Наукові записки Державного університету інформаційно-комунікаційних технологій

Титул

2025-06-21T02:14:55+00:00

Титул

Зміст

2025-06-21T02:15:10+00:00

Зміст

ФУНКЦІОНАЛЬНО-СТАТИСТИЧНІ МОДЕЛІ ОБ’ЄКТІВ КОНТРОЛЮ ТА УПРАВЛІННЯ

2025-06-21T02:14:49+00:00

. У сучасній інфокомунікаційній мережі
об’єктом контролю та управління може бути будь-яке обладнання інформаційної мережі, а також уся
мережа в цілому. При цьому мережа розглядається як складна система, що підлягає управлінню.
Складність процесу контролю та управління здебільшого обумовлюється складністю об’єктів. Для
опису функціонування об’єкта доцільно буде побудувати його математичну модель. Найбільш повно
стан об’єкта характеризує математична функціонально-статистична модель – це система рівнянь або
операторів, котрі описують залежність вихідних параметрів об’єкта, системи чи блока від зовнішніх
або внутрішніх впливів під час функціонування. На основі аналізу цієї моделі можливо сформулювати
основні задачі, що вирішуються автоматичною системою контролю та управління, а також
синтезувати оптимальну систему управління мережею, визначити ступінь автоматизації та її
ефективність.
При побудові математичної функціонально-статистичної моделі необхідно враховувати те, що
мережа як об’єкт управління може складатися з систем найрізноманітніших класів і видів. Такі
системи можуть бути автономними і неавтономними, стаціонарними та не стаціонарними,
замкнутими і розімкнутими. Тому для побудови математичної функціонально-статистичної моделі
необхідно використовувати достатньо узагальнений математичний апарат, який при відповідних
змінах може бути застосований для будь-якої системи управління.
Ключові слова: управління мережею, система контролю та управління, функціональностатистична модель, об’єкт контролю та управління, синтез, оптимальна система, затримка,
коефіцієнт готовності, метод Монте-Карло

Список використаної літератури
1. Л.Н. Беркман, Л.О. Комарова, О.І. Чумак. Основні поняття та теореми теорії інформації
: навч. посіб. Київ : ДУІКТ, 2015. 91 с.
2. 6G Wireless Communication Systems: Applications, Opportunities and Challenges / K. Anoh
et al. Future Internet. 2022. Vol. 14, no. 12. P. 379. URL: https://doi.org/10.3390/fi14120379.
3. Ramirez Villamarin C., Suazo E., Oraby T. Regularization by deep learning in signal
processing. Signal, Image and Video Processing. 2024. URL: https://doi.org/10.1007/s11760-024-
03083-7.
4. Ferreira M. F. S., Pinto A. N., Hübel H. Quantum Communications. Fiber and Integrated
Optics. 2020. P. 1–2. URL: https://doi.org/10.1080/01468030.2020.1712536
5. Digital Signal Processing Using Deep Neural Networks / B. Shevitski et al. Office of
Scientific and Technical Information (OSTI), 2023. URL: https://doi.org/10.2172/1984848.
6. Zeybek M., Kartal Çetin B., Engin E. Z. A Hybrid Approach to Semantic Digital Speech:
Enabling Gradual Transition in Practical Communication Systems. Electronics. 2025. Vol. 14, no. 6.
P. 1130. URL: https://doi.org/10.3390/electronics14061130.
7. Balaji C., Sivaram P. Adaptive Beamforming and Energy-Efficient Resource Allocation for
Sustainable 6G THz Networks. IETE Journal of Research. 2025. P. 1–15.
URL: https://doi.org/10.1080/03772063.2025.2460672.

МЕТОДИ КІБЕРЗАХИСТУ МЕРЕЖІ ІНТЕРНЕТУ РЕЧЕЙ У СФЕРІ ПЕРЕДАЧІ ДАННИХ ЛАБОРАТОРНИХ ДОСЛІДЖЕНЬ

2025-06-21T02:14:55+00:00

У роботі
було проведено аналіз методів кіберзахисту сенсорних мереж Інтернету речей у сфері передачі
даних лабораторних досліджень. Проведено аналіз та визначено роль методів кіберзахисту
сенсорних мереж у контексті існуючих кіберзагроз з урахуванням різних типів атак при імовірному
використанню різних типів з’єднань датчиків та виконавчих пристроїв. Проведено групування
розглянутих методів захисту мережевого рівня, які можуть бути використані для вирішення задач
передачі даних лабораторних досліджень шляхом застосування сенсорних мереж на основі ІоТ
технології за п’ятьма категоріями: сегментація мережі, ідентифікація вторгнень, захищена
маршрутизація, захист виконавчих пристроїв, захист MQTT протоколу. Сформовано систему
методів кіберзахисту ІоТ мереж у сфері передачі даних лабораторних досліджень, яка враховує як
загальні методи захисту бездротових мереж та групи спеціальних методів захисту сенсорних мереж
ІоТ, так і вплив методів захисту рівнів сприйняття, підтримки та застосунків та мережевий рівень в
загальній моделі безпеки. Досліджено взаємозв’язки окремих методів в рамках взаємодії з різними
групами для вирішення задачі захисту бездротових сенсорних ІоТ мереж при їх використанні в
лабораторних випробуваннях. Сформовано ряд переваг та недоліків, які надають групи розглянутих
методів для задач передачі даних лабораторних досліджень та окреслено шлях подальшого розвитку
цих методів з метою підвищення рівня ефективності та якості проведення передачі даних
лабораторних досліджень та точності лабораторних вимірювань. Практичне значення роботи
полягає в можливості застосування системи взаємопов’язаних методів для досягнення
максимального рівня захисту при застосування сенсорних мереж в лабораторії для подальшого
впровадження існуючих методів в реальних умовах і розробки нових методів з метою підвищення
ефективності захисту.
Ключові слова: безпроводові сенсорні мережі, кібератака, ІоТ, лабораторні дослідження,
кіберзахист мережевого рівня

