Наукові записки Державного університету інформаційно-комунікаційних технологій

Титул

admin admin — 2026-01-12

Титул

Зміст

admin admin — 2026-01-12

Зміст

АНАЛІЗ МЕТОДІВ ВИЗНАЧЕННЯ ЗАТРИМКИ ІНФОРМАЦІЇ В ІНФОКОМУНІКАЦІЙНИХ МЕРЕЖАХ

Галаган Н. В. (Halahan N.V.) — 2026-01-12

В мережі з комутацією пакетів
одним з найбільш важливих параметрів є середня затримка, необхідна для доставки інформації, яку
запросив абонент, до місця призначення. Головною методологічною основою для аналізу затримки є
теорія масового обслуговування. Проте, її використання найчастіше потребує пропозицій для
спрощення складного математичного апарату. Тому в деяких випадках точні кількісні розрахунки
затримки виконати неможливо. Моделі згаданої теорії нерідко стають основою для достатньо точних
апроксимацій затримки, а також дозволяють одержати позитивні та якісні результати. В статті на
основі аналізу варіантів визначення затримки в інформаційних мережах розроблено методи мінімізації
затримки в мережах з комутацією пакетів з різноманітною структурою. Результати математичного
моделювання підтвердили, що для вивчення впливу на мережу таких параметрів, як кількість та
довжина пакетів, кількість викликів, що надходять до мережі за заданий час, тривалість зайняття та
одержання відповідних кількісних характеристик системи, повинні застосовуватися ймовірності
методи. Ключову роль в аналізі мереж відіграє теорія черг або теорія масового обслуговування.
Ключові слова: інфокомунікаційна мережа, затримка інформації, імовірнісні методи, теорія
маси обслуговування, комутація пакетів

Список використаної літератури
1. Л.Н. Беркман, Л.О. Комарова, О.І. Чумак. Системи електрозв’язку та сигнали
Навчальний посібник. – Київ: ДУТ, 2015.
2. Л.Н. Беркман, О.Г. Варфоломеєва, А. Г. Захаржевський, М. Г. Твердохліб, В. П. Ярцев.
Управління якістю обслуговування в мережах NGN. Телекомунікаційні та інформаційні
технології. Київ: ДУТ. № 2. 2015.
3. Л.Н. Беркман, В. В. Жебка. Розрахунок часу затримки проходження інформації з
врахуванням структури мережі з комутацією пакетів. Телекомунікаційні та інформаційні
технології. Київ: ДУТ. № 2. 2014.
4. В.Г. Кривуца, Л.Н. Беркман, В. В. Лапінський. Основи Інфокомунікацій. – Київ: ДУІКТ
2011.
5. Antonyuk Y. M., Shyyak B. A., Antonyuk M. I. Performance evaluation of computer campus
network segments. Telecommunication and information technologies. 2019. No. 4. P. 111–119. URL:
https://doi.org/10.31673/2412-4338.2019.041119.
6. Wang, J., Li, X., & Chen, Y. Advances in 6G Wireless Communication Systems: Theory and
Application. IEEE Communications Magazine, 2023.
7. Zhang, H., & Shi, Q. Deep Learning for Signal Processing: A Comprehensive Overview.
IEEE Signal Processing Magazine, 2023.
8. Liu, Y., & He, B. Quantum Communications: Challenges and Future Directions. Journal of
Quantum Information Science, 2023.

ПЛАНУВАННЯ ЧАСТОТНИХ РЕСУРСІВ І ВІДСТАНЕЙ У ВИСОКОЩІЛЬНИХ МЕРЕЖАХ WI-FI

Дакова Л. В. (Dakova L.V.) — 2026-01-12

Розвиток наномереж зумовлений
широким спектром їхніх застосувань: нанопристрої, з’єднані в єдину систему, утворюють
«транспортну артерію» передавання даних, однак мініатюрні сенсори мають жорсткі обмеження за
енергоспоживанням, обчислювальною спроможністю та обсягами пам’яті. Це висуває вимогу до
енергоефективних підходів маршрутизації в електромагнітних наномережах. У роботі подано
узагальнювальний огляд сучасних методів доставлення пакетів до адресата на основі
систематичного збирання, аналізу та синтезу результатів досліджень останніх років. Проведено
порівняльне вивчення ключових схем переадресації з оцінкою їхніх переваг і обмежень та окреслено
найперспективніші рішення. Отримані висновки дають змогу обґрунтовано обирати метод
переадресації відповідно до вимог конкретної наномережі.
Ключові слова: Інтернет наноречей, наномережа, передача даних, маршрутизація, схема
переадресації

Список використаної літератури
1. Yu H., Ng B., Seah W. K. G. TTL-Based Efficient Forwarding for Nanonetworks With
Multiple Coordinated IoT Gateways. IEEE Internet of Things Journal. 2018. Vol. 5, no. 3. P. 1807–
1815. URL: https://doi.org/10.1109/jiot.2018.2812868.
2. Survey on Terahertz Nanocommunication and Networking: A Top-Down Perspective / F.
Lemic et al. IEEE Journal on Selected Areas in Communications. 2021. Vol. 39, no. 6. P. 1506–1543.
URL: https://doi.org/10.1109/jsac.2021.3071837.
3. H. Yu, B. Ng, W. K. G. Seah and Y. Qu. TTL-based efficient forwarding for the backhaul tier
in nanonetworks. 2017 14th IEEE Annual Consumer Communications & Networking Conference
(CCNC), Las Vegas, NV, USA, 2017, pp. 554-559. URL:
https://doi.org/10.1109/CCNC.2017.7983167.
4. Cruz Alvarado M. A., Bazán P. A. Understanding the Internet of Nano Things: overview,
trends, and challenges. e-Ciencias de la Información. 2018. URL:
https://doi.org/10.15517/eci.v1i1.33807.
5. Yu H., Ng B., Seah W.K.G. Forwarding Schemes for EM-based Wireless Nanosensor
Networks in the Terahertz Band. Proceedings of the 2nd ACM International Conference on Nanoscale
Computing and Communication (NANOCOM ’15). New York: ACM, 2015. С. 1–6. URL:
https://doi.org/10.1145/2800795.2800799.
6. Xu J., Zhang Y., Jiang J., Kan J. An Energy Balance Clustering Routing Protocol for IntraBody Wireless Nanosensor Networks. Sensors. 2019. Vol. 19, no. 22. P. 4875. URL:
https://doi.org/10.3390/s19224875
7. Yao X.-W., Wu Y.-C.-G., Huang W. Routing techniques in wireless nanonetworks: A survey.
Nano Communication Networks. 2019. Vol. 21. P. 100250. URL:
https://doi.org/10.1016/j.nancom.2019.100250.
8. Bouchedjera I. A., Louail L., Aliouat Z. Addressing and flood-based communications for the
software-defined metamaterial paradigm. Nano Communication Networks. 2020. P. 100336. URL:
https://doi.org/10.1016/j.nancom.2020.100336.
9. Iqbal I., Nazir M., Sabah A. Design of Energy-Efficient Protocol Stack for
Nanocommunication Using Greedy Algorithms. Journal of Computer Networks and
Communications. 2022. Vol. 2022. P. 1–22. URL: https://doi.org/10.1155/2022/3150865.

ВИЯВЛЕННЯ ГІБРИДНИХ КІБЕРАТАК У МЕРЕЖАХ ЕЛЕКТРОННИХ КОМУНІКАЦІЙ ЗАСОБАМИ ГЛИБОКОГО НАВЧАННЯ ТА ІНТЕГРОВАНИХ СИСТЕМ БЕЗПЕКИ

Флоров С. В. (Florov S.V.) — 2026-01-12

У статті представлено комплексний підхід до
моделювання мереж електронних комунікацій в умовах гібридних кібератак із використанням
принципів довіри нульового рівня та сучасних методів аналізу даних. Запропоновано інтеграцію
швидкої перевірки змін стану й статистичних порогів із багаторівневим навчанням на основі
згорткових і рекурентних нейронних мереж, автоенкодерів та візуальних відбитків телеметрії.
Доведено, що поєднання сенсорних рядів, мережевого трафіку, журналів подій і артефактів
прошивок у єдиний конвеєр підвищує точність виявлення аномалій та знижує затримку реагування
у критичних сценаріях. Дослідження виконано з урахуванням міжнародних стандартів і рамкових
документів: архітектури довіри нульового рівня за Національним інститутом стандартів і
технологій США (NIST SP 800-207), вимог ISO/IEC 27001 щодо систем управління інформаційною
безпекою, рекомендацій із безпечної розробки програмного забезпечення NIST SP 800-218 (SSDF),
протоколів TLS 1.3 і SNMPv3, а також методології MITRE ATT&CK для опису та аналізу поведінки
зловмисників. У статті показано, що поєднання методів статистичної фільтрації, глибинного
навчання та стандартизованих політик безпеки сприяє формуванню нових інструментів для центрів
операцій безпеки та управління подіями. З позицій цифрової економіки результати підтримують
розвиток стійких комунікаційних інфраструктур, які інтегруються в екосистеми електронних
послуг, хмарних сервісів і мобільних застосунків. Запропоновані рішення становлять практичну
основу для удосконалення систем виявлення вторгнень і управління ризиками, відповідають
сучасним вимогам глобальних ринків та стратегіям кіберстійкості, а також створюють умови для
довгострокового зростання довіри до цифрових технологій.
Ключові слова: гібридні кібератаки, моделювання мереж електронних комунікацій,
вразливості протоколів, цифрова економіка, міжнародні стандарти, управління ризиками, глибинне
навчання

