پروپوزال مهندسی کامپیوتر طراحی الگوریتم­های یادگیری ماشین به صورت مستقل از داده برای فراهم کردن محیط اجرای قابل اتکا

مشاوره در انجام پایان نامه و پروپوزال ارشد و دکتری، انجام پایان نامه ارشد و دکتری ادیب مشاور، انجام پایان نامه، انجام پایان نامه ارشد، انجام پایان نامه کارشناسی ارشد، انجام رساله دکتری، انجام پایان نامه دکتری

در نمونه پروپوزال ارشد مهندسی کامپیوتر به دنبال ارائه طرحی جهت یادگیری دانشجویان ارشد با ساختار کلی پروپوزال هستیم که دانشجو بتواند با مطالعه پروپوزال در روند انجام پایان نامه ارشد آشنایی پیدا کند و توان تدوین پروپوزال و پایان نامه را داشته باشد.از آنجایی که دانشجویان در مقطع ارشد آشنایی اولیه ای با روند انجام پروپوزال و انجام پایان نامه ندارند و در این مسیر نیازمند مشاوره در انجام پایان نامه هستند بنابراین سعی شده است که با ارائه موضوعات پایان نامه،نمونه پروپوزال ارشد و نمونه پایان نامه ارشد دانشجویان را در این مسیر یاری رسانده و آشنایی لازم را در این مسیر کسب نمایند.لازم است که دانشجویان عزیر با دقت نمونه موضوعات پایان نامه و نمونه پروپوزال ها و پایان نام های ارائه شده را با دقت مطالعه نموده و با نمونه برداری از هر قسمت به تدوین پروپوزال و پایان نامه خود اقدام نمایند.امید است که در این راه بتوانیم همواره مشاور و همراه شما باشیم .

در قسمت دفاعیه پایان نامه نیز نمونه پاورپوینت ارشد قرار داده هست که دانشجویان بتوانند جهت اماده سازی پاورپوینت دفاع پایان نامه استفاده نمایند.یک دفاع موفق منوط به مطالعه با دقت پایان نامه و رفع اشکال پایان نامه و سپس ارائه پاورپوینت با قسمت های پایان نامه همراه با آرامش در زمان دفاع می باشد.موسسه ادیب مشاور همواره در تمامی این مراحل در کنار شما عزیزان خواهد بود.

مسئله و اهداف اصلي تحقيق

حفظ حریم شخصی و رعایت حقوق اختصاصی شرکت­ها در الگوریتم­های یادگیری ماشین یکی از ملزومات و چالش­های اساسی شرکت­های بزرگ است. این امر زمانی بحرانی­تر می­شود که چندین شرکت بزرگ قصد اجرای الگوریتم­های یادگیری ماشین بر روی داده­های خود را داشته باشند. به­عبارت دیگر الگوریتم­های یادگیری ماشین بر روی منابع داده مشترک میان چندین شرکت اجرا می­شوند. در این حالت نکته اصلی حفظ حریم شخصی و خصوصی و اطلاعات حیاتی شرکت­ها در حین اجرای الگوریتم­ها می­باشد [1].

در بسیاری از کاربردها نیاز است تا شرکت­های بزرگ مجموعه داده­های شخصی خود را به اشتراک بگذارند و با انجام تحلیل­ها و اجرای الگوریتم­های یادگیری ماشین به دانش و تحلیل­های مفیدی دست یابند تا بتوانند برای برنامه­ریزی و اهداف آینده از آن­ها استفاده کنند. برای مثال چندین بیمارستان اطلاعات بیمارهای خود را به اشتراک می­گذارند تا بتوانند مدلی را برای پیش­بینی بیماری­ها آموزش دهند. نکته قابل توجه این است که هر چه داده­ ها بیشتر باشند، الگوریتم­های یادگیری ماشین مدل خروجی بهتری را  ارائه می­دهند. شکل-1 نمایی از این مثال را نشان می­دهد. برای مثال دیگر می­توان به اشتراک­گذاری اطلاعات مشتریان توسط شرکت­ها برای یافتن نکات اشتراک و ارائه سرویس­های پیشنهادی بهتر به مشتریان اشاره کرد. سرویس­هایی که هرکدام از شرکت­ها به تنهایی و بدون اطلاعات سایر شرکت­ها قادر به دست­یابی به آن نیستند [2].