Список використаної літератури
1. Бездротові мережі “розумних” мультисенсорів та біосенсорних приладів для експресдіагностики стану виноградних і плодоягідних культур та контролю якості продуктів
виноробства / В.О. Романов та ін. Кібернетика та комп’ютерні технології. 2023. № 1. С. 58-
73. URL: https://doi.org/10.34229/2707-451X.23.1.6.
2. Волошко С.В., Курца Д.О. Інформаційна безпека в безпроводових сенсорних мережах.
Новітні інформаційні системи та технології. 2018. Вип. 9. URL:
https://journals.nupp.edu.ua/mist/article/view/1039.
3. Digital trust in a connected world: navigating the state of IoT secutity. Keyfactor,
VansonBourne, 2023. URL: https://www.keyfactor.com/state-of-iot-security-report-2023
4. Прокопович-Ткаченко Д.І., Звєрєв В.П., Козаченко І.М. Кіберзагрози та методи захисту
фізичної інфраструктури промислового Інтернету речей (ILOT). Вчені записки ТНУ імені
В.І. Вернадського. Серія: Технічні науки. 2025. Том 36 (75), № 1. С. 218-225. URL:
https://doi.org/10.32782/2663-5941/2025.1.2/32.
5. Методи захисту інформації в технологіях ІоТ / Я. Олійник та ін. Кібербезпека: освіта,
наука, техніка. 2025. Том 3, № 27. С. 100-108. URL: https://doi.org/10.28925/2663-
4023.2025.27.705.
6. Kardi A., Zagrouba R. Attacks classification and security mechanisms in wireless sensor
networks. Advances in Science, Technology and Engineering Systems Journal. 2019. Vol. 4, № 6. P.
229-243. URL: https://dx.doi.org/10.25046/aj040630.
7. Complete security framework for wireless sensor networks / Sharma K. et al. arXiv. 2009.
URL: https://doi.org/10.48550/arXiv.0908.0122.
8. Коваленко О.Є. Моделі безпеки Інтернету речей. Математичні машини і системи.
2023. № 4. С. 43-50. URL: https://doi.org/10.34121/1028-9763-2023-4-43-50.
9. Стервоєдов М.Г., Терьохін В.Л. Розробка мережевої інфраструктури ІоТ на базі
сенсорної мережі розподілених датчиків для вимірювання радіаційного забруднення з
використанням багаторівневої архітектури. Вісник Харківського національного університету
імені В.Н. Каразіна серія “Математичне моделювання. Інформаційні технології.
Автоматизовані системи управління”. 2020. № 48. С. 89-97. URL:
https://doi.org/10.26565/2304-6201-2020-48-09.
10. Модель забезпечення кібербезпеки Інтернету речей / Г.І. Гайдур та ін.
Телекомунікаційні та інформаційні технології. 2024. № 2(83). С. 4-13. URL:
https://doi.org/10.31673/2412-4338.2024.020515.
11. Лісовий І.В., Войтович О.П., Волинець О.Ю. Рекомендації забезпечення безпеки
бездротових з’єднань Інтернету речей. Матеріали LIII науково-технічної конференції
підрозділів ВНТУ Вінниця 20-22 березня 2024 р. URL:
https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2024/paper/view/20423.
12. Pribadi: A decentralized privacy-preserving authentication in wireless multimedia sensor
networks for smart cities / R. Goyat et al. Cluster Computing. 2023. Vol. 26, №6. P. 4567-4583. URL:
https://doi.org/10.1007/s10586-023-04211-7.
13. A secure clustering protocol with fuzzy trust evaluation and outlier detection for industrial
wireless sensor networks / L. Yang et al. arXiv. 2022. URL:
https://doi.org/10.48550/arXiv.2207.09936.
14. Clustering objectives in wireless sensor networks: A survey and research direction analysis /
A. Shahraki et al. Computer Networks. 2020. Vol. 180. URL:
https://doi.org/10.1016/j.comnet.2020.107376.
15. Артюх С.Г. Функціональна модель підсистеми безпеки системи управління
безпроводовими сенсорними мережами військового призначення. Сучасні інформаційні
технології у сфері безпеки і оборони. 2025. № 1 (52). С. 85-92. URL:
https://doi.org/10.33099/2311-7249/2025-52-1-85-92.
16. Buczak A.L., Guven E. A survey of data mining and machine learning methods for cyber
security intrusion detection. IEEE Communications Surveys & Tutorials. 2016. Vol. 18, № 2. P. 1153-
1176. URL: https://doi.org/10.1109/COMST.2015.2494502.
17. Evolving machine intelligence toward tomorrow’s intelligence network traffic control
systems / G. Nikitha et al.. International Journal of Engineering Research in Computer Science and
Engineering. 2018. Vol. 5, № 4. P. 566-569.
18. Shallow and deep networks intrusion detection system: A taxonomy and survey / E. Hodo et
al. arXiv. 2017. URL: https://doi.org/10.48550/arXiv.1701.02145.
19. Wang L., Jones R. Big data analytics for network intrusion detection: A survey et al.
International Journal of Networks and Communications. 2017. Vol. 7, № 1. P. 24-31. URL:
https://doi.org/10.5923/j.ijnc.20170701.03.
20. A fuzzy logic and DEEC protocol-based clustering routing method for wireless sensor
networks / N. Subramani et al. AIMS Mathematics. 2023. Vol. 8, № 4. P. 8310-8331. URL:
https://doi.org/10.3934/math.2023419.
21. Trust and energy-aware routing protocol for wireless sensor networks based on secure routing
/ G. Muneeswari et al. International Journal of Electrical and Computer Engineering Systems. 2023.
Vol. 14, № 9. P. 1015-1022. URL: https://doi.org/10.32985/ijeces.14.9.6.
22. Тіхонов С.В. Питання кібербезпеки в базових технологіях Інтернету речей. Current
challenges of science and education : proceedings of XII International Scientific and Practical
Conference, Berlin, Germany, 29-31 July 2024 / MDPC Publishing, Berlin : 2024. С. 165-171.
23. Prasad P.B.N., Gopalan K.D.R.S. Exploiting physical dynamics to detect actuator and sensor
attacks in mobile robots. arXiv. 2017. URL: https://doi.org/10.48550/arXiv.1708.01834.
24. Secure and authenticated data communication in wireless sensor networks / Alfandi O. et al.
Sensors. 2015. Vol. 15, № 8. P. 19560-19585. URL: https://doi.org/10.3390/s150819560.
25. Белей О.І., Логутова Т.Г. Безпека передачі даних для Інтернету речей. Кібербезпека:
освіта, наука, техніка. 2019. № 2 (6). С. 6-18. URL: doi.org/10.28925/2663-4023.2019.6.618.
26. Winarno A., Sari R.F. A novel secure end-to-end IoT communication scheme using
lightweight cryptography based on block cipher. Applied Science. 2022. Vol. 12, №17. URL:
https://doi.org/10.3390/app12178817.
27. Paolo E.D., Bassetti E., Spognardi A. Security assessment of common open source MQTT
brokers and clients. arXiv. 2023. URL: https://doi.org/10.48550/arXiv.2309.03547.