Список використаної літератури
1. European Union Agency for Cybersecurity. ENISA Threat Landscape 2023. 2023. URL:
https://www.enisa.europa.eu/publications/enisa-threat-landscape-2023.
2. Rose S., Borchert O., Mitchell S., Connelly S. Zero Trust Architecture. NIST Special
Publication 800-207. Gaithersburg : NIST, 2020. URL: https://doi.org/10.6028/NIST.SP.800-207.
3. Rescorla E. The Transport Layer Security (TLS) Protocol Version 1.3. RFC 8446. IETF, 2018.
URL: https://doi.org/10.17487/RFC8446.
4. Mirsky Y., Doitshman T., Elovici Y., Shabtai A. Kitsune: An Ensemble of Autoencoders for
Online Network Intrusion Detection. In: NDSS Symposium. San Diego : Internet Society, 2018.
URL: https://doi.org/10.14722/ndss.2018.23241.
5. Shone N., Ngoc T. N., Phai V. D., Shi Q. A Deep Learning Approach to Network Intrusion
Detection. IEEE Access. 2018. Vol. 6. P. 3835–3848. URL:
https://doi.org/10.1109/ACCESS.2017.2778282.
6. Ruff L., Vandermeulen R., Görnitz N., Deecke L., Siddiqui S., Binder A., Müller E., Kloft M.
Deep One-Class Classification. In: International Conference on Machine Learning (ICML). 2018. P.
4390–4399. URL: https://doi.org/10.48550/arXiv.1801.05365.
7. He K., Fan H., Wu Y., Xie S., Girshick R. Momentum Contrast for Unsupervised Visual
Representation Learning. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition
(CVPR). 2020. P. 9729–9738. URL: https://doi.org/10.1109/CVPR42600.2020.00975.
8. Chen T., Kornblith S., Norouzi M., Hinton G. A Simple Framework for Contrastive Learning
of Visual Representations. In: International Conference on Machine Learning (ICML). 2020. P.
1597–1607. URL: https://doi.org/10.48550/arXiv.2002.05709.
9. Adams R. P., MacKay D. J. C. Bayesian Online Changepoint Detection. arXiv preprint. 2007.
URL: https://doi.org/10.48550/arXiv.0710.3742.
10. Dunning T., Ertl O. Computing Extremely Accurate Quantiles Using t-Digests. arXiv preprint.
2019. URL: https://doi.org/10.48550/arXiv.1902.04023.
11. Karnin Z., Lang K., Liberty E. Optimal Quantile Approximation in Streams. In: 57th Annual
IEEE Symposium on Foundations of Computer Science (FOCS). 2016. P. 71–78. URL:
https://doi.org/10.1109/FOCS.2016.15.
12. Coles S. An Introduction to Statistical Modeling of Extreme Values. London : Springer, 2001.
URL: https://doi.org/10.1007/978-1-4471-3675-0.
13. Harrington D., Presuhn R., Wijnen B. An Architecture for Describing SNMP Management
Frameworks. RFC 3411. IETF, 2002. URL: https://doi.org/10.17487/RFC3411.
14. MITRE Corporation. MITRE ATT&CK Framework. 2025. URL: https://attack.mitre.org.
15. ISO/IEC 27001:2022. Information Security, Cybersecurity and Privacy Protection –
Information Security Management Systems. Geneva. ISO, 2022. URL:
https://doi.org/10.5594/SMPTE.ST27001.2022.
16. SANS Institute. SIEM Best Practices and Use Cases. Whitepaper. SANS, 2021. URL:
https://www.sans.org/white-papers/siem-use-cases.
17. Kindervag J. Build Security Into Your Network’s DNA: The Zero Trust Network
Architecture. Forrester Research, 2010. URL: https://www.forrester.com/report/build-security-intoyour-networks-dna/.
18. Marlinspike M. New Tricks for Defeating SSL in Practice (SSLStrip). In: Black Hat USA
Conference. Las Vegas, 2009. URL: https://www.blackhat.com/presentations/bh-usa09/Marlinspike/BHUSA09-Marlinspike-SSLstrip-SLIDES.pdf.
19. Codenomicon, Google Security. The Heartbleed Bug. 2014. URL: https://heartbleed.com.
20. Cisco Systems. Security Advisories for SNMP Vulnerabilities (e.g., CVE-2017-6736). 2017.
URL: https://tools.cisco.com/security/center/publicationListing.x.
21. Dodson D., et al. Secure Software Development Framework (SSDF). NIST Special
Publication 800-218. Gaithersburg : NIST, 2021. URL: https://doi.org/10.6028/NIST.SP.800-218.
22. Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA : MIT Press, 2016.
URL: https://doi.org/10.7551/mitpress/10993.001.0001.
23. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997. Vol. 9,
No. 8. P. 1735–1780. URL: https://doi.org/10.1162/neco.1997.9.8.1735.
24. Hinton G. E., Salakhutdinov R. R. Reducing the Dimensionality of Data with Neural
Networks. Science. 2006. Vol. 313, No. 5786. P. 504–507. URL:
https://doi.org/10.1126/science.1127647.
25. Kingma D. P., Ba J. Adam: A Method for Stochastic Optimization. In: International
Conference on Learning Representations (ICLR). 2015. URL:
https://doi.org/10.48550/arXiv.1412.6980.
26. CERT-UA. Офіційні бюлетені та попередження, 2022–2025. URL: https://cert.gov.ua.
27. Chollet F. Deep Learning with Python. 2nd ed. New York : Manning, 2021. URL:
https://doi.org/10.1007/9781617296864.
28. Bishop C. M. Pattern Recognition and Machine Learning. New York : Springer, 2006. URL:
https://doi.org/10.1007/978-0-387-45528-0.
29. Papernot N., McDaniel P., Goodfellow I., Jha S., Celik Z. B., Swami A. Practical Black-Box
Attacks against Machine Learning. In: AsiaCCS. 2017. P. 506–519. URL:
https://doi.org/10.1145/3052973.3053009.
30. Zhang H., Chen H., Xiao C., Li B., Boning D., Hsieh C.-J. Theoretically Principled Trade-off
between Robustness and Accuracy. In: International Conference on Machine Learning (ICML). 2019.
P. 7472–7482. URL: https://doi.org/10.48550/arXiv.1901.08573.
31. Sommer R., Paxson V. Outside the Closed World: On Using Machine Learning for Network
Intrusion Detection. In: IEEE Symposium on Security and Privacy (SP). 2010. P. 305–316. URL:
https://doi.org/10.1109/SP.2010.25.

ЗАСТОСУВАННЯ МЕХАНІЗМІВ СИТУАЦІЙНОГО УПРАВЛІННЯ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ФУНКЦІОНУВАННЯ ІНФОКОМУНІКАЦІЙНИХ МЕРЕЖ

Галаган Н. В. (Halahan N.V.) — 2026-01-12

Останніми роками розробники все частіше вирішують задачі
проектування складних СУ об’єктами телекомунікацій. Тому об’єкти, для яких виникає задача
створення нових концепцій при побудові СУ, тобто великих систем, представляють особливий
інтерес. Проаналізуємо характерні риси СУ та їх моделей, які виникають при проектуванні таких
систем.
У статті представлено метод вирішення задачі управління об’єктом інфокомунікаційної
мережі на основі ситуаційного управління. Як відомо, ситуаційне управління бере початок з
гіпотези про те, що всю необхідну інформацію про управління об'єктом можна отримати
безпосередньо спостерігаючи за роботою об’єкта.
Показано, що для побудови моделі ситуаційного управління необхідно сформулювати
основну задачу, яку необхідно розв’язати в процесі такої побудови. Якщо множина рішень {P(t)}
має потужність l, то задача управління буде розв’язана. Якщо можна знайти таке розбиття
множини ситуацій Pi на l класів, за якого всі ситуації {S(t)} будуть віднесені до певного
визначеного класу Kl, якому однозначно відповідає деяке рішення Pi.. Проте може статися, що у
конкретній ситуації {S(t)} не можна вказати єдине найбільш корисне рішення Рі. Таких рішень
може бути декілька. Це зумовлює постановку задачі не про розбиття ситуацій {S(t)} на класи (коли
кожна конкретна ситуація належить точно до одного класу), а про визначення множини ситуацій
{S(t)} сукупністю класів Kl. Допускається такий стан, за якого деякі ситуації {S(t)} одночасно
належать кільком класам Kl. При цьому вимагається тільки, щоб кожна конкретна ситуація {S(t)}
належала хоча б одному класу Kl.
Ключові слова: системи управління, ситуаційне управління, інфокомунікаційна мережа,
TMN, мікроопис, мікроситуація, класифікатор, екстраполятор

Список використаної літератури
1. ITU-T Recommendation M.3108.1. ITU-T Study Group 4 (1997-2000) approved under the
WTSC Resolution No. 1 procedure. 26th of March 1999.
2. ITU-T Recommendation M.3020 (1995), TMN interface specification methodology.
3. Network Environments, Managing Ray Hunt, John Vargo Encyclopedia of Information
Systems, 2003 pp 279-301.
4. Komajwar S., Korkmaz T. Challenges and solutions to consistent data plane update in
software defined networks. Computer Communications. 2018. Vol. 130. P. 50–59.
URL: https://doi.org/10.1016/j.comcom.2018.08.008.
5. The optimization of computer equipment during the modernization of the unified system
of centralized control and measurements of the SKS-7 network using the resources of the data
processing center / L. Berkman et al. Information and communication technologies, electronic
engineering. 2023. Vol. 3, no. 2. P. 88–94. URL: https://doi.org/10.23939/ictee2023.02.088.
6. Devising a method for receiving a multidimensional signal using high-order phase
difference modulation in next-generation mobile networks / N. Halahan et al. Eastern-European
Journal of Enterprise Technologies. 2025. Vol. 3, no. 9 (135). P. 19–32. URL:
https://doi.org/10.15587/1729-4061.2025.331201.
7. Klymash, M., Berkman, L., Otrokh, S., Pilinsky, V., Chumak, O., Hryshchenko, O. (2021).
Increasing the multi-position signals noise immunity of mobile communication systems based on
high-order phase modulation. Selected Papers of the XXI International Scientific and Practical
Conference "Information Technologies and Security" (ITS 2021), 147–157.
8. Wideband Millimeter-Wave Propagation Measurements and Channel Models for Future
Wireless Communication System Design / T. S. Rappaport et al. IEEE Transactions on
Communications. 2015. Vol. 63, no. 9. P. 3029–3056. URL:
https://doi.org/10.1109/tcomm.2015.2434384.
9. Geyer F., Scheffler A., Bondorf S. Network Calculus with Flow Prolongation – A
Feedforward FIFO Analysis enabled by ML. IEEE Transactions on Computers. 2022. P. 1–14.
URL: https://doi.org/10.1109/tc.2022.3204225.