از این­رو ارائه روشی برای فراهم آوردن امکان اشتراک­گذاری مجموعه­ های داده میان منابع مختلف با در نظر گرفتن حریم شخصی آن­ها و حفظ اطلاعات خصوصی آن­ها در حین اجرای الگوریتم­های یادگیری ماشین، یکی از مسائل حیاتی و چالشی حفظ حریم شخصی و امنیت اطلاعات در دنیای امروز است.

انجام پروپوزال مهندسی کامپیوتر یادگیری ماشین

انجام پروپوزال مهندسی کامپیوتر یادگیری ماشین

استفاده از پردازنده­ های SGX برای این وظیفه، به شرط رعایت اصول انتخاب، وفق ­پذیری و پیاده­ سازی الگوریتم­های یادگیری ماشین به­ نحوی که مستقل از داده باشد، کارایی بسیار بالایی را خواهد داشت [3].

بنابریان طبق آن­چه در بالا گفته شد، اهداف اصلی تحقیق پیش­رو عبارتند از:

1- شناسایی و درک ساختار پردازنده­ های SGX

2- چگونگی اجرای دستورات در محیط Trusted Execution Environment

3- طراحی الگوریتم­های یادگیری ماشین به ­صورت مستقل از داده

4- ارائه مدل و ساختاری برای اجرای الگوریتم­های یادگیری ماشین طراحی­ شده بر روی پردازنده ­های SGX

5- ارائه چارچوب مدنظر برای ارزیابی الگوریتم­های طراحی­شده

3-2 ـ تشريح و بيان موضوع

محیط­های اجرای قابل اتکا[1] ناحیه­ای امن در داخل پردازنده است. در این محیط، اجرای کد و داده بدون هیچ­گونه دخالت خارجی و با جامعیت تمام ضمانت می­شود. پردازنده­ های اینتل SGX مجموعه ­ای از پردازنده­های از نوع x86 هستند که برنامه ­های می­توانند از یک ناحیه حافظه حفاظت­ شده در داخل فضای آدرس خورد استفاده کنند. این ناحیه­ ها را enclaves می­نامند که از تمام کدهای دیگر از جمله کدهای سیستمی محافظت شده می­باشند. پردازنده تمام دسترسی­های حافظه به encalveها را بررسی می­کند و تنها یک قانون وجود دارد: "فقط قطعه کدی که در داخل enclave در حال اجرا است می­تواند به داده ذخیره شده در enclave دسترسی داشته باشد". از این­رو استفاده از پردازنده­های Intel SGX یکی از کاراترین روش­های باری تامین Trusted Execution Event می­باشد [1].

هدف اصلی در این تحقیق طراحی الگوریتم­های یادگیری ماشین به ­صورت مستقل از داده برای اجرا بر روی پردازنده ­های Intel SGX می­باشد. الگوریتم­های یادگیری ماشین که در این تحقیق به­صورت مستقل از داده طراحی می­شوند عبارتند از [4]:

1- الگوریتم خوشه ­بندی k-Means

روش میانگین k در عین سادگی یک روش بسیار کاربردی و پایه چند روش دیگر مثل خوشه بندی فازی می­باشد. روش کار به این صورت است که ابتدا به تعداد دلخواه نقاطی به عنوان مرکز خوشه در نظر گرفته می شود. سپس با بررسی هر داده، آن را به نزدیک­ترین مرکز خوشه نسبت می­دهیم. پس از اتمام این کار با گرفتن میانگین در هر خوشه می­توانیم مراکز خوشه و به دنبال آن خوشه­های جدید ایجاد کنیم.

2- ماشین بردار پشتیبان SVM[2]

ماشین بردار پشتیبان یکی از روش‌های یادگیری بانظارت است که از آن برای طبقه‌بندی[3] و رگرسیون[4] استفاده می‌کنند.

