دستگاه‌های مبتنی بر اینترنت اشیاء دائما در حال ارسال داده به ابر هستند. با این حال، متمرکز بودن مراکز داده ابر و فاصله زیاد تا محل ایجاد داده ها باعث کاهش کارایی این پارادایم در کاربردهای زمان واقعی شده است. محاسبات مه میتواند بدون درگیر کردن ابر منابع مورد نیاز دستگاه‌های اینترنت اشیاء را به صورت توزیع شده در لبه شبکه فراهم کند. بنابراین، پردازش، تجزیه و تحلیل و ذخیره-سازی به محل ایجاد داده ها و کاربران نهایی نزدیک شده و تاخیر کاهش می‌یابد. هر برنامه اینترنت اشیاء شامل مجموعه از سرویس‌های اینترنت اشیاء با الزامات مختلف کیفیت سرویس است که منابع مورد نیاز آنها میتوانند با استقرار روی گره‌های مه فراهم شوند. این مطالعه به چالش مکانیابی سرویس‌های اینترنت اشیاء به عنوان یک مدل برنامه‌ریزی خودمختار در محاسبات مه می‌پردازد. ما الگوریتم رقابت استعماری را به عنوان یک رویکرد مبتنی بر فراابتکاری برای حل این مسئله توسعه می دهیم. از آنجا که گره های مه با داشتن منابع کافی میتوانند میزبان چندین سرویس اینترنت اشیاء باشند، ما توزیع منابع را در فرایند مکانیابی در نظر می‌گیریم. الگوریتم پیشنهادی سرویس‌های اینترنت اشیاء را برای کاهش تاخیر اولویت بندی کرده و مسئله مکانیابی را به صورت چند-هدفه حل می کند. نتایج آزمایش‌ها نشان می دهد که الگوریتم ما میتواند به طور موثر عملکرد سیستم را بهبود داده و از بهترین نتایج الگوریتم‌های پیشرفته ادبیات بین 15% تا 31% اثربخشی بهتری داشته باشد. Manuscript profile

رویکردهای مختلفی برای افزایش دقت تشخیص بدافزار پیشنهاد شده است که ازجمله می توان به ترکیب طبقه بندها اشاره کرد. همچنین تحقیقات گوناگونی با هدف کاهش هزینه های مختلف IDS انجام شده است. با وجود این نیاز به ارائه رویکردی جهت کاهش هزینه سیستم های مبتنی بر ترکیب طبقه بندها وجود دارد. این مقاله راهکاری برای تشخیص بدافزارهای اندروید پیشنهاد می‌دهد. این رویکرد شامل دو مرحله است. اولین گام، انتخاب مناسب ترین ویژگی ها با استفاده از الگوریتم ‌کای‌مربع است. در گام دوم به عنوان نوآوری عمده این پژوهش، یک مدل پلکانی برای تشخیص بدافزار با استفاده از ترکیب دو طبقه‌بند مورد استفاده قرارمی‌گیرد که براساس سطح ریسک موجود و حساسیت مورد نیاز، یک مصالحه مطلوب بین نرخ هشدار اشتباه و نرخ منفی کاذب برقرار می کند. در مدل پیشنهادی طبقه بند دوم فقط بر روی رکوردهایی که با طبقه بند اول تعیین تکلیف نشده اند عمل می کند تا هزینه هزینه زمانی تشخیص در مقایسه با روش های پرهزینه ای مانند رأ‌ی گیری اکثریت کاهش یابد. نتایج ارزیابی راهکار پیشنهادی برروی یک مجموعه داده معتبر نشان داد که مدل ما صحت تشخیص را به بیش از 95% و نرخ تشخیص اشتباه را به کمتر از 0.03% می رساند که بهبود قابل ملاحظه‌ای نسبت به کارهای قبلی محسوب می شود. همچنین کارایی مدل در چهار سطح امنیتی بررسی شد. Manuscript profile