МОДЕЛЬНА ІНФРАСТРУКТУРА У ЦАРИНІ СЕРВІСІВ ТЕЛЕПРИСУТНОСТІ

Баланюк Ю. В. (Balanyuk Yu.V.) — 2026-01-19

Запропоновано опис модельної
інфраструктури мережі наступного покоління, призначеної для досліджень, навчальних курсів і
випробувань сервісів телеприсутності. Архітектура ґрунтується на терабітному ядрі, кластері
серверних платформ і комплексі кінцевих пристроїв: голографічних вентиляторах, 3D-камерах і
проекторах, роботах-аватарах і багатоцільових роботах, терміналах доповненої реальності, а також
IoT-екосистемі для моделювання сценаріїв надщільних розгортань. Окреслено принципи
розгортання та базові методики експлуатації стенда. Наведено первинні експериментальні
результати, що можуть слугувати базою для визначення вимог до показників якості обслуговування
(QoS) та якості сприйняття (QoE) у процесі надання послуг телеприсутності.
Ключові слова: модельна мережа, телеприсутність, QoS, QoE, доповнена реальність

Список використаної літератури
1. Challenges in Implementing Low-Latency Holographic-Type Communication Systems / R.
Petkova et al. Sensors. 2022. Vol. 22, no. 24. P. 9617. URL: https://doi.org/10.3390/s22249617.
2. C. Udora, P. Qian, S. Anmulwar, A. Fernando and N. Wang, "Quality of Experience Modelling
and Analysis for Live Holographic Teleportation," 2024 International Conference on Computing,
Networking and Communications (ICNC), Big Island, HI, USA, 2024, pp. 598-604, DOI:
10.1109/ICNC59896.2024.10556032.
3. Maier M., Ebrahimzadeh A. Towards Immersive Tactile Internet Experiences: Low-Latency
FiWi Enhanced Mobile Networks With Edge Intelligence [Invited]. Journal of Optical
Communications and Networking. 2019. Vol. 11, no. 4. P. B10. URL:
https://doi.org/10.1364/jocn.11.000b10.
4. Lee H.-K., Choo J., Kim J. 16 Ch × 200 GHz DWDM-Passive Optical Fiber Sensor Network
Based on a Power Measurement Method for Water-Level Monitoring of the Spent Fuel Pool in a
Nuclear Power Plant. Sensors. 2021. Vol. 21, no. 12. P. 4055. URL:
https://doi.org/10.3390/s21124055.
5. Software-Defined Networking: A Comprehensive Survey / D. Kreutz et al. Proceedings of the
IEEE. 2015. Vol. 103, no. 1. P. 14–76. URL: https://doi.org/10.1109/jproc.2014.2371999.
6. An Overview of Augmented Reality / F. Arena et al. Computers. 2022. Vol. 11, no. 2. P. 28.
URL: https://doi.org/10.3390/computers11020028.
7. A Comprehensive Survey on the Internet of Things with the Industrial Marketplace / K. O. M.
Salih et al. Sensors. 2022. Vol. 22, no. 3. P. 730. URL: https://doi.org/10.3390/s22030730.

ПРОБЛЕМА ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ СИСТЕМ КРИТИЧНО ВАЖЛИВОЇ ІНФРАСТРУКТУРИ

Галаган Н. В. (Halahan N.V.) — 2026-01-19

У статті
розглянуто проблеми забезпечення функціональної стійкості ключових інформаційно-керуючих та
інформаційно-телекомунікаційних систем, що належать до критично важливої інфраструктури.
Проведено аналіз сучасних загроз, національних і міжнародних нормативних підходів, виявлено
прогалини в національному нормативно-правовому полі, сформульовано постановку задачі та мету
дослідження. Наведено основні напрямки державної політики та науково-технічні пріоритети для
підвищення стійкості КСІІ (ключових систем інформаційної інфраструктури)
Актуальність теми зумовлена підвищенням складності сучасних інформаційно-керуючих
систем, глибокою інтеграцією інформаційно-комунікаційних технологій у промисловість,
енергетику, транспорт, державне управління, а також збільшенням кількості кіберінцидентів, що
мають фізичні наслідки.
Показано, що ключові виклики у сфері критичної інфраструктури пов’язані з каскадними
ефектами, коли порушення роботи одного елемента або сектора спричиняє лавиноподібні відмови в
інших. Для України ці процеси ускладнюються відсутністю єдиного нормативно-правового поля,
браком державного реєстру КСІІ, неузгодженістю міжвідомчих процедур реагування та
обмеженістю механізмів моніторингу технічного стану об’єктів. У роботі здійснено систематизацію
проблем у сфері забезпечення стійкості КСІІ, зокрема технічних, організаційних і кадрових.
Виявлено, що відсутність єдиних стандартів, слабка сегментація промислових мереж, низький
рівень інтеграції систем моніторингу й недосконалість процедур тестування оновлень формують
передумови для системних відмов.
Основний внесок роботи полягає у поєднанні теоретичних і практичних підходів до
забезпечення функціональної стійкості критично важливої інфраструктури. Запропонована модель
ризиків, аналітична систематизація проблем і комплекс рекомендацій утворюють підґрунтя для
формування цілісної національної політики з підвищення надійності та безпеки КСІІ України в
умовах гібридних загроз.
Ключові слова: функціональна стійкість, критично важлива інфраструктура, інформаційна
безпека, каскадні відмови, моделювання ризиків, національна політика безпеки

Список використаної літератури
1. Леоненко Г.П., Юдін А.Ю. Проблеми забезпечення інформаційної безпеки систем
критично важливої інформаційної інфраструктури України. // Information Technology and
Security, № 1(3), 2013. С. 5–16.
2. Лісецький В.І., Строганов І.В., Чеканов Є.П. Кіберзахист об’єктів критичної
інфраструктури: сучасний стан і напрямки розвитку в Україні. // Збірник наукових праць
НУОУ, № 4 (53), 2023. С. 45–58.
3. Довгань О.Д., Криворучко О.В. Функціональна стійкість критичних інформаційних
систем як об’єкт державного регулювання. // Інформаційна безпека, № 2, 2021. С. 23–32.
4. ISO/IEC 27001:2022. Information Security, Cybersecurity and Privacy Protection.
Information Security Management Systems. Requirements. International Organization for
Standardization, Geneva, 2022.
5. IEC 62443-3-3:2019. Industrial Communication Networks. Network and System Security
System Security Requirements and Security Levels. International Electrotechnical Commission,
Geneva, 2019.
6. ISA/IEC 62443 Series. Security for Industrial Automation and Control Systems. International
Society of Automation, 2018.
7. NIST SP 800-82 Rev.3. Guide to Industrial Control Systems (ICS) Security. National Institute
of Standards and Technology, Gaithersburg, 2023.
8. NIST SP 800-30 Rev.1. Guide for Conducting Risk Assessments. NIST, Gaithersburg, 2012.

ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ СИГНАЛУ OFDM В МОБІЛЬНИХ МЕРЕЖАХ ОСТАННІХ ПОКОЛІНЬ ПРИ ВПЛИВІ ЗАВАД

Кравченко В. І. (Kravchenko V.I.) — 2026-01-19

У
статті досліджено вплив рухливості абонентів та частотних зсувів на поведінку багатонесучих
сигналів у сучасних бездротових мережах на прикладі OFDM-підходів. Розглянуто механізми, через
які зміни швидкості руху та похибки частотної синхронізації призводять до появи міжсимвольних і
міжнесучих перешкод, а також до деградації якості прийому. На основі аналітичних міркувань
запропоновано підхід до оцінки компромісу між бажаною спектральною ефективністю та стійкістю
сигналу в умовах руху користувачів. Описано концепцію адаптації параметрів побудови сигналу з
великою кількістю несучих в залежності від умов каналу та мобільності, а також обговорено
практичні методи, які можуть зменшувати негативні наслідки частотних зсувів – від поліпшення
частотної локалізації до застосування адаптивних схем обробки сигналу. Підкреслено, що
оптимальні рішення залежать від сценарію використання та мають враховувати сумісність із
існуючими стандартами й апаратними обмеженнями.
Ключові слова: LTE, OFDM, MIMO, ефект Доплера, спектральна ефективність

Список використаних джерел
1. Mohammed S.K., Prakash S., Ubadah M., Ali K.I., Hadani R., Rakib S., Kons S., Hebron Y.,
Chockalingam A., Calderbank R. Zak-OFDM: Low Complexity Joint Equalization of OFDM
Carriers in Doubly-Spread Channels. URL: https://doi.org/10.48550/arXiv.2506.23045.
2. Ma Y., Ai B., Yuan J., Li S., Cheng Q., Shi Z., Yuan W., Wei Z., Shafie A., Ma G., Lu Y.,
Yang M., Zhong Z. Delay-Doppler Domain Signal Processing Aided OFDM (DD-a-OFDM) for 6G
and Beyond. URL: https://doi.org/10.48550/arXiv.2508.04253.
3. Fine carrier frequency offset estimation for OFDM and MIMO-OFDM systems: A
comparative study / M. M. E. Kotb et al. Scientific Reports. 2025. Vol. 15, no. 1. URL:
https://doi.org/10.1038/s41598-025-98233-3.
4. Hander A., Erkal B., Rahebi J. Symbol Classification in Receiver of OFDM Carrier Signal
with Deep Learning and Whale Optimization Algorithm. Politeknik Dergisi. 2025. P. 1. URL:
https://doi.org/10.2339/politeknik.1664072.
5. Experimental review of wideband OFDM in electronic sub-mmW wireless communication /
S. Haussmann et al. International Journal of Microwave and Wireless Technologies. 2025. P. 1–10.
URL: https://doi.org/10.1017/s1759078725102365.
6. Cho J. H., Lee J. H. OFDM-Based Carrier Phase Localization with Integer Ambiguity
Resolution. IEEE Access. 2025. P. 1. URL: https://doi.org/10.1109/access.2025.3585495.
7. Nagaraj S., Sarkar M. Inter-Carrier Interference Reduction Technique for Backscattered
OFDM. IEEE Transactions on Vehicular Technology. 2024. P. 1–5. URL:
https://doi.org/10.1109/tvt.2024.3381868.
8. Joint Optimization and Performance Analysis of Analog Shannon–Kotel’nikov Mapping for
OFDM with Carrier Frequency Offset / J. Lin et al. Entropy. 2025. Vol. 27, no. 8. P. 778. URL:
https://doi.org/10.3390/e27080778.