این روش از جمله روش‌های نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاری دسته‌بندی کنندة SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کند خطی را انتخاب کند که حاشیه اطمینان بیشتری داشته باشد. حل معادلة پیدا کردن خط بهینه برای داده‌ها به وسیله روش‌های بهینه­ سازی که روش‌های شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت می‌گیرد.

3- درخت تصمیم[5]

ساختار درخت تصمیم در یادگیری ماشین، یک مدل پیش­بینی کننده می­باشد که حقایق مشاهده شده در مورد یک پدیده را به استنتاج­هایی در مورد مقدار هدف آن پدیده نقش می­کند. تکنیک یادگیری ماشین برای استنتاج یک درخت تصمیم از داده ­ها، یادگیری درخت تصمیم نامیده می­شود که یکی از رایج­ترین روش­های داده­ کاوی است.

هر گره داخلی متناظر یک متغیر و هر کمان به یک فرزند، نمایان­گر یک مقدار ممکن برای آن متغیر است. یک گره برگ، با داشتن مقادیر متغیرها که با مسیری از ریشه درخت تا آن گره برگ بازنمایی می شود، مقدار پیش­بینی شده متغیر هدف را نشان می­دهد. یک درخت تصمیم ساختاری را نشان می­دهد که برگ­ها نشان ­دهنده دسته­بندی و شاخه­ ها ترکیبات فصلی صفاتی که منتج به این دسته­ بندی­ها را بازنمایی می­کنند. یادگیری یک درخت می­تواند با تفکیک کردن یک مجموعهء منبع به زیرمجموعه ­هایی براساس یک تست مقدار صفت انجام شود. این فرآیند به شکل بازگشتی در هر زیرمجموعه حاصل از تفکیک تکرار می شود. عمل بازگشت زمانی کامل می­شود که تفکیک بیشتر سودمند نباشد یا بتوان یک دسته ­بندی را به همهء نمونه­ های موجود در زیرمجموعه به­ دست آمده اعمال کرد.

درختان تصمیم قادر به تولید توصیفات قابل درک برای انسان، از روابط موجود در یک مجموعه داده ­ای هستند و می­توانند برای وظایف دسته ­بندی و پیش­بینی به­ کار روند. این تکنیک به شکل گسترده­ای در زمینه ­های مختلف همچون تشخیص بیماری دسته ­بندی گیاهان و استراتژی­های بازاریابی مشتری به­کار رفته است.

برای طراحی این الگوریتم­ها در محیطی که مستقل از داده باشد، یک سری عملگرهای مستقل از داده از پیش تعریف می­شوند و در اجرای الگوریتم­ها از این عملگرها استفاده می­شود. این عملگرها شامل گروه­های زیر می­باشند:

  • عملگرهای انتساب و مقایسه مستقل از داده
  • عملگرهای دسترسی به آرایه مستقل از داده
  • مرتب­سازی مستقل از داده

هر کدام از الگوریتم­های یادگیری ماشین فوق، با استفاده از عملگرهای مستقل از داده فوق به­ گونه­ای تغییر می­یابند که مستقل از داده بوده و بر روی پردازنده ­های SGX قابل اجرا باشند.

 

3-3 ـ ضرورت انجام تحقيق

باتوجه به این­که از یک طرف در سالیان اخیر مباحث مربوط به داده­کاوی و الگوریتم­های یادگیری ماشین و اشتراک اطلاعات میان حوزه­های مختلف برای یافتن الگوهای پنهان میان اطلاعات یکی از ملزومات دنیای فناوری اطلاعات شده است و از طرف دیگر نیز باتوجه به رشد روز افزون داده­های دیجیتال، تلفیق این اطلاعات برای شرکت­های بزرگ بسیار سودمند خواهد بود، ارائه روشی که در انجام الگوریتم­های داده­  و یادگیری ماشین حفظ حریم شخصی و حفظ امنیت اطلاعات خصوصی منابع مختلف، مفید و کارا باشد بیش از پیش احساس می­شود [5].

در واقع، تحقیق پیش­رو روشی برای حفظ حریم شخصی و امنیت اطلاعات خصوصی شرکت­ها و منابع داده مختلف برای اشتراک­ گذاری داده­ ها میان یکدیگر به­ منظور انجام تحلیل­ها و اجرای الگوریتم­های یادگیری ماشین مختلف می­باشد.