ПОЗИЦІОНУВАННЯ АБОНЕНТСЬКОГО ОБЛАДНАННЯ В МЕРЕЖАХ 5G З ВИКОРИСТАННЯМ ВИПЕРЕДЖЕННЯ ЧАСУ

2025-06-21T02:15:10+00:00

Стаття присвячена дослідженню методів
позиціонування абонентского обладнання для навігації, промисловості та громадської безпеки.. В
сценаріях, коли використання GPS з різних причин ускладнене, позиціонування може бути
забезпечене за допомогою штатного функціоналу стільникової мережі. В статті розглянуті методи
позиціонування в мережах 5G, зокрема на основі E-CID, напруженості поля, різниці в часі прийому
сигналу і LPHAP та запропонований метод, заснований на випередженні часу. Запропонований
метод направлений на спрощення процедури позиціонування, забезпечення високої точності
визначення місцезнаходження абонентського обладнання та зменшення енергоспоживання при
позиціонуванні. Досліджено метод зменшення помилки за допомогою усереднення ряду значень
TA. Досліджені методи зменшення енергоспоживання UE в процесі визначення місцезнаходження
для критичних сценаріїв. Розглянуті можливі проблеми, що призводять до розбіжностей часової
синхронізації, необхідної для досягнення максимально високої точності позиціонування при
застосуванні представленого методу.
Ключові слова: 5G, позиціонування, випередження часу, навігація

Список використаної літератури
1. Preliminary performance analysis of tightly-coupled 5G/PPP positioning based on different
5G observations / W. Guo et al. IEEE Transactions on Instrumentation and Measurement. 2025. P. 1.
URL: https://doi.org/10.1109/tim.2025.3527605.
2. GNSS-5G Hybrid Positioning Based on Joint Estimation of Multiple Signals in a Highly
Dependable Spatio-Temporal Network / J. Liu et al. Remote Sensing. 2023. Vol. 15, no. 17. P. 4220.
URL: https://doi.org/10.3390/rs15174220.
3. Performance Research of RTK/5G Combined Positioning Model / F. Li et al. Measurement
Science and Technology. 2022. URL: https://doi.org/10.1088/1361-6501/aca8c3
4. Impact of Indoor Multipath Channels on Timing Advance for URLLC in Industrial IoT / S.
Zeb et al. 2020 IEEE International Conference on Communications Workshops (ICC Workshops),
Dublin, Ireland, 7–11 June 2020. 2020. URL:
https://doi.org/10.1109/iccworkshops49005.2020.9145066.
5. Shi H., Aijaz A., Jiang N. Evaluating the Performance of Over-the-Air Time Synchronization
for 5G and TSN Integration. 2021 IEEE International Black Sea Conference on Communications and
Networking (BlackSeaCom), Bucharest, Romania, 24–28 May 2021. 2021. URL:
https://doi.org/10.1109/blackseacom52164.2021.952783.
6. 5G NR Positioning Enhancements in 3GPP Release-I8 / H.-S. Cha et al. IEEE
Communications Magazine. 2025. Vol. 9, no. 1. P. 22–27. URL:
https://doi.org/10.1109/mcomstd.0001.2400006.
7. Zhu R., Zhang L. A 5G Positioning Method Based on Multi-fingerprint Features and Improved
WKNN. 2024 Asia-Pacific Conference on Image Processing, Electronics and Computers (IPEC),
Dalian, China, 12–14 April 2024. 2024. P. 489–493. URL:
https://doi.org/10.1109/ipec61310.2024.00089.
8. Advancements in Indoor Precision Positioning: A Comprehensive Survey of UWB and Wi-Fi
RTT Positioning Technologies / J. Qiao et al. Network. 2024. Vol. 4, no. 4. P. 545–566. URL:
https://doi.org/10.3390/network4040027.
9. Enabling Low-Power High-Accuracy Positioning (LPHAP) in 3GPP NR Standards / Y. Wang
et al. 2021 International Conference on Indoor Positioning and Indoor Navigation (IPIN), Lloret de
Mar, Spain, 29 November – 2 December 2021. 2021. URL:
https://doi.org/10.1109/ipin51156.2021.9662628.
10. Njoku F. C., Ibikunle F., Adikpe A. O. A Review on Discontinuous Reception Mechanism
as a Power Saving Approach for 5G User Equipments at Millimetre-Wave Frequencies. 2023
International Conference on Science, Engineering and Business for Sustainable Development Goals
(SEB-SDG), Omu-Aran, Nigeria, 5–7 April 2023. 2023. URL: https://doi.org/10.1109/sebsdg57117.2023.10124494.

ОПТИМІЗАЦІЯ ПРОГНОЗУВАННЯ ШЛЯХОМ УРАХУВАННЯ ПРИЧИННОГО ВПЛИВУ

2025-06-21T02:15:17+00:00

У статті досліджено підходи до врахування причинного впливу між змінними
у задачах прогнозування. Основна увага приділяється методу причинності Грейнджера для
виявлення часових затримок між змінними та їх подальшого застосування в побудові прогнозних
моделей. Запропоновано підхід до покращення точності LSTM-моделі шляхом інтеграції аналізу
часових затримок. Автори наголошують на важливості врахування лагових взаємозв’язків для
формування більш інформативного вхідного простору нейромережі. Експериментальні результати
свідчать про підвищення точності прогнозів за умови попереднього виявлення причинно-значущих
зв’язків.
Ключові слова: прогнозування, часові ряди, причинність Грейнджера, лаговий вплив,
нейронні мережі

Список використаної літератури
1. Habibnia A., Etesami J., Kiyavash N. Modeling Systemic Risk: A Time-Varying
Nonparametric Causal Inference Framework. SSRN. 2024. URL:
https://doi.org/10.2139/ssrn.4684230.
2. Research on condition operation monitoring of power system based on supervisory control
and data acquisition model / B. Li et al. Alexandria Engineering Journal. 2024. Vol. 99. P. 326–334.
URL: https://doi.org/10.1016/j.aej.2024.05.027.
3. Open-Source Internet of Things-Based Supervisory Control and Data Acquisition System for
Photovoltaic Monitoring and Control Using HTTP and TCP/IP Protocols / W. Khalid et al. Energies.
2024. Vol. 17, no. 16. P. 4083. URL: https://doi.org/10.3390/en17164083.
4. Lopes F. M., Dutra E., Boussetta S. Evaluation of Daily Temperature Extremes in the
ECMWF Operational Weather Forecasts and ERA5 Reanalysis. Atmosphere. 2024. Vol. 15, no. 1.
P. 93. URL: https://doi.org/10.3390/atmos15010093.
5. Siddiqi A. Value Analytics for Earth Observing Systems. IGARSS 2024 - 2024 IEEE
International Geoscience and Remote Sensing Symposium, Athens, Greece, 7–12 July 2024. 2024.
P. 3864–3867. URL: https://doi.org/10.1109/igarss53475.2024.10642411.
6. Liao S.-h., Widowati R., Lee C.-Y. Data mining analytics investigation on TikTok users'
behaviors: social media app development. Library Hi Tech. 2022. URL: https://doi.org/10.1108/lht08-2022-0368.
7. Chiang L. H., Braatz R. D. Process monitoring using causal map and multivariate statistics:
fault detection and identification. Chemometrics and Intelligent Laboratory Systems. 2003. Vol. 65,
no. 2. P. 159–178. URL: https://doi.org/10.1016/s0169-7439(02)00140-5.
8. Nadim K., Ragab A., Ouali M.-S. Data-driven dynamic causality analysis of industrial
systems using interpretable machine learning and process mining. Journal of Intelligent
Manufacturing. 2022. URL: https://doi.org/10.1007/s10845-021-01903-y.
9. Беспала О.М. Інструментарій причинно-наслідкового висновку: огляд та
перспективи. Control Systems and Computers. 2020. № 5 (289). С. 52–63.
URL: https://doi.org/10.15407/csc.2020.05.052.
10. Deep understanding in industrial processes by complementing human expertise with
interpretable patterns of machine learning / A. Ragab et al. Expert Systems with Applications. 2019.
Vol. 122. P. 388–405. URL: https://doi.org/10.1016/j.eswa.2019.01.011.
11. Беспала О. М., Отрох С. І.. Ружинський В. Г.. Моделювання спрямованого ациклічного
графа для причинного висновку. Наукові записки Державного університету телекомунікацій.
2023. № 2 (1) С. 87-95 DOI: 10.31673/2518-7678.2023.020202.
12. Беспала О. М. Метод пошуку та оцінки впливу причинно-наслідкових зв’язків в
системах прийняття рішень. Вісник НТУ "ХПІ". Серія: Інформатика та моделювання.
2020. № 2 (4). С. 59 – 72.
13. Granger C. W. J. Investigating Causal Relations by Econometric Models and Cross-spectral
Methods. Econometrica. 1969. Vol. 37, no. 3. P. 424. URL: https://doi.org/10.2307/1912791.