БЛОКЧЕЙН НА ОСНОВІ ШИФРУВАННЯ ДАНИХ І МЕХАНІЗМИ ЗБЕРЕЖЕННЯ КОНФІДЕНЦІЙНОСТІ ВЕЛИКИХ ДАНИХ

Поляков Д. А. (Poliakov D.A.) — 2026-01-19

У даній статті здійснено ґрунтовний аналіз
можливостей застосування блокчейн-технології для збереження конфіденційності великих даних у
сучасних інформаційних системах. Блокчейн розглядається як інноваційна децентралізована
технологія, яка завдяки своїй архітектурі та вбудованим криптографічним механізмам забезпечує
високий рівень безпеки даних, стійкість до кібератак та прозорість процесів обробки інформації. У
роботі детально досліджено основні методи шифрування, що застосовуються в блокчейні:
симетричне, асиметричне та хешування. Проведено їх порівняльний аналіз із зазначенням
ключових переваг та обмежень, а також висвітлено роль кожного методу у побудові систем
безпечного зберігання та передавання даних. Особливу увагу приділено методам анонімізації та
псевдонімізації, які забезпечують приватність у великих масивах даних. У статті розглянуто
сучасні інструменти конфіденційних блокчейнів (Monero, ZCash), що використовують кільцеві
підписи, технологію «Confidential Transactions» та механізми приховування деталей транзакцій.
Також детально проаналізовано технологію доказів з нульовим розкриттям (Zero-Knowledge
Proofs, ZKP), яка надає можливість підтвердження достовірності інформації без розкриття самих
даних. Механізми оцінено у контексті реальних сценаріїв використання для захисту персональних
даних у сфері медицини, фінансів, електронного урядування та IoT. Наведено практичні приклади:
системи Guardtime та MedRec у медицині; транзакції з анонімністю в Monero та ZCash;
застосування у державних реєстрах Естонії; інтеграція у «розумні будинки» для захисту IoTпристроїв. Крім того, окреслено ключові виклики впровадження блокчейну: масштабованість,
обчислювальні витрати, енергозатратність та правові бар’єри, включно з колізіями між
незмінністю реєстру та вимогами до видалення даних. Окреслено перспективи розвитку:
удосконалення алгоритмів консенсусу, протоколи другого рівня, застосування удосконалених
смарт-контрактів та гібридних моделей.
Ключові слова: блокчейн, великі дані, шифрування, конфіденційність, анонімізація,
псевдонімізація, Zero‑Knowledge Proofs, Monero, ZCash

Список використаної літератури
1. Wright C. S. Bitcoin: a peer-to-peer electronic cash system. SSRN electronic journal. 2008.
URL: https://doi.org/10.2139/ssrn.3440802.
2. Zyskind G., Nathan O., Pentland A. Decentralizing privacy: using blockchain to protect
personal data. 2015 IEEE security and privacy workshops (SPW), San Jose, CA, 21–22 May 2015.
2015. URL: https://doi.org/10.1109/spw.2015.27.
3. Zerocoin: anonymous distributed e-cash from bitcoin / I. Miers et al. 2013 IEEE symposium
on security and privacy (SP) conference, Berkeley, CA, 19–22 May 2013. 2013.
URL: https://doi.org/10.1109/sp.2013.34.
4. Efficient variant transaction injection protocols and adaptive policy optimisation for
decentralised ledger systems / C. F. Chiang et al. International journal of grid and utility
computing. 2020. Vol. 11, no. 6. P. 847. URL: https://doi.org/10.1504/ijguc.2020.10032064.
5. Zerocash: decentralized anonymous payments from bitcoin / E. Ben Sasson et al. 2014 IEEE
symposium on security and privacy (SP), San Jose, CA, 18–21 May 2014. 2014.
URL: https://doi.org/10.1109/sp.2014.36.
6. Groth J. On the size of pairing-based non-interactive arguments. Advances in cryptology –
EUROCRYPT 2016. Berlin, Heidelberg, 2016. P. 305–326. URL: https://doi.org/10.1007/978-3-
662-49896-5_11.
7. MedRec: using blockchain for medical data access and permission management / A. Azaria
et al. 2016 2nd international conference on open and big data (OBD), Vienna, Austria, 22–24
August 2016. 2016. URL: https://doi.org/10.1109/obd.2016.11.
8. Underwood S. Blockchain beyond bitcoin. Communications of the ACM. 2016. Vol. 59,
no. 11. P. 15–17. URL: https://doi.org/10.1145/2994581.
9. Kshetri N. Blockchain's roles in strengthening cybersecurity and protecting
privacy. Telecommunications policy. 2017. Vol. 41, no. 10. P. 1027–1038.
URL: https://doi.org/10.1016/j.telpol.2017.09.003.
10. Gdpr enforcement. EU general data protection regulation (GDPR), third edition. 2019.
P. 285–297. URL: https://doi.org/10.2307/j.ctvr7fcwb.19.
11. Akeela R., Krawiec-Thayer M. P. Efficient HW/SW partitioning of Halo: FPGAaccelerated recursive proof composition in blockchain. Microsystem technologies. 2021.
URL: https://doi.org/10.1007/s00542-020-05138-4.
12. Blockchain industry 5.0: next generation smart contract and decentralized application
platform / S. B et al. 2022 international conference on innovative computing, intelligent
communication and smart electrical systems (ICSES), Chennai, India, 15–16 July 2022. 2022.
URL: https://doi.org/10.1109/icses55317.2022.9914151.

МЕТОД СТАБІЛІЗАЦІЇ РЕЗОНАНСНОГО РЕЖИМУ П’ЄЗОПЕРЕТВОРЮВАЧІВ У СИСТЕМАХ З ФАПЧ

Мовчанюк А. В. (Movchanyuk A.V.) — 2026-01-19

У статті розглянуто особливості
узгодження п’єзокерамічних перетворювачів з вихідними каскадами генераторів на резонансних
частотах. Проаналізовано вплив узгоджуючих фільтрів на імпеданс та фазові характеристики, а
також можливість формування сигналу зворотного зв’язку для реалізації системи ФАПЧ.
Запропоновано підходи для стабілізації режиму роботи та підвищення ефективності ультразвукових
генераторів.
Ключові слова: п’єзокерамічний перетворювач, узгодження імпедансу, ультразвуковий
генератор, резонансна частота, узгоджуючий фільтр, фазове автопідстроювання частоти,
електромеханічні характеристики

Список використаної літератури
1. Choi H. Pre-Matching Circuit for High-Frequency Ultrasound Transducers // Sensors. 2022.
Vol. 22, Issue 22. URL: https://doi.org/10.3390/s22228861.
2. Huang W., Li J., Wu S., et al. Dual-Frequency Impedance Matching Network Design Using
Genetic Algorithm for Power Ultrasound Transducer // Micromachines. 2024. Vol. 15, Issue 3. URL:
https://doi.org/10.3390/mi15030344.
3. Capineri L. Matching Network Design for Ultrasonic Guided Wave Interdigital Transducers
// Sensors. 2025. Vol. 25, Issue 17. URL: https://doi.org/10.3390/s25175401.
4. Yang Y., Wei X., Zhang L., Yao W. The Effect of Electrical Impedance Matching on the
Electromechanical Characteristics of Sandwiched Piezoelectric Ultrasonic Transducers // Sensors.
2017. Vol. 17, Issue 12. URL: https://doi.org/10.3390/s17122832.
5. Lee J., Kim J. Theoretical and Empirical Verification of Electrical Impedance Matching
Method for High-Power Transducers // Electronics. 2022. Vol. 11, Issue 2. URL:
https://doi.org/10.3390/electronics11020194.
6. A. Movchanyuk, V. Fesich, I. Sushko and Y. Vistyzenko, "The research of L-type matching
filter parameters," 2016 International Conference Radio Electronics & Info Communications
(UkrMiCo), Kyiv, Ukraine, 2016, pp. 1-5, URL: https://doi.org/10.1109/UkrMiCo.2016.7739596.
7. Y. Vistyzenko, A. Movchanyuk, I. Sushko and A. Novosad, "LL-type filter for piezoelectric
transducer," 2017 International Conference on Information and Telecommunication Technologies
and Radio Electronics (UkrMiCo), Odesa, Ukraine, 2017, pp. 1-6, URL:
https://doi.org/10.1109/UkrMiCo.2017.8095384.
8. A. Movchanyuk, R. Antypenko, I. Sushko, N. Lashchevska and A. Shulha, "Synthesis of the
Bandpass Filter with a Predetermined Phase Error for Generators with PLL for Piezoceramic
Transducers," 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics,
Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 2020, pp. 222-
225, URL: https://doi.org/10.1109/TCSET49122.2020.235427.
9. Feng, Y., Zhao, Y., Yan, H., & Cai, H. (2023). A Driving Power Supply for Piezoelectric
Transducers Based on an Improved LC Matching Network. Sensors, 23(12), 5745. URL:
https://doi.org/10.3390/s23125745.
10. H. Zhou, S. H. Huang and W. Li, "Electrical Impedance Matching Between Piezoelectric
Transducer and Power Amplifier," in IEEE Sensors Journal, vol. 20, no. 23, pp. 14273-14281, 1
Dec.1, 2020, URL: https://doi.org/10.1109/JSEN.2020.3008762.