تاکنون روش­های زیادی برای حفظ حریم شخصی و امنیت اطلاعات در الگوریتم­های داده­ کاوی ارائه شده است، اما فقط تعداد اندکی از این روش­ها از طریق ایجاد محیط امن اجرا اقدام به این مهم نموده­اند.

از این­رو ارائه روشی که بتواند این شکاف و رخنه به­ وجود آمده در حفظ حریم شخصی در اجرای الگوریتم­های داده ­کاوی بر روی منابع داده­ای مشترک را پر نماید، بسیار ضروری و حیاتی است.

 

3-4 ـ سابقه تحقيقات و مطالعات انجام گرفته

تاکنون روش­های زیادی برای حفظ حریم شخصی در الگوریتم­های یادگیری ماشین ارائه شده است که در ادامه به توضیح آن­ها می­پردازیم.

در [6] به توصیف روش­ها و پروتکل­های مختلف امن برای محیط­های محساباتی پرداخته شده است. در [7] به ارائه یک سیستم امن برای ارتباط دو منبع مختلف برای اجرای برنامه­ های مختلف اشاره دارد. در واقع در این این دو روش هدف اصلی ارائه یک ساختار و مدل مناسب برای ارتباطات میان منابع مختلف برای اجرا در محیط­های امن اشاره دارد. الگوی اصلی در این دو روش نیز تمرکز بر دسترسی به منابع داده و کدهای مشخص و بررسی سطح دسترسی­ها به حافظه و رجیستری ­های پردازنده می­باشد.

روش دیگری که علاوه بر چک کردن دسترسی کدها به داده­ ها مورد استفاده قرارا می­گیرد، ارائه یک شمای رمزگذاری[6] برای دسترسی به حافظه و کد می­باشد. در [8] یک شمای مبتنی بر رمزگذاری با مرتبه زمانی مناسب ارائه شده است.

نکته بسیار مهمی که در روش­های ارائه ­شده باید مدنظر قرار داد سربار زمان اجرای الگوریتم­ها است که خود به محدودیتی در استفاده از این روش­ها برای مجموعه­  داده ­های بزرگ تبدیل می­شود. در ادامه به بررسی چندین نمونه از این قبیل از روش­های پرداخته می­شود.

 

در [5] یک چارچوب برنامه ­نویسی برای محاسبات امن ارائه شده است. در این چارچوب یک ساختار برنامه ­نویسی برای ایجاد برنامه ­های امن در اختیار برنامه­ نویسان قرار می­گیرد. در این چارچوب الگوریتم­های یادگیری ماشین و پردازش جریانی نیز با موفقیت مورد آزمون قرار گرفته ­اند.

در [2] یک ساختار برنامه ­نویسی موازی برای محیط­ های امن طراحی و پیاده ­سازی شده است. ایده اصلی در این روش کنترل دسترسی پردازنده­ های مختلف به حافظه اصلی باتوجه به نیازهای آینده می­باشد. از ویژگی­های بسیار مفید این روش می­توان به پشتیبانی از معماری­های مختلف پردازش موازی اشاره کرد که برای هرکدام مدل و ساختار پردازش موازی را ارائه کرده است.

در [9] به ارائه روشی مبتنی بر محسابات امن برای حفظ حریم شخصی در الگوریتم تجزیه ماتریس[7] ارائه شده است. این روش از جمله روش­های مبتنی بر رمزگذاری است که بر پایه تکنیک مدارهای درهم[8] است.

در [10] یک زبان برنامه­ نویسی برای محاسبات مشترک میان چندین منبع مشترک داده طراحی و ارائه گردیده است. این زبان برنامه­ نویسی از نوع سطح بالا بوده و کد نوشته ­شده به این زبان به حلقه­ های اجرا مجزا کامپایل و اجرا می­شوند. این روش از جمله روش­هایی است که دارای پیچیدگی زمانی بالا است که برای مجموعه ­داده ­های با حجم زیاد مناسب نخواهد بود.

