيتي فراواني نيز به همراه دارد. از سوي ديگر هر يك از سامانه ها مكانيسم متفاوتي براي احراز هويت دارند كه بعضاً داراي ضعف امنيتي هستند و همچنين تغيير مكانيسم هاي احراز هويت در سامانه ها سبب ايجاد هزينه براي سازمان ها مي نمايد. ارائه امنيت و به طور مشخص احراز هويت به عنوان يك سرويس راهكار مناسبي براي پاسخ به چالش ها است؛ اما وجود سربار پردازش روي سرور احراز هويت يكي از مشكلات است. سازمان ها با سامانه هاي مختلف از راهكارهاي متفاوتي براي يكپارچه سازي استفاده مي نمايند كه يكي از راهكارها رايج گذرگاه سرويس سازماني است. در اين پايان نامه معماري ارائه گرديده است كه احراز هويت به عنوان سرويس به صورت كارا صورت مي گيرد. يك برنامه كاربردي براي احراز هويت كاربر را به سرور احراز هويت منتقل مي نمايد. پس از احراز هويت با توجه به اينكه سامانه ها از طريق گذرگاه سرويس سازماني باهم مرتبط هستند سرويس احراز هويت ورود و احراز كاربر را به عنوان يك رخداد به همه برنامه هاي كاربردي اعلان مي دارد. برنامه هاي كاربردي ديگر براي احراز هويت نيازي به مراجعه به سرور احراز هويت نخواهند داشت. پياده سازي يك نمونه اوليه نشان داد كه اين معماري قابليت عملياتي شدن دارد و از سوي ديگر نتايج شبيه سازي نشان داد كه اين روش كارا بوده و سربار پردازشي سرور احراز هويت و زمان پاسخ براي احراز هويت را كاهش مي دهد.
Thesis summary