ВПЛИВ СЕРТИФІКАЦІЇ ТЕСТУВАЛЬНИКІВ НА ЯКІСТЬ ІНФОРМАЦІЙНИХ СИСТЕМ У СФЕРІ ТЕЛЕКОМУНІКАЦІЙ

2025-06-21T02:15:25+00:00

У статті досліджено зв’язок між професійною підготовкою тестувальників і
якістю інформаційних систем у сфері телекомунікацій. Розглянуто структуру та вимоги
міжнародних сертифікаційних програм, зокрема їх вплив на підвищення ефективності тестування.
На основі порівняльного аналізу виявлено зменшення кількості критичних збоїв у компаніях із
сертифікованими командами. Запропоновано практичні рекомендації щодо підвищення надійності
телекомунікаційних платформ через стандартизацію кваліфікаційного рівня тестувальників.
Ключові слова: сертифікація тестувальників, якість програмного забезпечення, інформаційні
системи, телекомунікації, тестування, надійність, підготовка кадрів

Список використаної літератури
1. International Software Testing Qualifications Board. International Software Testing
Qualifications Board. URL: https://www.istqb.org.
2. Pressman R. S., Maxim B. R. Software Engineering: A Practitioner’s Approach (9th Edition).
New York, McGraw-Hill, 2020. 940 p.
3. Kan S. H. Metrics and Models in Software Quality Engineering (2nd Edition). AddisonWesley Professional, 2002. 560 p.
4. IEEE. IEEE Standard for Software Quality Assurance Processes (IEEE Std 730–2014). IEEE
Computer Society, 2014. 54 с. URL: https://standards.ieee.org/ieee/730/5284
5. Garousi V., Felderer M., Mäntylä M. V. Guidelines for including grey literature and
conducting multivocal literature reviews in software engineering. Information and Software
Technology. 2019. Vol. 106. P. 101–121. URL: https://doi.org/10.1016/j.infsof.2018.09.006.
6. A survey on quality attributes in service-based systems / D. Ameller et al. Software Quality
Journal. 2015. Vol. 24, no. 2. P. 271–299. URL: https://doi.org/10.1007/s11219-015-9268-4.
7. Evans B., et al. An integrated satellite–terrestrial 5G network and its use to demonstrate 5G
use cases // International Journal of Satellite Communications and Networking. 2021. Vol. 39, no. 4.
P. 358–379. URL: https://doi.org/10.1002/sat.1393

АДАПТИВНИЙ АЛГОРИТМ ЗМІНИ КАНАЛУ ДЛЯ БАГАТОКАНАЛЬНОГО ПРИСТРОЮ WI-FI 7 В УМОВАХ ГЕТЕРОГЕННИХ МЕРЕЖ

2025-06-21T02:15:29+00:00

Стандарт Wi-Fi 7, орієнтований на підвищення пропускної здатності
та зменшення затримок, стикається з проблемою сумісності в гетерогенних мережах пов’язаною з
неефективним механізмом перемикання каналу що призводить до обмеження використання
спектру, зростання затримок і втрати переваг технології Multi-Link Operation (MLO). Новий
алгоритм ACSA (Adaptive Channel Switching Algorithm) пропонує інноваційний підхід, заснований
на багатокритеріальному аналізі стану каналів: завантаження, рівня перешкод та успішності
передачі при цьому динамічно адаптується до змін у мережі, враховує вплив старих пристроїв та
працює децентралізовано.
Ключові слова: Wi-Fi 7, MLO, переключення каналів, ACSA, Q-Learning, DFS

Список використаної літератури
1. Cisco Annual Internet Report (2018–2023). Cisco.com. 09.03.2020. URL:
cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paperc11-741490.html.
2. Multiaccess Point Coordination for Next-Gen Wi-Fi Networks Aided by Deep
Reinforcement Learning / L. Zhang et al. IEEE Systems Journal. 2022. P. 1–12. URL:
https://doi.org/10.1109/jsyst.2022.3183199.
3. Channel Selection for Wi-Fi 7 Multi-Link Operation via Optimistic-Weighted VDN and
Parallel Transfer Reinforcement Learning / P. E. Iturria-Rivera et al. 2023 IEEE 34th Annual
International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC),
Toronto, ON, Canada, 5–8 September 2023. 2023. URL:
https://doi.org/10.1109/pimrc56721.2023.10293832.
4. Deep Reinforcement Learning for Dynamic Multichannel Access in Wireless Networks / S.
Wang et al. IEEE Transactions on Cognitive Communications and Networking. 2018. Vol. 4, no. 2.
P. 257–265. URL: https://doi.org/10.1109/tccn.2018.2809722.
5. Daniele Medda, Athanasios Iossifides, Periklis Chatzimisios, Fernando José Velez, JeanFrédéric Wagen. 2022 IEEE Conference on Standards for Communications and Networking (CSCN).
Investigating Inclusiveness and Backward Compatibility of IEEE 802.11be Multi-link Operation,
Thessaloniki, Greece. IEEE. URL: https://doi.org/10.1109/CSCN57023.2022.10050957.
6. Reinforcement Learning for Optimizing Wi-Fi Access Channel Selection / H. Nguyen et al.
Advances in Computational Collective Intelligence. Cham, 2021. P. 334–347. URL:
https://doi.org/10.1007/978-3-030-88113-9_27.