ДОСЛІДЖЕННЯ ГІБРИДНОЇ АРХІТЕКТУРИ CNN З RESIDUAL SHUFFLEEXCHANGE ДЛЯ РОЗПІЗНАВАННЯ НОТ З АУДІОДАНИХ

Бай Я. В. (Bai Ya.V.) — 2026-01-19

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. Bay M., Ehmann A. F., Downie J. S. Evaluation of multiple-F0 estimation and tracking
systems. Proceedings of the 10th International Society for Music Information Retrieval Conference
(ISMIR). 2009. P. 315–320. URL: https://ismir2009.ismir.net/proceedings/PS2-13.pdf.
2. Automatic music transcription: challenges and future directions / E. Benetos et al. Journal of
Intelligent Information Systems. 2013. Vol. 41, no. 3. P. 407–434. URL:
https://doi.org/10.1007/s10844-013-0258-3.
3. Cogliati A., Temperley D., Duan Z. Transcribing human piano performances into music
notation. Proceedings of the 17th International Society for Music Information Retrieval Conference
(ISMIR). 2016. P. 758–764. URL: https://wp.nyu.edu/ismir2016/wpcontent/uploads/sites/2294/2016/07/cogliati-transcribing.pdf.
4. Automatic music transcription: challenges and future directions / E. Benetos et al. Journal of
Intelligent Information Systems. 2013. Vol. 41, no. 3. P. 407–434. URL:
https://link.springer.com/article/10.1007/s10844-013-0258-3.
5. Deep salience representations for f0 estimation in polyphonic music / R. M. Bittner et al.
International Society for Music Information Retrieval Conference (ISMIR). 2017. P. 63–70. URL:
https://doi.org/10.5281/zenodo.1417937.
6. Böck S., Schedl M. Polyphonic piano note transcription with recurrent neural networks. IEEE
International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2012. P. 121–124.
URL: https://doi.org/10.1109/ICASSP.2012.6287832.
7. Residual Shuffle-Exchange Networks for Fast Processing of Long Sequences / A. Draguns et
al. Proceedings of the AAAI Conference on Artificial Intelligence. 2021. P. 7245–7253. URL:
https://ojs.aaai.org/index.php/AAAI/article/view/16890.
8. Li L. Music Transcription Using Deep Learning. 2017. (Preprint). URL:
https://cs229.stanford.edu/proj2017/final-reports/5242716.pdf.
9. Residual Shuffle-Exchange Networks for Fast Processing of Long Sequences / A. Draguns et
al. Proceedings of the AAAI Conference on Artificial Intelligence. 2021. P. 7417–7425. URL:
https://ojs.aaai.org/index.php/AAAI/article/view/16890.
10.LUMII-Syslab. RSE: Residual Shuffle-Exchange Networks GitHub Repository. URL:
https://github.com/LUMII-Syslab/RSE.
11.Convolutional Recurrent Neural Networks for Music Classification / K. Choi et al. IEEE
International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2017. P. 2392–
2396. URL: https://dl.acm.org/doi/10.1109/TASLP.2017.2690575.
12.Sigtia S., Benetos E., Dixon S. An End-to-End Neural Network for Polyphonic Piano Music
Transcription. IEEE/ACM Transactions on Audio, Speech, and Language Processing. 2016. Vol. 24,
no. 5. P. 927–939. URL: https://arxiv.org/pdf/1508.01774.
13.Automatic Music Transcription: An Overview / E. Benetos et al. IEEE Signal Processing
Magazine. 2019. Vol. 36, no. 1. P. 20–30.
14.Hernandez-Olivan C., al. e. A comparison of deep learning methods for timbre analysis in
polyphonic automatic music transcription. Electronics. 2021. Vol. 10, no. 7. P. 810.
15.Sigtia S., Boulanger-Lewandowski N., Dixon S. A Study on LSTM Networks for Polyphonic
Music Sequence Modelling. ISMIR 2017. 2017. URL:
https://archives.ismir.net/ismir2017/paper/000060.pdf.
16.Kim J., Bello J. Adversarial learning for improved onsets and frames music transcription.
Proceedings of the International Society for Music Information Retrieval Conference (ISMIR). 2019.
P. 670–677..
17.Hawthorne C., others. Sequence-to-Sequence Piano Transcription with Transformers.
Proceedings of the 22nd International Society for Music Information Retrieval Conference (ISMIR).
2021. URL: https://archives.ismir.net/ismir2021/paper/000030.pdf.
18.Team M. Music Transcription with Transformers. URL:
https://magenta.tensorflow.org/transcription-with-transformers.

КОНФІДЕНЦІЙНА ПЕРЕДАЧА ДАНИХ В ТЕЛЕКОМУНІКАЦІЙНИХ СИСТЕМАХ З ІНТЕГРАЦІЄЮ БПЛА

Яковець В. П. (Yakovets V.P.) — 2026-01-19

У статті досліджено
проблеми та рішення для забезпечення конфіденційності в телекомунікаційних системах із
інтегрованими безпілотними літальними апаратами (БПЛА). Проаналізовано основні загрози, такі
як пасивне підслуховування, заглушення, DoS/DDoS, GNSS-спуфінг, MitM, ін’єкція фальшивих
даних, атаки на ML та фізичне захоплення, а також їхній вплив на безпеку, приватність та надійність
місій. Запропоновано міжрівневу стратегію захисту фізичної безпеки каналу за рахунок штучного
шуму, напрямленого формування променю, кооперативного пригнічення та оптимізації траєкторії й
потужності. Окремо розглянуто роль MEC/edge у безпечному оффлоадингу й у підтримці апаратнообґрунтованої автентифікації та оновлень. Наведено математичну постановку задачі максимізації
середньої швидкості секретної передачі з кінематичними та енергетичними обмеженнями та
описано практичні методи розв’язання (SCA, SDR, поетапна оптимізація). Робота підкреслює
компроміси «секретність-затримка-енергія» і надає рекомендації щодо інтеграції рішень безпеки
передачі даних і відмовостійкості в масштабованих мережах зв’язку з інтеграцією БПЛА.
Ключові слова: безпілотні літальні апарати, конфіденційність зв’язку, штучний шум,
оптимізація траєкторії

Список використаної літератури
1. Poorvi J., Kalita A., Gurusamy M. Reliable and Efficient Data Collection in UAV based IoT
Networks. IEEE Communications Surveys & Tutorials. 2025. P. 1. URL:
https://doi.org/10.1109/comst.2025.3550274.
2. Secrecy Analysis and Optimization of UAV-Assisted Communications With Hybrid SWIPT
and Cooperative Jamming / G. K. Pandey et al. IEEE Journal on Miniaturization for Air and Space
Systems. 2025. P. 1. URL: https://doi.org/10.1109/jmass.2025.3568592.
3. Yang S., Ma H. Security Performance Analysis of Full-Duplex UAV Assisted Relay System
Based on SWIPT Technology. Applied Sciences. 2024. Vol. 14, no. 12. P. 4987. URL:
https://doi.org/10.3390/app14124987.
4. Secure and energy-efficient transmission in UAV-assisted intelligent reflecting surface
networks / J. Xue et al. Scientific Reports. 2025. Vol. 15, no. 1. URL: https://doi.org/10.1038/s41598-
025-17852-y.
5. Khosravian E., Denghan M. Cyber Risk Prediction for UAVs in Space-related Missions using
Deep Reinforcement Learning. Journal of Space Science and Technology. 2025. Vol 15, no. 1. P. 1-
15. URL: https://doi.org/10.22034/jsst.2025.1527.
6. Aerial IRS-Assisted Secure SWIPT System With UAV Jitter / T. Cheng et al. IEEE
Transactions on Green Communications and Networking. 2024. P. 1. URL:
https://doi.org/10.1109/tgcn.2024.3366539.
7. Security and Privacy Issues and Solutions for UAVs in B5G Networks: A Review / M. A. Khan
et al. IEEE Transactions on Network and Service Management. 2024. P. 1. URL:
https://doi.org/10.1109/tnsm.2024.3487265.

МЕТОД ІТЕРАЦІЙНОГО СТВОРЕННЯ ОЗНАК НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПРОГНОЗУВАННЯ ВІДТОКУ

Шаш М. С. (Shash M.S.) — 2026-01-19

У статті запропоновано метод ітераційного
створення ознак із використанням великих мовних моделей (LLM) для підвищення ефективності
прогнозування відтоку клієнтів у SaaS-платформах. Запропонований підхід поєднує LLM-генератор
і LLM-критик у замкненому контурі зворотного зв’язку, що забезпечує багатокрокове
вдосконалення та відбір релевантних ознак на основі показників якості моделі. Експериментальні
результати на даних стрімінгової платформи показали підвищення F1-міри у порівнянні з базовим
підходом. Експериментальні результати підтверджують ефективність ітераційного використання
LLM для автоматизації створення ознак і підвищення точності моделей прогнозування відтоку
користувачів.
Ключові слова: прогнозування відтоку, великі мовні моделі, створення ознак, машинне
навчання, штучний інтелект

Список використаної літератури
1. Suguna R., Suriya P., Pai H. A. et al. Mitigating class imbalance in churn prediction with
ensemble methods and SMOTE. Scientific Reports. 2025. Vol. 15. P. 16256. URL:
https://doi.org/10.1038/s41598-025-01031-0.
2. Noviandy T. R., Idroes G. M., Hardi I. et al. A model-agnostic interpretability approach to
predicting customer churn in the telecommunications industry. Infolitika Journal of Data Science.
2024. Vol. 2, no. 1. P. 34–44. URL: https://doi.org/10.60084/ijds.v2i1.199.
3. ChurnKB: A Generative AI-Enriched Knowledge Base for Customer Churn Feature
Engineering. Algorithms. 2025. Vol. 18, no. 4. P. 238. URL: https://doi.org/10.3390/a18040238.
4. Large Language Models Can Automatically Engineer Features for Few-Shot Tabular
Learning. arXiv preprint. 2024. URL: https://arxiv.org/abs/2404.09491.
5. Imani M., Joudaki M., Beikmohammadi A., Arabnia H. R. Customer churn prediction: a
systematic review of recent advances, trends, and challenges in machine learning and deep learning.
Machine Learning and Knowledge Extraction. 2025. Vol. 7, no. 3. P. 105. URL:
https://doi.org/10.3390/make7030105.
6. Hegselmann S., Buendia A., Lang H., Agrawal M., Jiang X., Sontag D. TabLLM: Few-shot
classification of tabular data with large language models. arXiv preprint. 2022. URL:
https://doi.org/10.48550/arXiv.2210.10723.
7. Gong N., Wang X., Ying W., Bai H., Dong S., Chen H., Fu Y. Unsupervised feature
transformation via in-context generation, generator-critic LLM agents, and duet-play teaming. arXiv
preprint. 2025. URL: https://arxiv.org/abs/2504.21304.
8. Zhao H., Chen H., Yang F., Liu N., Deng H., Cai H., Wang S., Yin D., Du M. Explainability
for large language models: a survey. ACM Transactions on Intelligent Systems and Technology. 2024.
Vol. 15, no. 2. URL: https://doi.org/10.1145/3639372.
9. Zhang X., Zhang J., Rekabdar B., Zhou Y., Wang P., Liu K. Dynamic and adaptive feature
generation with LLM. arXiv preprint. 2024. URL: https://arxiv.org/abs/2406.03505.
10. Kaggle dataset: Predictive Analytics for Customer Churn Dataset. URL:
https://www.kaggle.com/datasets/safrin03/predictive-analytics-for-customer-churn-dataset.

