رایانش ابری یک فناوری نوظهور و در حال رشد است که به طور گسترده برای ارائه محاسبات، خدمات ذخیره‌سازی و سایر منابع از طریق اینترنت استفاده می‌شود. در دسترس بودن سرویس‌های ابری یکی از مهمترین نگرانی‌های ارائه‌دهندگان خدمات ابری است. در حالی که سرویس‌های ابری عمدتا از طریق اینترنت منتقل می‌شوند، مستعد حملات مختلفی هستند که منجر به درز اطلاعات حساس شود. حمله DDoS به عنوان یکی از مهمترین تهدیدات امنیتی برای محیط رایانش ابری شناخته می‌شود. این حمله تلاشی صریح توسط یک مهاجم برای جلوگیری و عدم دسترسی به خدمات یا منابع مشترک در یک محیط ابری است. در این مقاله رویکردی ترکیبی برای مقابله با حمله DDoS در محیط رایانش ابری مورد بحث قرار گرفته است. این روش اهمیت روش‌های مبتنی بر انتخاب ویژگی‌های موثر و مدل‌های دسته‌بندی را برجسته می‌کند. در اینجا، رویکردی بر مبنای آنتروپی و بهینه‌سازی ازدحام ذرات برای مقابله با این حملات در محیط رایانش ابری ارائه می‌شود. دسته‌بندی داده‌های با ابعاد بالا معمولاً به انتخاب ویژگی به عنوان یک مرحله قبل از پردازش برای کاهش ابعاد نیاز دارد. با این حال، انتخاب ویژگی‌های موثر یک کار چالش برانگیز است که در این مقاله از بهینه‌سازی ازدحام ذرات برای اینکار استفاده می‌شود. در اینجا، مدل دسته‌بندی پیشنهادی بر مبنای استفاده از ساختمان داده درخت جستجوی دودویی متوازن و دیکشنری توسعه یافته است. شبیه‌سازی براساس مجموعه داده‌های NSL-KDD و CICDDoS2019 انجام شده که نتایج برتری روش پیشنهادی را با میانگین دقت تشخیص 99.84% نسبت به الگوریتم-های AGA و E-SVM اثبات می‌کند. Manuscript profile

سیستم های پیشنهاد دهنده اجتماعی، نسل جدیدی از این سیستم ها می باشند که از شبکه اجتماعی به عنوان بستر مدل سازی کاربر استفاده می کنند تا با استفاده از حجم غنی داده های تعاملی، برخی از چالش ها را مرتفع نمایند. شبکه های آنلاین اجتماعی، دوستان جدید را به کاربران ثبت شده بر مبنای خصوصیات گراف محلی پیشنهاد می دهند. هدف اصلی مسئله پیش بینی لینک در شبکه های اجتماعی، پیشنهاد لیستی از کاربران به یک کاربر خاص می باشد که احتمالا در آینده با آنها ارتباط برقرار خواهد کرد. در این تحقیق یک روش پیش بینی لینک بر اساس خصوصیات مدل های طبقه بندی ارائه شده است. در اینجا مسئله پیش بینی لینک به یک مسئله طبقه بندی با دو کلاس مثبت و منفی تبدیل شده، جائیکه کلاس مثبت نشان دهنده ارتباط و کلاس منفی نشان دهنده عدم ارتباط دو کاربر است. سه طبقه بند کلاسیک DT، NN و NB برای کار طبقه بندی استفاده شده است. برای ایجاد مجموعه داده از ویژگی های اعتبار، خوش بینی، تعداد همسایه های مشترک، تعداد مسیر با طول های متفاوت، تعداد توئییت های مشترک، تعداد مسیرهای خود محور داخلی و خارجی بهره گرفته می شود. اگر چه شبکه های خودمحور همپوشانی زیادی در حلقه ها ندارند، اما آزمایش ها نشان می دهد که در نظر گرفتن اطلاعات مسیرهای خودمحور به طور قابل توجهی عملکرد پیش بینی را بهبود می بخشد. طبقه بندی DT بهترین عملکرد را با دقت متوسط 99.85% به ثبت رسانیده است. Manuscript profile

Recommender Systems (RS) provide personalized recommendation according to user need by analyzing behavior of users and gathering their information. One of the algorithms used in recommender systems is user-based Collaborative Filtering (CF) method. The idea is that if users have similar preferences in the past, they will probably have similar preferences in the future. The important part of collaborative filtering algorithms is allocated to determine similarity between objects. Similarities between objects are classified to user-based similarity and item-based similarity. The most popular used similarity metrics in recommender systems are Pearson correlation coefficient, Spearman rank correlation, and Cosine similarity measure. Until now, little computation has been made for optimal similarity in collaborative filtering by researchers.For this reason, in thisresearch, weproposean optimal similaritymeasure via a simple linear combination of values and ratio of ratings for user-based collaborative filtering by use ofFireflyalgorithm; and we compare our experimental results with Pearson traditional similarity measure and optimal similarity measure based on genetic algorithm. Experimental results on real datasets show that proposed method not only improves recommendation accuracy significantly but also increases quality of prediction and recommendation performance. Manuscript profile