ОПТИМІЗАЦІЯ KAPPA-АРХІТЕКТУРИ ПРИ ПОБУДОВІ МАСШТАБОВАНИХ СИСТЕМ

2025-06-21T02:15:34+00:00

У статті розглядаються питання
проектування та побудови масштабованих систем з використанням ефективних Lambda та Kappa
архітектур. Lambda-архітектура, має багато переваг, але головним недоліком цього підходу до
проектування масштабованих систем систем вважається його складність через дублювання логіки
обробки даних. Основною метою дослідження є опис та розробка альтернативної оптимізованої
моделі Kappa-архітектури, яка споживає менше ресурсів, але відмінно підходить для обробки подій
у режимі реального часу, що дозволить отримати ефективний інструмент побудови масштабованих
систем та спростить вибір. Результатом роботи є комплексний підхід до побудови масштабованих
систем, в якому завдяки аналізу потоку подій буде оптимізовуватися кожна складова системи, що
дозволить значно вдосконалити систем обробки даних у реальному часі.
Ключові слова: Kappa-архітектура, Lambda-архітектура, BigData, масштабовані системи,
оптимізація моделі

Список використаної літератури
1. Білоконь А. С., Борисов С. О., Усатенко М. В., Федорченко В. М. Аналіз функціонування
розподілених систем обробки та зберігання даних. Системи управління навігації та зв’язку,
Збірник наукових праць 2024, т. 3(77), С.84-88 URL: https://doi.org/: 10.26906/SUNZ.2024.3.08
2. Tanenbaum, Andrew S., and Maarten van Steen. Distributed Systems: Principles and
Paradigms. 3rd ed., Pearson, 2017.
3. Мокін, В.Б., Крижановський, Є.М., Лучко, А.М., Білецький, Б.С., Жуков, С.О. 2021.
Метод оптимізації інформаційних моделей масштабованих у просторі аналітичних веб-систем
за критерієм повноти їхньої топологічної спостережуваності. Вісник Вінницького
політехнічного інституту. 2021, 131–141. URL: https://doi.org/10.31649/1997-9266-2021-159-6-
131-141.
4. D. Y. Paramartha, A. L. Fitriyani, and S. Pramana. Development of Automated Environmental
Data Collection System and Environment Statistics Dashboard. Indonesian Journal of Statistics and
Its Applications, vol. 5, no. 2, pp. 314-325, 2021. URL: https://doi.org/10.29244/ijsa.v5i2p314-325.
5. Мокін В. Б., Овчаренко І. І., Лучко А. М., Давидюк О. М. Побудова масштабованої
інформаційно-пошукової системи для управління річковим басейном на основі реєстрів та
онтологічних моделей. Математичне моделювання в економіці, № 2 (15), 2019.
6. Рудніченко М.Д. Методичні вказівки до розрахунково-графічної роботи з дисципліни
«Моделі обробки структурованих и слабо структурованих масивів даних» для студентів спеціальності - 126 Інформаційні системи та технології / Укл.: М.Д. Рудніченко, Н.В. Бут. –
Одеса: ОНПУ, 2020. – 10 с. (Електронна версія), Реєстраційний номер №7534-РС-2020
(МВ11512)
7. Schuster, Werner. Nathan Marz on Storm, Immutability in the Lambda Architecture, Clojure.
www.infoq.com. Nathan Marz interview, 2014.
8. Kleppmann M. Designing Data-Intensive Applications: The Big Ideas Behind Reliable,
Scalable, and Maintainable Systems. O'Reilly Media, Incorporated, 2017. 616 p.

ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ АВТОМАТИЗОВАНОГО ОЦІНЮВАННЯ СИТУАТИВНИХ ЗАВДАНЬ У НАВЧАННІ КІБЕРБЕЗПЕКИ

2025-06-21T02:15:41+00:00

У статті розглядається проблема об'єктивного оцінювання результатів виконання
ситуативних завдань кібербезпеки. Аналіз наукових публікацій виявив труднощі оцінювання
великого обсягу текстових відповідей, впливом ефекту контрастності при оцінюванні і ризиками
суб’єктивізму під час традиційного оцінювання. Запропонований метод застосування штучного
інтелекту для оцінювання, побудована розширена модель оцінювання з використанням стандартних
бібліотек мови програмування Python. Перевагою моделі є визначення внутрішнього плагіату між
відповідями студентів з метою дотримання академічної доброчесності, значне скорочення часу
оцінювання у порівнянні з традиційним підходом та візуалізація можливих збігів.
Ключові слова: інформаційні технології; штучний інтелект; ситуативне навчання;
автоматичне оцінювання; кібербезпека

Список використаної літератури
1. Increasing Teacher Competence in Cybersecurity Using the EU Security Frameworks / I.
Ievgeniia Kuzminykh et al. International Journal of Modern Education and Computer Science. 2021.
Vol. 13, no. 6. P. 60–68. URL: https://doi.org/10.5815/ijmecs.2021.06.06.
2. Brandão A., Pedro L., Zagalo N. Teacher professional development for a future with
generative artificial intelligence – an integrative literature review. Digital Education Review. 2024.
No. 45. P. 151–157. URL: https://doi.org/10.1344/der.2024.45.151-157.
3. Gallego-Arrufat M.-J., Torres-Hernández N., Pessoa T. Competence of future teachers in the
digital security area. Comunicar. 2019. Vol. 27, no. 61. P. 57–67. URL: https://doi.org/10.3916/c61-
2019-05.
4. P.A.L. Nadeesha, T.A. Weerasinghe, W.R.N.S Abeyweera. Automatic scoring of knowledge
gained and shared through discussion forums: based on the community of inquiry model. Information
Technologies and Learning Tools. 2025. Vol. 105, no. 1. P. 85–102. URL:
https://doi.org/10.33407/itlt.v105i1.5912.
5. Application of artificial intelligence for improving situational training of cybersecurity
specialists / Y. V. Shchavinsky et al. Information Technologies and Learning Tools. 2023. Vol. 97,
no. 5. P. 215–226. URL: https://doi.org/10.33407/itlt.v97i5.5424.
6. Bi X., Shi X., Zhang Z. Cognitive machine learning model for network information safety.
Safety Science. 2019. Vol. 118. P. 435–441. URL: https://doi.org/10.1016/j.ssci.2019.05.032.
7. The Current Research Status of AI-Based Network Security Situational Awareness / M. Wang
et al. Electronics. 2023. Vol. 12, no. 10. P. 2309. URL: https://doi.org/10.3390/electronics12102309.
8. AI-Empowered Multimodal Hierarchical Graph-Based Learning for Situation Awareness on
Enhancing Disaster Responses / J. Chen et al. Future Internet. 2024. Vol. 16, no. 5. P. 161. URL:
https://doi.org/10.3390/fi16050161.
9. Burrows S., Gurevych I., Stein B. The Eras and Trends of Automatic Short Answer Grading.
International Journal of Artificial Intelligence in Education. 2014. Vol. 25, no. 1. P. 60–117. URL:
https://doi.org/10.1007/s40593-014-0026-8.
10. Progress in Neural NLP: Modeling, Learning, and Reasoning / M. Zhou et al. Engineering.
2020. Vol. 6, no. 3. P. 275–290. URL: https://doi.org/10.1016/j.eng.2019.12.014.
11. Reimers N., Gurevych I. Sentence-BERT: Sentence Embeddings using Siamese BERTNetworks. Proceedings of the 2019 Conference on Empirical Methods in Natural Language
Processing and the 9th International Joint Conference on Natural Language Processing (EMNLPIJCNLP), Hong Kong, China. Stroudsburg, PA, USA, 2019. URL: https://doi.org/10.18653/v1/d19-
1410.