МАСШТАБОВАНІ ДЕЦЕНТРАЛІЗОВАНІ СИСТЕМИ НА ОСНОВІ РОЗПОДІЛЕНИХ СХОВИЩ ДАНИХ

Гордієнко К. О. (Hordiienko K.O.) — 2026-01-19

У статті проведено аналіз
можливостей підвищення масштабованості децентралізованих систем шляхом інтеграції блокчейнплатформ із розподіленими NoSQL-сховищами. Обґрунтовано доцільність використання NoSQLбаз даних у ролі розподіленого сховища блоків у моделі ElasticBloC, що дозволяє зменшити
навантаження на блокчейн та забезпечити горизонтальне масштабування. Розглянуто підхід до
системної інтеграції на основі багаторівневої програмної архітектури з використанням мов Java та
Python.У результаті сформульовано концепцію синергетичного поєднання блокчейну, NoSQLінфраструктури та прикладних сервісів, яка створює передумови для побудови масштабованих і
захищених децентралізованих застосунків у середовищі DeFi. Систематизовано підходи до
інтеграції блокчейн-технологій з розподіленими NoSQL-сховищами та обґрунтуванні концепції
архітектурного поєднання Java- та Python-компонент у складі децентралізованих застосунків.
Запропоновані положення можуть бути використані під час проєктування інформаційних систем з
високими вимогами до стійкості, надійності та продуктивності.
Ключові слова: блокчейн; децентралізовані системи; розподілені сховища даних; Java;
мікросервіси; NoSQL; об’єктно-орієнтоване програмування; Python

Список використаної літератури
1. Доценко О. Архітектоніка децентралізованих додатків у складі екосистеми
defi. Соціальна економіка. 2022. № 64. С. 117–124. URL: https://doi.org/10.26565/2524-2547-
2022-64-10.
2. 3rd global cryptoasset benchmarking study / A. Blandin et al. SSRN electronic journal. 2020.
URL: https://doi.org/10.2139/ssrn.3700822.
3. A survey on Hadoop HBase system. International journal of advance engineering and
research development. 2016. Vol. 3, no. 01. URL: https://doi.org/10.21090/ijaerd.030114.
4. Azzi R., Chamoun R. K., Sokhn M. The power of a blockchain-based supply
chain. Computers & industrial engineering. 2019. Т. 135. С. 582–592.
URL: https://doi.org/10.1016/j.cie.2019.06.042.
5. Bakos Y., Halaburda H., Mueller-Bloch C. When permissioned blockchains deliver more
decentralization than permissionless. Communications of the ACM. 2021. Т. 64, № 2. С. 20–22.
URL: https://doi.org/10.1145/3442371.
6. Bamakan S. M. H., Motavali A., Babaei Bondarti A. A survey of blockchain consensus
algorithms performance evaluation criteria. Expert systems with applications. 2020. Т. 154.
С. 113385. URL: https://doi.org/10.1016/j.eswa.2020.113385.
7. Blockbench / T. T. A. Dinh et al. SIGMOD/PODS'17: international conference on
management of data, Chicago Illinois USA. New York, NY, USA, 2017.
URL: https://doi.org/10.1145/3035918.3064033.
8. Casey M. J. In blockchain we trust. MIT Technology Review.
URL: https://www.technologyreview.com/2018/04/09/3066/in-blockchain-we-trust/.
9. Chandrakant K., Piwowarek G. Implementing a simple Blockchain in
Java. https://www.baeldung.com. URL: https://www.baeldung.com/java-blockchain.
10. Chen Y., Pereira I., Patel P. C. Decentralized governance of digital platforms. Journal of
management. 2020. С. 014920632091675. URL: https://doi.org/10.1177/0149206320916755.
11. Davies B. How to build ethereum dapps: learn how to write smart contract code, design,
implement, test, debug, deploy and secure a full end-to-end dapps. Independently Published, 2022.
12. Decision support for blockchain platform selection: three industry case studies / S. Farshidi et
al. IEEE transactions on engineering management. 2020. Т. 67, № 4. С. 1109–1128.
URL: https://doi.org/10.1109/tem.2019.2956897.
13. Jibbawi H., Haque R., Ali Jaber Y. T. ElasticBloC: a massively scalable architecture for
blockchain based applications. Proceedings of the 2nd international conference on big data and
cyber-security intelligence : CEUR Workshop Proceedings, Versailles, 16-17.12. 2019 / M.-R. Hojeij
et al. 2019. С. 73-82. URL: https://ceur-ws.org/Vol-2622/paper11.pdf.
14. Khobragade P., Turuk A. K. Blockchain consensus algorithms: a survey. Lecture notes in
networks and systems. Cham, 2023. С. 198–210. URL: https://doi.org/10.1007/978-3-031-21229-
1_19.
15. LSB: a lightweight scalable blockchain for iot security and anonymity / A. Dorri et al. Journal
of parallel and distributed computing. 2019. Т. 134. С. 180–197.
URL: https://doi.org/10.1016/j.jpdc.2019.08.005.
16. The evolutionary trajectories of peer-produced artifacts: group composition, the trajectories’
exploration, and the quality of artifacts / O. Arazy et al. MIS quarterly. 2020. Vol. 44, № 4. С. 2013–
2053. URL: https://doi.org/10.25300/misq/2020/15379.
17. Understanding the motivations, challenges and needs of Blockchain software developers: a
survey / A. Bosu et al. Empirical software engineering. 2019. Vol. 24, № 4. С. 2636–2673.
URL: https://doi.org/10.1007/s10664-019-09708-7.

АНАЛІЗ ТА ПЕРЕДБАЧЕННЯ ПОГОДНИХ УМОВ НА ОСНОВІ МАШИННОГО НАВЧАННЯ З ІНТЕГРАЦІЄЮ ВЕБ-ТЕХНОЛОГІЙ

Мельник Ю. В. (Melnyk Yu.V.) — 2026-01-19

Стаття висвітлює
актуальність застосування методів машинного навчання для прогнозування погодних умов і аналізує
сучасні AutoML-підходи, які спрощують процес вибору моделей і налаштування гіперпараметрів.
Запропоновано інтегрований програмний засіб, що забезпечує повний цикл роботи з даними: імпорт,
базовий дослідницький аналіз і побудову прогнозів на основі фундаментальних моделей з
фіксованими гіперпараметрами. Архітектура системи охоплює клієнтський інтерфейс і сервер
прикладної логіки, реалізовані на основі стеку MERN, а також окремий модуль машинного
навчання, побудований із використанням бібліотек мови Python. Для передбачення застосовано
логістичну регресію, градієнтний бустинг і багатошаровий персептрон. Розроблене рішення може
використовуватися як інструмент швидкої перевірки гіпотез, у навчально-демонстраційних цілях та
для отримання передбачень допустимої точності на локалізованих наборах погодних даних.
Ключові слова: машинне навчання, AutoML, передбачення погодних умов, веб-застосунок,
MERN, Scikit-learn

Список використаної літератури
1. Machine Learning Methods for Weather Forecasting: A Survey / H. Zhang та ін. Atmosphere.
2025. Т. 16, № 1. С. 82. URL: https://doi.org/10.3390/atmos16010082.
2. Probabilistic weather forecasting with machine learning / I. Price та ін. Nature. 2024.
URL: https://doi.org/10.1038/s41586-024-08252-9.
3. Feurer M., Eggensperger K., Falkner S., Lindauer M., Hutter F. Auto-sklearn 2.0: Hands-free
automl via meta-learning // Journal of Machine Learning Research. – 2022. – Vol. 23, № 261. – С.
1–61.
4. Erickson N., Mueller J., Shirkov A., Zhang H., Larroy P., Li M., Smola A. Autogluon-tabular:
Robust and accurate automl for structured data // arXiv preprint arXiv:2003.06505. – 2020. – URL:
https://arxiv.org/abs/2003.06505.
5. AMLB: Frameworks. AMLB An AutoML Benchmark.
URL: https://openml.github.io/automlbenchmark/frameworks.html (дата звернення: 07.11.2025).
6. What is Exploratory Data Analysis? – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/data-analysis/what-is-exploratory-data-analysis.
7. Advanced EDA – GeeksforGeeks. – URL: https://www.geeksforgeeks.org/datascience/advanced-eda.
8. Geron A. Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts,
Tools, and Techniques to Build Intelligent Systems. – 2nd ed. – Sebastopol (CA) : O’Reilly Media,
Inc., 2019. – 851 с.
9. Raschka S., Liu Y., Mirjalili V. Machine Learning with PyTorch and Scikit-Learn. –
Birmingham : Packt Publishing Ltd., 2022. – 771 с.
10. Supervised Machine Learning – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/machine-learning/supervised-machine-learning.
11. Logistic Regression in Machine Learning – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/machine-learning/understanding-logistic-regression.
12. Gradient Boosting in ML – GeeksforGeeks. – URL:
https://www.geeksforgeeks.org/machine-learning/ml-gradient-boosting.
13. Multi-layer Perceptron: a Supervised Neural Network Model using Sklearn –
GeeksforGeeks. – URL: https://www.geeksforgeeks.org/deep-learning/multi-layer-perceptron-asupervised-neural-network-model-using-sklearn.
14. Gutta S. Machine Learning Metrics in simple terms. Medium.
URL: https://medium.com/analytics-vidhya/machine-learning-metrics-in-simple-termsd58a9c85f9f6.

