عباس رحیمی

عباس رحیمی

کارشناسی ارشد

شروع دوره: مهر 1398
پایان دوره: شهریور 1400
عنوان پايان‌نامه: ارائه چارچوبی مبتنی بر یادگیری عمیق برای تولید مدل در مهندسی مدل‌رانده
استاد راهنما: دکتر شکوفه کلاه‌دوز رحیمی     استاد مشاور: دکتر ماسیمو تیسی
بیشتر

معرفی کوتاه:
عباس رحیمی مدرک کارشناسی خود را در رشته‌ی مهندسی کامپیوتر-نرم‌افزار از دانشگاه یزد در سال ۱۳۹4 دریافت نموده است.

 

چکیده‌ی پایان‌نامه:
مدل در مهندسی مدل‌رانده به‌عنوان محور اصلی محسوب می‌شود. از مدل‌ها در فرآیندهای مختلف ازجمله آزمودن تبدیل مدل استفاده می‌شود. تنوع بالا در دامنه و برخی محدودیت‌ها ازجمله نیاز به مدل‌های واقع‌گرایانه برای ارزیابی سیستم‌های حساس، دسترسی به مخازن داده‌ی حاوی مدل را دشوار کرده است؛ لذا تولید مدل به‌عنوان یکی از مهم‌ترین چالش‌های مدل‌رانده مطرح شده است. پژوهشگران با استفاده از رویکردهای مختلف (مثل گرامر گراف، پارتیشن‌بندی و تصادفی) ابزارها و روش‌های گوناگون با ویژگی‌های مختلف برای تولید مدل توسعه داده‌اند. بااین‌حال، به‌ندرت رویکردی برای تولید مدل با ساختارهای واقع‌گرایانه ارائه شده است. در این پایان‌نامه، از مفاهیم یادگیری ماشین و به‌طور خاص یادگیری عمیق جهت ارائه چارچوبی هوشمند برای تولید مدل استفاده شده است. در چارچوب ارائه‌شده، از مزایای شبکه‌های عصبی مولد متخاصم (GAN) برای تولید مدل استفاده شده است. این چارچوب در 4 گام با دریافت فرامدل و تنها یک مدل نمونه از آن به‌عنوان ورودی قادر است مدل‌های جدیدی تولید کند. با الهام گرفتن از شباهت ساختاری مدل به گراف، در گام نخست یک رمزگذار با استفاده از اطلاعات ساختاری فرامدل، مدل ورودی را به یک گراف نگاشت می‌کند. سپس پارامترهای شبکه‌های عصبی تنظیم شده و ساختار گراف توسط شبکه فراگرفته می‌شود. در ادامه، از شبکه‌ی آموزش‌دیده درخواست می‌شود تا با استفاده از اطلاعاتش گراف‌های جدیدی تولید کند. سرانجام در گام پایانی گراف‌های جدید با استفاده از یک رمزگشای گراف به مدل، به فضای مدل‌رانده انتقال می‌یابند. چارچوب ارائه‌شده در این پژوهش قادر است مدل‌های مصنوعی جدید تولید کند. مهم‌ترین ویژگی مدل‌های تولیدشده، واقع‌گرایانه بودن آن‌ها است لذا می‌توانند برای فعالیت‌های مختلف در حوزه‌ی مدل‌رانده مورد استفاده قرار گیرد. این پژوهش اولین پژوهشی است که از یادگیری عمیق برای تولید مدل در حوزه مهندسی مدل‌رانده استفاده کرده است. برای ارزیابی چارچوب ارائه‌شده از معیارهای مبتنی بر گراف استفاده شده است. نتایج آماری ارزیابی‌ها نشان می‌دهد که استفاده از الگوریتم‌های یادگیری عمیق مولد مانند GAN-ها می‌تواند ماهیت واقع‌گرایانه‌ی مدل‌های مصنوعی تولیدشده را بهبود ‌بخشد.