МЕТОД ЛОКАЛІЗАЦІЇ ТА ПОБУДОВИ МАПИ ДИНАМІЧНОГО СЕРЕДОВИЩА ДЛЯ БЕЗПІЛОТНИХ СИСТЕМ

2025-06-21T02:15:49+00:00

Стаття присвячена дослідженню методів одночасної локалізації та побудови мапи (SLAM)
для безпілотних систем, що функціонують у складних та динамічних середовищах. У роботі
розглядаються виклики, пов’язані з необхідністю адаптації до змін навколишнього середовища.
Запропоновано використання фільтра Калмана та його розширених версій, зокрема з оптимізацією
за допомогою методів нелінійного програмування. Отримані наукові результати включають
оптимізацію фільтра Калмана з урахуванням нелінійностей за допомогою методів нелінійного
програмування, а також інтеграцію класичних алгоритмів комп’ютерного зору (ORB) із згортковими
нейронними мережами. Для досягнення зазначених результатів були вирішені задачі аналізу існуючих
методів SLAM, розробки нових адаптивних алгоритмів локалізації, а також їхньої експериментальної
перевірки на існуючих датасетах. Отримані результати можуть бути рекомендовані до використання
у проектах з автономної навігації безпілотних наземних і повітряних платформ, особливо в умовах
обмеженої передбачуваності середовища, таких як рятувальні операції, військові місії,
автоматизоване виробництво та транспортні системи.
Ключові слова: SLAM, фільтр Калмана, динамічне середовище, локалізація, безпілотні
системи, згорткові нейронні мережі

Список використаної літератури
1. Bailey T., Durrant-Whyte H. Simultaneous localization and mapping (SLAM): part II. IEEE
Robotics & Automation Magazine. 2006. Vol. 13, no. 3. P. 108–117. URL:
https://doi.org/10.1109/mra.2006.1678144.
2. Yarovoi A., Cho Y. K. Review of simultaneous localization and mapping (SLAM) for
construction robotics applications. Automation in Construction. 2024. Vol. 162. P. 105344. URL:
https://doi.org/10.1016/j.autcon.2024.105344.
3. VDO-SLAM: A Visual Dynamic Object-aware SLAM System / J. Zhang et al. URL:
https://arxiv.org/abs/2005.11052.
4. Visual SLAM in dynamic environments based on object detection / Y.-b. Ai et al. Defence
Technology. 2020. URL: https://doi.org/10.1016/j.dt.2020.09.012.
5. Liu Y., Miura J. RDS-SLAM: Real-Time Dynamic SLAM Using Semantic Segmentation
Methods. IEEE Access. 2021. Vol. 9. P. 23772–23785. URL:
https://doi.org/10.1109/access.2021.3050617.
6. Wadud, R. A., & Sun, W. (2022). DyOb-SLAM: Dynamic Object Tracking SLAM System.
arXiv. URL: https://doi.org/10.48550/arXiv.2211.01941.
7. Kim, A., Osep, A., & Leal-Taixe, L. (2021). EagerMOT: 3D Multi-Object Tracking via
Sensor Fusion.
8. Mur-Artal R., Montiel J. M. M., Tardos J. D. ORB-SLAM: A Versatile and Accurate
Monocular SLAM System. IEEE Transactions on Robotics. 2015. Vol. 31, no. 5. P. 1147–1163. URL:
https://doi.org/10.1109/tro.2015.2463671.
9. Applying SLAM Algorithm Based on Nonlinear Optimized Monocular Vision and IMU in
the Positioning Method of Power Inspection Robot in Complex Environment / C. Wang et al.
Mathematical Problems in Engineering. 2022. Vol. 2022. P. 1–14. URL:
https://doi.org/10.1155/2022/3378163.
10. Choi K.-S., Lee S.-G. Enhanced SLAM for a mobile robot using extended Kalman Filter
and neural networks. International Journal of Precision Engineering and Manufacturing. 2010. Vol.
11, no. 2. P. 255–264. URL: https://doi.org/10.1007/s12541-010-0029-9.
11. Liu H. Identifying and updating local optimization methods in extended Kalman filter
SLAM. Applied and Computational Engineering. 2023. Vol. 4, no. 1. P. 569–573. URL:
https://doi.org/10.54254/2755-2721/4/2023325.

ФЛЕШ-ДЗВІНКИ В СУЧАСНИХ ТЕЛЕКОМУНІКАЦІЙНИХ МЕРЕЖАХ: ЗАГРОЗИ, ВИКЛИКИ ТА ЕФЕКТИВНІ ЗАХОДИ ПРОТИДІЇ

2025-06-21T02:15:55+00:00

У статті розглядається феномен Flash-дзвінків – надкоротких
вхідних дзвінків, що використовуються для аутентифікації користувачів у сучасних
телекомунікаційних мережах – та їх вплив на безпеку мереж і доходи операторів. На відміну від
традиційних SMS-методів, Flash-дзвінки дозволяють здійснювати економічно ефективну,
високошвидкісну верифікацію, але водночас обходять білінгові системи і сприяють шахрайським
діям, таким як підміна CLI і міжнародне шахрайство з розподілом доходів (IRSF). У статті
досліджуються технічні характеристики флеш-дзвінків, підкреслюється складність їх виявлення та
аналізуються вразливості в існуючих системах протидії шахрайству. Запропоновано багаторівневу
архітектуру протидії, що поєднує аналітику в режимі реального часу, алгоритми машинного
навчання та протоколи STIR/SHAKEN для виявлення та блокування шахрайських дій. Ефективність
підходу підтверджується аналізом трафіку та результатами експериментальних блокувань на
глобальних платформах, таких як Meta. Запропонована система забезпечує надійну ідентифікацію
шкідливих патернів, мінімізуючи помилкові спрацьовування та зберігаючи якість обслуговування.
Ключові слова: Flash-дзвінки, підміна CLI, виявлення шахрайства, голосовий файрвол,
Вангірі, машинне навчання, STIR/SHAKEN, телекомунікаційна безпека, мережа IMS