ПРОГНОСТИЧНЕ МОДЕЛЮВАННЯ В SMART CITY НА ОСНОВІ ARIMA-МОДЕЛЕЙ

Бутко І. М. (Butko I.M.) — 2026-01-19

У статті досліджується застосування
ARIMA-моделей для прогнозування часових рядів. Розглянуто базові моделі ARIMA та їх
модифікації з корекцією залишків, які дозволяють враховувати додаткові структурні закономірності
у часових рядах та підвищувати точність прогнозу. Для оцінки ефективності моделей використано
комплекс метрик точності — MAE, RMSE, sMAPE, MAPE та MASE — а також багатокритеріальне
ранжування моделей для визначення оптимальної конфігурації. Результати дослідження
підтверджують доцільність застосування ARIMA з корекцією залишків для коротко- та
середньострокового прогнозування. Практичне значення роботи полягає у підвищенні точності
прогнозів та підтримці прийняття рішень в інформаційно-орієнтованому міському середовищі.
Ключові слова: часові ряди, прогнозування, модель ARIMA, модель ARIMA з залишками,
критерії вибору моделі

Список використаної літератури
1. Zhang Z., Ren S., Qian X., Duffield N. Towards Invariant Time Series Forecasting in Smart
Cities // arXiv preprint arXiv:2405.05430. 2024. URL: https://arxiv.org/abs/2405.05430.
2. Liang S. Predicting short-term urban bike sharing demand in a smart city // Computers,
Environment and Urban Systems. 2026. Vol. 88. P. 101703. URL:
https://doi.org/10.1016/j.compenvurbsys.2021.101703.
3. Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control. Prentice Hall, 1970.
4. Hyndman R.J., Athanasopoulos G. Forecasting: Principles and Practice. OTexts, 2021. URL:
https://otexts.com/fpp3/.
5. Yavuz V.S. Forecasting monthly rainfall and temperature patterns in Van Province, Türkiye
using ARIMA and SARIMA models // Journal of Water and Climate Change. 2025.
6. GeeksforGeeks. ARIMA vs. SARIMA model. URL:
https://www.geeksforgeeks.org/machine-learning/arima-vs-sarima-model/.
7. Machine Learning Mastery. Model residual errors: Correct time series forecasts in Python.
URL: https://machinelearningmastery.com/model-residual-errors-correct-time-series-forecastspython/.
8. ARIMA-model of Ukrainian Macroeconomic Indicators Forecasting // In: Emergence of
public development: financial and legal aspects: monograph. Coventry: Agenda Publishing House,
2019. P. 213-221.
9. Application of residual modification approach in seasonal ARIMA for electricity demand
forecasting: A case study of China / Y. Wang et al. Energy Policy. 2012. Vol. 48. P. 284–294. URL:
https://doi.org/10.1016/j.enpol.2012.05.026.
10. Real-Time Temperature Prediction Models for Smart City Applications. URL:
https://www.researchgate.net/publication/388194104_RealTime_Temperature_Prediction_Models_for_Smart_City_Applications.
11. Kyiv, Ukraine Weather Statistics Dataset. URL:
https://www.kaggle.com/datasets/thedevastator/kyiv-ukraine-weather-statistics
12. APXML. ARIMA Model Diagnostics. URL: https://apxml.com/courses/time-seriesanalysis-forecasting/chapter-4-arima-models-forecasting/arima-modeldiagnostics?utm_source=chatgpt.com.
13. Bhutani K. Evaluating Time Series Models for Real-World Forecasting: A Practical
Comparison. URL: https://medium.com/%40karanbhutani477/evaluating-time-series-models-forreal-world-forecasting-a-practical-comparison-5c9622618715.
14. Khudov H., Makoveychuk O., Butko I., Khizhnyak I. A model for prediction of geospatial
data in systems for processing geospatial information // Systems of Arms and Military Equipment. –
2021. № 2(66). С. 123-128. URL: https://doi.org/10.30748/soivt.2021.66.16.
15. Google Colab. URL: https://colab.google/.
16. Pandas. URL: https://pandas.pydata.org/.
17. NumPy. URL: https://numpy.org/.
18. Statsmodels. URL: https://www.statsmodels.org/stable/index.html.
19. Seaborn. URL: https://seaborn.pydata.org/.

АЛГОРИТМ ПОКРАЩЕННЯ ЯКОСТІ ГОЛОСОВОГО ЗВ'ЯЗКУ В МЕРЕЖАХ 5G STANDALONE НА ОСНОВІ MOS-ОРІЄНТОВАНОЇ ДИНАМІЧНОЇ АДАПТАЦІЇ РАДІОКАНАЛУ

Ветошко І. П. (Vetoshko I.P.) — 2026-01-19

У роботі
запропоновано MOS-орієнтований, ризик-чутливий алгоритм динамічної адаптації MCS для VoNR
у мережах 5G Standalone. Запропонований метод підвищує надійність доставки голосового трафіку
за рахунок поєднання прогнозування SNR з урахуванням невизначеності, CVaR-керування
глибокими HARQ-ретрансляціями та зовнішнього VoNR-зворотного контуру для регулювання Δoffset. На відміну від базових схем OLLA та HARQ-aware/unaware, які оптимізують BLER без
передбачення затримок, алгоритм оцінює кандидатні рівні MCS за аналітичними BLER-кривими,
приростом IR-комбайнінгу, ймовірністю late-loss та E-model-оцінкою MOS в умовах мобільності.
Результати моделювання на основі CRN-блокованих експериментів підтвердили стабільність
роботи у діапазоні BLER∈0.01–0.10: MOS≈4.26–4.27, своєчасна доставка RTP-пакетів >98.5%,
імовірність Retx≥2≈2.0–2.3% без погіршення goodput. Контрольні підходи (OLLA, Random)
формували ≈22–25% глибоких HARQ-ланцюгів та MOS<4.0, що демонструє перевагу MOSорієнтованої стратегії над BLER-залежним управлінням. Отримані результати показують, що
запропонований підхід забезпечує детермінований рівень QoE при Doppler-зумовленому дрейфі
CQI та є придатним для реального впровадження VoNR у нативних 5G SA-мережах.
Ключові слова: VoNR, 5G Standalone, адаптація MCS, HARQ-ретрансляції, MOS, QoS/QoE,
BLER, динамічне керування каналом, risk-aware scheduling, реальний час голосових сервісів

Список використаної літератури
1. 3GPP TS 38.300 version 17.2.0 Release 17. NR; NR and NG-RAN Overall Description.
Effective from 2023-05-18. Official edition. FRANCE: 650 Route des Lucioles, F-06921 Sophia
Antipolis Cedex, 2023. 152 p.
2. Ветошко І.П., Кравчук С.О. Пріоритизація голосового трафіку в 5G: роль планувальників
у забезпеченні QoS. ХІХ Міжнародна науково-технічна конференція «Перспективи
телекомунікацій 2025», Київ, 14–18 квітня 2025, с. 189–192.
3. 3GPP TS 38.331 version 17.6.0 Release 17. NR; Radio Resource Control (RRC) Protocol
specification. Effective from 2024-02-11. Official edition. FRANCE: 650 Route des Lucioles, F06921 Sophia Antipolis Cedex, 2024. 421 p.
4. 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.
5. 3GPP TS 23.501 version 16.7.0 Release 16. System architecture for the 5G System (5GS).
Effective from 2021-01-21. FRANCE: Sophia Antipolis Cedex, 2021. 451 p.
6. 3GPP TR 38.802 V14.2.0 Release 14. Study on new radio (NR) access technology. Effective
from 2017-09-28. Official edition. FRANCE: Sophia Antipolis Cedex, 2017. 142 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. Kwon J., Park J., Rhee W. A QoS-aware adaptive resource allocation scheme using CQI and
MCS for LTE-A networks. Wireless Personal Communications. – 2014. – Vol. 76. – P. 193–207.
9. Vora P. Voice over 5G (Vo5G): Technical Challenges and Performance Evaluation. IEEE
Communications Magazine. 2021. Vol. 59, No. 10. P. 16–22.
10. Vetoshko I. P., Kravchuk S. O. Integration of machine learning-based prediction and dynamic
QoS optimization into adaptive VONR scheduling in 5G standalone networks: a simulation-based
approach. Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences.
2025. Vol. 1, no. 3. P. 43–56. URL: https://doi.org/10.32782/2663-5941/2025.3.1/07

АЛГОРИТМІЧНИЙ ПІДХІД ДО ОЦІНКИ DISRUPTIVE-IT ТЕХНОЛОГІЙ У FASHION E-COMMERCE

Катков Ю. І. (Katkov Yu.I.) — 2026-01-19

У статті представлено
алгоритмічний підхід до оцінки впливу проривних інформаційних технологій (disruptive-IT) у сфері
Fashion E-commerce, які спрямовані на створення інструментарію для об’єктивного визначення
їхньої пріоритетності впровадження. Запропоновано модель, що поєднує методи контент-аналізу,
обробки відкритих даних (OSINT) та елементи аналітичного моделювання для кількісного й
якісного оцінювання ефектів цифрових технологій на бізнес-процеси електронної комерції.
Алгоритмічний підхід базується на побудові формалізованої послідовності етапів: від збору
релевантної інформації з легальних відкритих джерел до класифікації та ранжування disruptiveтехнологій за критеріями впливу - економічного, технічного, UX- та соціального. Розроблено
концептуальну модель оцінювання, що враховує статистичні показники репрезентативності
вибірки, параметри довірчих інтервалів і вагові коефіцієнти релевантності, які реалізуються у
вигляді алгоритмічних процедур аналізу даних. Використання Python-орієнтованих інструментів
для текстової обробки, NLP і векторизації дозволяє автоматизувати процес оцінки впливу
технологій і зменшити суб’єктивність експертних висновків. Практична цінність дослідження
полягає у формуванні аналітичного ядра для систем підтримки прийняття рішень (Decision Support
Systems), орієнтованих на стратегічне планування цифрової трансформації у Fashion E-commerce.
Отримані результати можуть бути інтегровані у процеси data-driven аналітики, побудову ІТ-моделей
прогнозування інноваційних трендів і розробку інформаційних систем для оцінювання
технологічних ризиків. Отже, алгоритмічний підхід до оцінки disruptive-IT технологій демонструє
застосування методів комп’ютерних наук - алгоритмізації, обробки даних, системного аналізу та
інтелектуальної аналітики - у вирішенні задач цифрової трансформації електронної комерції.
Ключові слова: OSINT, алгоритмічне моделювання, системи підтримки рішень, цифрова
трансформація, Fashion E-commerce, disruptive information technologies, комп’ютерне моделювання