 

در جدول زیر به مقایسه چند روش شناخته­ شده در حوزه مساله تحقیق اشاره شده است. سرعت ذکرشده در جدول زیر مربوط به سرعت روش ارائه در چک و بررسی تعداد گیت (گیت AND) در ثانیه می­باشد.

 

روش زبان برنامه­نویسی سرعت (گیت/ثانیه) پهنای باند
Fairplay [7] جاوا کوچکتر مساوی 30 900 بیت بر ثانیه
FastGC [11] جاوا 96 هزار 2.8 مگا بیت بر ثانیه
OblivM-GC [5] جاوا 670 هزار 19.6 مگابیت بر ثانیه
GraphSC [2] جاوا موازی شده 580 هزار 16 مگابیت بر ثانیه
JustGarble [12] C 11 میلیون 315 مگابیت بر ثانیه
KSS [13] AES-NI 320 2.4 مگابیت بر ثانیه

جدول-1 مقایسه روش­های مختلف

 

3-5 ـ فرضيه ­هاي تحقيق (سؤالات تحقيق)

  • آیا امکان طراحی الگوریتم­های یادگیری ماشین به صورت مستقل از داده وجود دارد؟
  • آیا می­توان از پردازنده­های SGX اینتل برای اجرای الگوریتم­های یادگیری ماشین در محیط امن محاسباتی استفاده کرد؟
  • آیا می­توان کنترل دسترسی الگوریتم­های یادگیری ماشین به منابع داده مشترک را به­ گونه ­ای که کنترل کرد که حریم شخصی منابع داده حفظ شود؟
  • آیا روش ارائه شده برای محیط­های با داده ­های مشترک مناسب است؟

3-6 ـ نتايج موردانتظار پس از انجام تحقيق

  • شناسایی ویژگی­های الگوریتم­های یادگیری ماشین و فهم عملکرد آن­ها
  • تعیین مراحلی که این الگوریتم­ها نیاز به دسترسی به داده دارند
  • تعیین عملگرهای مستقل از داده برای این نوع از الگوریتم­ها
  • تغییر الگوریتم­های یادگیری ماشین با استفاده از این عملگرها
  • ارزیابی صحت اجرای الگوریتم­ها بر روی پردازنده­ های SGX اینتل

 

4 ـ روش انجام تحقيق

  • روش انجام تحقیق در مرحله اول، براساس مطالعه مقالات و تحقیقات علمي، گزارش­های فني، کتب، پايان نامه­ ها، پروژه­ های تحقیقاتي و مطالب موجود در سايت­های اينترنتي علمي و فني درزمینه اجرای الگوریتم­های یادگیری ماشین در محیط امن محاسباتی، به ­منظور شناسایی پارامترها و چالش­های اصلی این حوزه می­باشد.
  • در مرحله بعد شناسایی ویژگی­ها و اصول ساختاری پردازنده SGX اینتل است.
  • در مرحله بعد ارائه عملگرهای مستقل از داده برای طراحی الگوریتم­های یادگیری ماشین مستقل از داده خواهد بود.
  • طراحی الگوریتم­های یادگیری ماشین مستقل از داده با استفاده از عملگرهای طراحی شده در مرحله قبل.

در مرحله انتهایی نیز پیاده ­سازی روش ارائه­شده و تحلیل نتایج به دست آمده از آن و مقایسه آن با سایر روش­ها می­باشد.

۴-1 ـ روش گردآوري اطلاعات

روش های کتابخانه ای

  • مطالعه کتاب های مرتبط
  • مشاهده فیلم های مرتبط
  • مطالعه پایان نامه های مرتبط
  • مطالعه مقالات مرتبط
  • مطالعه نشریات (روزنامه ها، مجلات) مرتبط

4-2 ـ روش و مراحل تحقيق

روال کلی انجام تحقیق پیش­رو به صورت زیر می­باشد:

  • شناخت الگوریتم­های یادگیری ماشین
  • شناسایی مراحل دسترسی به داده در این الگوریتم­ها
  • طراحی عملگرهای پایه محاسباتی مستقل از داده
  • تغییر و باز­طراحی الگوریتم­های یادگیری ماشین با استفاده از عملگرهای طراحی شده مرحله قبل
  • ارزیابی اجرای الگوریتم­های طراحی شده و مقایسه با سایر روش­ها

 

­4-3 ـ قلمرو تحقيق

قلمرو مورد نظر محقق در این مطالعه، تمرکز بر روی اجرای الگوریتم­های یادگیری ماشین در محیطی با چندین منبع اطلاعاتی  است. دلیل این امر هم حفظ حریم شخصی و امنیت اطلاعات منابع داده مختلف (مانند شرکت­ها) به هنگام اشتراک­گذاری داده­ها برای اجرای الگوریتم­های یادگیری ماشین می­باشد.