Список використаної літератури
1. Hitchins D. What are flash calls and how do they work? Infobip. URL:
https://www.infobip.com/blog/what-is-a-flash-call.
2. Taylor L. CFCA 2021 Global Fraud Loss Survey. New York, NY, USA : CSFA, 2021. 67 p,
URL: https://cfca.org/document/2021-fraud-loss-survey/.
3. GSMA. Flash Call Traffic Analysis Report 2024. GSMA Intelligence.
4. Sinapsio. Wangiri Fraud and Flash Calls | Betatel LTD. Blog. URL:
https://api.betatel.com/blog/wangiri-fraud-and-flash-calls.
5. Vetoshko I.P., Kravchuk S.O. Opportunities to Improve the Quality of Voice Services in 5G
Networks // 2023 IEEE International Conference on Information and Telecommunication
Technologies and Radio Electronics (UkrMiCo), ISBN: 979-8-3503-4848-4, 13-18 November 2023,
Kyiv, Ukraine. https://doi.org/10.1109/UkrMiCo61577.2023.10380376.
6. 3GPP TS 23.501 version 16.7.0 Release 16. 5G; System architecture for the 5G System (5GS).
Effective from 2021-01-21. Official edition. FRANCE : 650 Route des Lucioles F-06921 Sophia
Antipolis Cedex, 2021. 451 p.
7. Vetoshko I.P., Kravchuk S.O. Possibilities of improving the voice services quality in 5G
networks // Information and Telecommunication Sciences. – 2023. – Vol.14, No 2. – P. 9-16,
https://doi.org/10.20535/2411-2976.22023.9-16
8. Flash calls. Mobileum. URL: http://www.mobileum.com/products/riskmanagement/business-assurance/flash-calls.
9. ATIS-1000080.v004. Signature-based Handling of Asserted information using toKENs
(SHAKEN): Governance Model and Certificate Management. Effective from 2021-10-05. Official
edition. New York, NY: ATIS Packet Technologies and Systems Committee (PTSC), 2021. 29 p.
10. Voice Firewall. Mobileum. Comprehensive Voice Traffic Policy Management and
Analytics System. URL: https://www.mobileum.com/products/roaming-and-core-network/networkservices/voice-firewall/.
11. 3GPP TS 31.102 version 17.14.1 Release 17. Universal Mobile Telecommunications
System (UMTS); LTE; 5G; Characteristics of the Universal Subscriber Identity Module (USIM) application. Effective from 2024-10-08. Official edition. FRANCE : 650 Route des Lucioles F-06921
Sophia Antipolis Cedex, 2024. 371 p.
12. Ветошко І.П. Кравчук С.О. Розгортання голосових сервісів у мережах 5G // Grail of
Science. – 2023. - № 24. – с. 278–281, https://doi.org/10.36074/grail-of-science.17.02.2023.051.
13. 3GPP TR 33.835 V16.1.0. Study on authentication and key management for applications
based on 3GPP credential in 5G. Effective from 2020-07-09. Official edition. FRANCE : 650 Route
des Lucioles F-06921 Sophia Antipolis Cedex, 2020. 83 p.
14. Dahlman E., Parkvall S., Sköld J. 5G Standardization. 5G NR: the Next Generation
Wireless Access Technology. 2018. 442p. URL: https://doi.org/10.1016/b978-0-12-814323-0.00002-
8.
15. Team G. Why Do You Need a Voice Firewall? GMS | AI-driven communications
solutions | GMS. URL: https://gms.net/blog/why-do-you-need-a-voice-firewall.

МЕТОДИКА ФОРМУВАННЯ ІНТЕГРАЛЬНИХ ПОКАЗНИКІВ ЯКОСТІ РОБОТИ МЕРЕЖЕВИХ З’ЄДНАНЬ В МЕРЕЖАХ З КОМУТАЦІЄЮ ПАКЕТІВ

2025-06-21T02:16:04+00:00

У статті запропоновано
підхід до оцінки якості роботи мережевих з'єднань у телекомунікаційних системах на основі
інтегральних показників, що враховують затримку, втрати, помилки, джитер та їх взаємозв’язки.
Розроблено модель із показниками КПЗ, КЯПЧ, КЯНЧ і КЯМЗ, яка дозволяє проводити
комплексний аналіз продуктивності мережі. Представлено метод діагностики за допомогою "дерева
відмов", що сприяє підвищенню надійності та гнучкості мереж. Результати можуть застосовуватись
для оптимізації та моніторингу сучасних телекомунікаційних мереж.
Ключові слова: телекомунікаційні мережі, якість мережевих з’єднань, інтегральні показники,
продуктивність мереж, затримка, джитер, рівень помилок, QoS, модель взаємозв’язків, пропускна
здатність, моніторинг мереж, оптимізація мережі, комутація пакетів

Список використаної літератури
1. Recommendation ITU-T Y.1540 (12/2019). Internet protocol data communication service –
IP packet transfer and availability performance parameters. URL: https://www.itu.int/rec/T-RECY.1540-201912-I/en.
2. Recommendation ITU-T Y.1564 (02/2016). Ethernet service activation test methodology.
URL: https://www.itu.int/rec/T-REC-Y.1564-201602-I/en.
3. High performance TCP/IP networking: concepts, issues, and solutions / H. Mahbub, J. Raj.
Pearson Education, Limited, 2003. 408 p.
4. Stallings W. Data and computer communications, international edition. Pearson Education,
Limited, 2015. 915 p.
5. Recommendation ITU-T Y.1731 (06/2023). Operation, administration and maintenance
(OAM) functions and mechanisms for Ethernet-based networks. URL: https://www.itu.int/rec/TREC-G.8013-202306-I/en.
6. Held G. Quality of service in a Cisco networking environment. Chichester : Wiley, 2002. 184
p.
7. IETF RFC 2544 (03/1999). Benchmarking Methodology for Network Interconnect Devices.
Internet Engineering Task Force. URL: https://www.ietf.org/rfc/rfc2544.txt.
8. Tanenbaum A. S. Computer networks, 5th edition. PEARSON INDIA, 2013.
9. Ramasamy K., Medhi D. Network routing: algorithms, protocols, and architectures. Elsevier
Science & Technology Books, 2017. 1018 p.
10. IETF RFC 5357 (12/2008). A Two-Way Active Measurement Protocol (TWAMP). URL:
https://datatracker.ietf.org/doc/html/rfc5357.