Список використаної літератури
1. The State of Fashion: Beauty Volume 2 (2025) URL:
https://www.businessoffashion.com/reports/state-of-fashion-beauty-industry-report/.
2. The billion-pound question in fashion E-commerce: Investigating the anatomy of returns / J.
Marriott et al. Transportation Research Part E: Logistics and Transportation Review. 2025. Vol. 194.
P. 103904. URL: https://doi.org/10.1016/j.tre.2024.103904.
3. Sequential LLM Framework for Fashion Recommendation / H. Liu et al. Proceedings of the
2024 Conference on Empirical Methods in Natural Language Processing: Industry Track, Miami,
Florida, US. Stroudsburg, PA, USA, 2024. P. 1276–1285. URL:
https://doi.org/10.18653/v1/2024.emnlp-industry.95
4. Research on Clothing Recommendation Technology Integrating Multimodal Data / R. Lin et
al. AISNS 2024: 2024 2nd International Conference on Artificial Intelligence, Systems and Network
Security, Mianyang China. New York, NY, USA, 2024. P. 130–137. URL:
https://doi.org/10.1145/3714334.3714357
5. Blockchain-Driven Innovation in Fashion Supply Chain Contractual Party Evaluations As An
Emerging Collaboration Model / M. Qiao et al. Blockchain: Research and Applications. 2025. P.
100266. URL: https://doi.org/10.1016/j.bcra.2024.100266.
6. Tushar Tiwari et al. (2025) Disruptive Innovation in E-commerce: Evolution, Impact, and
Future Trends, International Journal of Innovative Research in Science Engineering and Technology
12(01). ResearchGate. URL:
https://www.researchgate.net/publication/388610470_Disruptive_Innovation_in_Ecommerce_Evolution_Impact_and_Future_Trends.
7. Anandha Kumar J. Disruptive technologies in fashion industry. International Journal of
Engineering Applied Sciences and Technology. 2020. Vol. 04, no. 11. P. 163–166. URL:
https://doi.org/10.33564/ijeast.2020.v04i11.029.
8. Aaron Chi (2019) The Future of Fashion: How AI is Changing the Fashion Retail Industry.
URL: https://www.theinterline.com/2019/06/14/the-future-of-fashion-how-ai-is-changing-thefashion-retail-industry.
9. Chih-Wen Wu (2023) The Impact of Virtual Reality and Augmented Reality Service
Technologies on Consumer Purchase Intention for Fashion Brands July 2023. URL:
https://www.theinterline.com/2019/06/14/the-future-of-fashion-how-ai-is-changing-the-fashionretail-industry.
10. Statista. (2024). Fashion e-commerce worldwide - statistics & facts. URL:
https://www.statista.com/topics/9288/fashion-e-commerce-worldwide/(date of access: 02.09.2025).
11. How Amazon Uses Robots to Sort and Transport Packages in Warehouses. (2025). URL:
https://www.businessinsider.com/how-amazon-uses-robots-sort-transport-packages-warehouses2025-2.
12. McKinsey & Company. (2022). Jumpstarting value creation with data and analytics in fashion
and luxury. URL: https://www.mckinsey.com/industries/retail/our-insights/jumpstarting-valuecreation-with-data-and-analytics-in-fashion-and-luxury.
13. Badhwar A.,. et al. (2023). Exploring the potential of blockchain technology within the
fashion and textile supply chain with a focus on traceability, transparency, and product authenticity:
A systematic review" Journal: Frontiers in Blockchain. 2023. URL:
https://doi.org/10.3389/fbloc.2023.1044723.
14. OSINT Framework. URL: https://osintframework.com/.
15. Open Source Intelligence Techniques: Resources For Searching And Analyzing Online
Information [8 ed.] (2021). URL: https://dokumen.pub/open-source-intelligence-techniquesresources-for-searching-and-analyzing-online-information-8nbsped-9798578577086.html.
16. Chengshuai Zhao, et al. (2025) SCALE: Towards Collaborative Content Analysis in Social
Science with Large Language Model Agents and Human Intervention. URL:
https://arxiv.org/abs/2502.10937.
17. Klaus Krippendorff (2025) Content Analysis: An Introduction to Its Methodology (4th
Edition), SAGE Publications. URL: https://methods.sagepub.com/book/mono/content-analysis-4e/.
18. Alberto Arletti, et al. (2025) Making Online Polls More Accurate: Statistical Methods
Explained. URL: https://arxiv.org/abs/2503.15395.
19. Daniel Mider (2024) Open source intelligence on the internet - categorisation and evaluation
of search tools. URL: https://bibliotekanauki.pl/articles/55995908.
20. Deborah J. Rumsey (2021) Rumsey Statistics For Dummies: How to Calculate the Margin of
Error for a Sample Proportion. URL: https://www.dummies.com/article/academics-thearts/math/statistics/how-to-calculate-the-margin-of-error-for-a-sample-proportion-169849/ .
21. Dongmei Zhou, et al. (2024) Cross-Domain Keyword Extraction with Keyness Patterns. URL:
https://arxiv.org/abs/2409.18724.
22. Thomas Oakley Browne (2024) A systematic review on research utilising artificial
intelligence for open source intelligence (OSINT) applications. International Journal of Information
Security Published: 05 June 2024, Volume 23, pages 2911–2938. URL:
https://link.springer.com/article/10.1007/s10207-024-00868-2.
23. INTERNATIONAL STANDARD ISO 31000. URL: https://www.ler.uam.mx/CalidadUAML/wp-content/uploads/2025/02/ISO-31000-2018.pdf.
24. MIL-STD-963. URL: https://quicksearch.dla.mil/qsDocDetails.aspx?ident _number=202450.
25. Kazuki Hayashi et al., (2025) IterKey: Iterative Keyword Generation with LLMs for
Enhanced Retrieval Augmented Generation. URL: https://arxiv.org/abs/2505.08450.
26. Maltego (2025). URL: https://www.g2.com/products/maltego/pricing.

ВДОСКОНАЛЕННЯ ЯКОСТІ СЕРВІСІВ МЕРЕЖІ LTE ШЛЯХОМ УРАХУВАННЯ ВПЛИВУ ПОКАЗНИКІВ РАДІОСИГНАЛУ

Павляшик Ю. В. (Pavliashyk Yu.V.) — 2026-01-19

Стаття присвячена дослідженню впливу
радіопараметрів RSRP та SINR на якість сервісів, що надаються у мережах LTE. Сучасні мобільні
мережі суттєво залежать від стану радіоканалу, а зміна рівня сигналу та завад безпосередньо
впливає на пропускну здатність, затримку, стабільність з’єднання та якість користувацьких послуг.
У роботі проаналізовано залежності між параметрами RSRP, SINR та ключовими показниками QoS:
Throughput, Ping, POLQA, Call Setup Fail Rate і Call Drop Rate. Модель охоплює весь стек протоколів
LTE — від PHY до APP, що дозволяє комплексно оцінити механізми деградації якості при
погіршенні радіоумов. Дослідження базується на реальних експериментальних вимірюваннях та
охоплює різні типи сервісів, включаючи VoLTE, відеодзвінки, онлайн-ігри, буферизоване та liveвідео, TCP-з’єднання. Отримані результати засвідчують, що зменшення RSRP і SINR призводить до
зниження швидкості передачі даних, зростання затримок та погіршення якості голосових викликів,
а також збільшує ймовірність невдалих спроб встановлення з’єднання та обривів викликів.
Запропоновано рекомендації щодо підвищення якості обслуговування шляхом оптимізації
параметрів базових станцій і радіоресурсів.
Ключові слова: LTE, RSRP, SINR, якість сервісів, пропускна здатність, затримка, обриви
викликів, VoLTE

Список використаної літератури
1. LTE Network Area Coverage on FDD and TDD Technology / D. Chandra et al. International
Journal of Advanced Science Computing and Engineering. 2020. Vol. 2, no. 1. P. 21–33. URL:
https://doi.org/10.30630/ijasce.2.1.47.
2. LTE theory to practice – KPI optimization (A 4G wireless technology). International Journal
of Innovative Technology and Exploring Engineering. URL: https://www.ijitee.org/wpcontent/uploads/papers/v8i2/B2534128218.pdf.
3. Ernawati T., Pratama B. D. Comparative Analysis of 4G Network Internet Data Connectivity
Based on Quality of Service (QoS) Method (Case Study West Bandung Regency Tourism Area). IOP
Conference Series: Materials Science and Engineering. 2020. Vol. 879. P. 012017. URL:
https://doi.org/10.1088/1757-899x/879/1/012017.
4. Key performance indicators analysis for 4 G-LTE cellular networks based on real
measurements / Z. Shakir et al. International Journal of Information Technology. 2023. URL:
https://doi.org/10.1007/s41870-023-01210-0.
5. Imoize A. L., Orolu K., Atayero A. A.-A. Analysis of key performance indicators of a 4G LTE
network based on experimental data obtained from a densely populated smart city. Data in Brief.
2020. Vol. 29. P. 105304. URL: https://doi.org/10.1016/j.dib.2020.105304.
6. Handover Analysis Of 4G LTE (Long Term Evolution) At A Frequency Of 2400 Mhz / A. H.
M. Akhyar et al. Inspiration: Jurnal Teknologi Informasi dan Komunikasi. 2023. Vol. 13, no. 2. P.
14–24. URL: https://doi.org/10.35585/inspir.v13i2.11.
7. KPI analysis of 4G/5G networks. Przegląd Elektrotechniczny. URL:
http://pe.org.pl/articles/2024/7/15.pdf.
8. The analysis of Key Performance Indicators (KPI) in 4G/LTE networks. Lecture Notes of the
Institute for Computer Sciences. URL: https://eudl.eu/pdf/10.1007/978-3-030-23976-3_25.
9. LTE-FDD and LTE-TDD for cellular communications. Progress in Electromagnetics
Research Symposium. 2012. URL: https://www.researchgate.net/publication/267827298_LTEFDD_and_LTE-TDD_for_cellular_communications.
10. 4G frequency bands. URL: https://portal.powertec.com.au/technicallibrary/wireless/wireless-technologies/cellular/4g-lte/4g-frequency-bands.
11. Evolution of the mobile G’s and the future of 4G LTE. Forbes. URL:
https://www.forbes.com/councils/forbesbusinesscouncil/2024/01/26/evolution-of-the-mobile-gsand-the-future-of-4g-lte/.
12. LTE–FDD preliminary radio network design. URL:
https://www.scribd.com/document/681114851/ALU-LTE-PND-for-Orange-Ivory-Coast-LTEIntroduction-ed2.