 

[1] Trusted Execution Environment

[2] Support Vector Machine

[3] Classification

[4] Regression

[5] Decision Tree

[6] Encryption

[7] Matrix Factorization

[8] Garbled Circuits

 

پروپوزال مهندسی کامپیوتر تلفیق الگوریتم ژنتیک و منطق فازی برای خوشه بندی نابرابر در شبکه های حسگر بیسیم

آموزش تخصصی انجام پایان نامه مهندسی کامپیوتر، شبکه حسگر بیسیم

پروپوزال مهندسی کامپیوتر ردیابی هدف متحرک در شبکه حسگر بی‌سیم با استفاده از الگوریتم بهینه‌سازی کوکو

پروپوزال مهندسی کامپیوتر ارائه چارچوب و مدلی برای امنیت داده های حجیم

پروپوزال مهندسی کامپیوتر ارائه‌ی یک روش تخصیص منابع جهت انتخاب طیف در شبكه­‌هاي  بي‌سيم راديوشناختی در محیطهای پویاچ

 

خدمات ادیب مشاور در زمینه رشته مهندسی کامپیوتر

ارائه موضوع پایان نامه مهندسی کامپیوتر

تدوین مقاله در رشته مهندسی کامپیوتر

مشاوره در تدوین پروپوزال مهندسی کامپیوتر

مشاوره و آموزش در پایان نامه مهندسی کامپیوتر

انجام شبیه سازی در رشته مهندسی کامپیوتر

استخراج مقاله در  رشته مهندسی کامپیوتر

استفاده از نرم افزارهای تخصصی همچون نرم افزار R، نرم افزار STATA، نرم افزار MATLAB، نرم افزار Vensim، نرم افزار LINGO، نرم افزار NS2

 

مشاوره تخصصی انجام پایان نامه ارشد

یکی از مهمترین وظایف دانشجویان در مقاطع تحصیلات تکمیلی (کارشناسی ارشد و دکتری) انجام پایان نامه می باشد. فقر اساتید خبره در زمینه های مختلف علمی تحقیقاتی در برخی دانشگاه های داخلی و خارجی موجب سردرگمی دانشجویان عزیز گردیده است، موسسه ادیب مشاور مفتخر است که در پاسخ به این نیاز طی ده سال فعالیت به تعداد بیشماری از دانشجویان ارشد و دکتری خدمات مشاوره تخصصی ارايه داده است.

به طور کلی انجام پایان نامه کاری زمان بر است که دانش و تجربه زیادی نیازمند است. موسسه ادیب مشاور با چندین سال تجربه در عرصه مشاوره و با در اختیار داشتن متخصصین و اساتیدی با تجربه آماده مشاوره و آموزش پایان نامه در کلیه رشته های دانشگاهی می باشد.

علاوه بر این موسسه ادیب مشاور، در زمینه شبیه سازی مقالات، پایان نامه ها و انجام پروژه ها با برنامه نویسی نیز به دانشجویان کشور عزیزمان خدمات لازم را ارائه می کند. این خدمات شامل تحلیل آماری، پیاده سازی با انواع نرم افزارهای مهندسی، برنامه نویسی با انواع زبان های برنامه نویسی و تهیه پرسش نامه می شود.

به طور کلی سر فصل های خدمات موسسه ادیب مشاور عبارتند از:

مشاوره پروپوزال در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

مشاوره پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

استخراج مقاله از پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

انجام پایان نامه کامپیوتر، پروپوزال مهندسی کامپیوتر

اگر برای هریک از موارد فوق نیاز به مشاوره رایگان دارید، همین الان با ما تماس بگیرید.