ДОСЛІДЖЕННЯ ПРОБЛЕМ ФУНКЦІОНУВАННЯ ІНТЕЛЕКТУАЛЬНИХ МЕРЕЖ З ЗАСТОСУВАННЯМ ІНТЕРНЕТУ РЕЧЕЙ

2025-06-21T02:16:09+00:00

Стаття присвячена
розгляду технології Інтернет речей, де потрібно насамперед оцінити базові принципи, ключові
завдання, а також найсучасніші підходи та рішення.
В статті доведено, що Інтернет речей пов'язаний з фізичною дією або подією. Він формує
реакцію на фактор реального світу. При цьому один-єдиний датчик може згенерувати величезний
обсяг даних, наприклад, акустичний датчик для профілактичного огляду обладнання. В інших
випадках одного біта даних достатньо, щоб передати важливі відомості про стан системи. Системи
датчиків еволюціонували і, відповідно до закону Мура, зменшилися до субнанометрових розмірів і
стали істотно дешевше. Саме це прогнозує, що до Інтернету речей будуть підключені безліч
пристроїв, і саме тому ці прогнози виправдаються.
Тому, розглядаючи Інтернет речей, необхідно розглядати мікроелектромеханічні системи,
датчики і інші типи недорогих граничних пристроїв і їх електрофізичні властивості. Це стосується
і енергетичних систем, необхідних для живлення граничних пристроїв.
Ключові слова: датчики, диференційована конфіденційність, Інтернет речей, інформаційна
система, захист конфіденційності

Список використаної літератури
1. В. Б. Толубко, Л. Н. Беркман, Л. П. Крючкова, А. Ю. Ткачов. Підвищення показників
якості системи управління послугами мережами майбутнього / В // Наукові записки
Українського науково-дослідного інституту зв'язку. - 2018. - № 3. - С. 5-11.
2. Ambient Backscatter Communications: A Contemporary Survey / N. Van Huynh et al. IEEE
Communications Surveys & Tutorials. 2018. Vol. 20, no. 4. P. 2889–2922. URL:
https://doi.org/10.1109/comst.2018.2841964.
3. Mao Q., Hu F., Hao Q. Deep Learning for Intelligent Wireless Networks: A Comprehensive
Survey. IEEE Communications Surveys & Tutorials. 2018. Vol. 20, no. 4. P. 2595–2621. URL:
https://doi.org/10.1109/comst.2018.2846401.
4. G. Vougioukas and A. Bletsas, “Switching frequency techniques for universal ambient
backscatter networking,” IEEE J. Select. Areas Commun., vol. 37, no. 2, pp. 464-477, Feb. 2019.
5. Zhang C., Patras P., Haddadi H. Deep Learning in Mobile and Wireless Networking: A
Survey. IEEE Communications Surveys & Tutorials. 2019. Vol. 21, no. 3. P. 2224–2287. URL:
https://doi.org/10.1109/comst.2019.2904897.
6. Modulation in the Air: Backscatter Communication Over Ambient OFDM Carrier / G. Yang
et al. IEEE Transactions on Communications. 2018. Vol. 66, no. 3. P. 1219–1233. URL:
https://doi.org/10.1109/tcomm.2017.2772261.
7. Yang G., Zhang Q., Liang Y.-C. Cooperative Ambient Backscatter Communications for
Green Internet-of-Things. IEEE Internet of Things Journal. 2018. Vol. 5, no. 2. P. 1116–1130. URL:
https://doi.org/10.1109/jiot.2018.2799848.
8. Hua S., Wang Q., Xu X. Application of machine learning in wireless communication.
Theoretical and Natural Science. 2023. Vol. 12, no. 1. P. 130–135. URL:
https://doi.org/10.54254/2753-8818/12/20230452.
9. X. Zhou, M. Sun, G. Y. Li, and B.-H. F. Juang, “Intelligent wireless communications enabled
by cognitive radio and machine learning,” China Commun., vol. 15, no. 12, pp. 16-48, Dec. 2018.

ОГЛЯД ДОСЛІДЖЕНЬ З РОЗПІЗНАВАННЯ НОТ З АУДІОДАНИХ ЗА ДОПОМОГОЮ НЕЙРОННИХ МЕРЕЖ

2025-06-21T02:16:15+00:00

У статті розглядаються сучасні нейромережеві підходи до автоматичного
розпізнавання нот з аудіофайлів. Проаналізовано алгоритми на основі швидкого перетворення
Фур’є, згорткових нейронних мереж (CNN) та мереж залишкових перестановок-обмінів (RSE).
Визначено переваги глибокого навчання в умовах фонових шумів і варіативного виконання нот.
Запропоновано шляхи підвищення точності розпізнавання та перспективи застосування в музичних
технологіях.
Ключові слова: Розпізнавання нот, аудіоаналіз, нейронні мережі, згорткова нейронна мережа,
RSE-мережа, музична транскрипція, глибоке навчання, обробка звуку, машинне навчання, штучний
інтелект

Список використаної літератури
1. A tutorial on onset detection in music signals / J. P. Bello et al. IEEE transactions on speech
and audio processing. 2005. Vol. 13, no. 5. P. 1035–1047. URL:
https://doi.org/10.1109/tsa.2005.851998.
2. Duan Z., Zhang D. Note recognition of various instruments played in noisy environment by
deep convolutional neural networks. Applied acoustics. 2018. Vol. 141. P. 154–164.
3. Pons J., Serra X., Gómez E. End-to-end learning for music audio tagging at scale. Proceedings
of the 17th international society for music information retrieval conference. 2016. P. 315–321.
4. Slepkov A. D., Steedman M. A convolutional neural network approach to real-time pitch
detection. Journal of the Acoustical Society of America. 2017. Vol. 141, no. 5. P. EL462–EL468.
5. Uhle C., Schedl M., Pohle T. Deep learning for musical instrument recognition in audio
recordings. Journal of the Audio Engineering Society. 2018. Vol. 66, no. 9. P. 680–693.
6. Lidy T., Rauber A. Evaluation of convolutional neural networks for music classification tasks.
Journal of new music research. 2015. Vol. 44, no. 2. P. 101–114.
7. Yang Y., Lee H. Pitch tracking of guitar notes using deep convolutional neural networks.
Proceedings of the International Conference on New Interfaces for Musical Expression. 2018. P.
229–234.
8. Azarloo A., Farokhi F. Automatic musical instrument recognition using K-NN and MLP
neural networks. 2012 4th international conference on computational intelligence, communication
systems and networks (cicsyn 2012), Phuket, Thailand, 24–26 July 2012. 2012. URL:
https://doi.org/10.1109/cicsyn.2012.61.
9. Thickstun J., Harchaoui Z., Kakade S. M. Learning features of music from scratch. ICLR
(Poster). 2017.
10. Freivalds K., Ozolins E., Sostaks A. Neural Shuffle-Exchange Networks – Sequence
Processing in O(n log n) Time. Advances in Neural Information Processing Systems. 2019. Vol. 32.
P. 6626–6637.
11. Residual shuffle-exchange networks for fast processing of long sequences / A. Draguns et al.
Proceedings of the AAAI conference on artificial intelligence. 2021. Vol. 35, no. 8. P. 7245–7253.
URL: https://doi.org/10.1609/aaai.v35i8.16890.
12. Fujinaga I., MacMillan K. Realtime Recognition of Orchestral Instruments. Proceedings of
the International Computer Music Conference (ICMC). 2000. P. 141–143.