Наукові записки Державного університету інформаційно-комунікаційних технологій

Титул

admin admin — Sat, 21 Jun 2025 00:53:51 +0000

Титул

Зміст

admin admin — Sat, 21 Jun 2025 00:56:27 +0000

Зміст

ФУНКЦІОНАЛЬНО-СТАТИСТИЧНІ МОДЕЛІ ОБ’ЄКТІВ КОНТРОЛЮ ТА УПРАВЛІННЯ

Sat, 21 Jun 2025 01:04:23 +0000

. 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

Sat, 21 Jun 2025 01:15:08 +0000

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

Sat, 21 Jun 2025 01:21:29 +0000

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

Беспала О. М. (Bespala O.M.), Тимкова А. В. (Tymkova A.V.) — Sat, 21 Jun 2025 01:26:19 +0000

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

Юрчик Д. Ю. (Yurchyk D.Yu.) — Sat, 21 Jun 2025 01:30:27 +0000

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

Табор Д. І. (Tabor D.I.) — Sat, 21 Jun 2025 01:33:47 +0000

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

Sat, 21 Jun 2025 01:43:00 +0000

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

Sat, 21 Jun 2025 01:49:37 +0000

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

Мороз М. В. (Moroz M.V.) — Sat, 21 Jun 2025 01:54:34 +0000

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

Ветошко І. П. (Vetoshko I.P.) — Sat, 21 Jun 2025 01:59:13 +0000

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

Брезіцький С. М. (Brezitskyi S.M.), Герасимчук В. С. (Herasymchuk V.S.) — Sat, 21 Jun 2025 02:04:09 +0000

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

Sat, 21 Jun 2025 02:09:51 +0000

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

Бай Я. В. (Bai Y.V.), Катков Ю. І. (Katkov Yu.I.) — Sat, 21 Jun 2025 02:14:10 +0000

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.

ГЛИБОКЕ НАВЧАННЯ В СФЕРІ CИНТЕЗУ МОВЛЕННЯ

Іщеряков С. М. (Ishcheriakov S.M.), Попов А. О. (Popov A.O.) — Sat, 26 Jul 2025 23:51:12 +0000

Системи
глибокого навчання дозволяють автоматизувати складні завдання, які раніше вимагали людського
інтелекту, і роблять це з високою точністю. Глибоке навчання використовує штучні нейронні
мережі з багатьма шарами – кожен шар обробляє інформацію дедалі складніше й абстрактніше. Це
дозволяє системі навчатися високорівневими ознакам, таким як емоції, інтонації, виразність. тощо.
Впровадження цих ознак робить синтезоване мовлення більш природним, що сприяє кращому
сприйняттю його людиною. На відміну від традиційних методів синтезу мовлення, таких як
формантний синтез, конкатенативний синтез або HMM-основні підходи (Hidden Markov Models),
глибоке навчання забезпечує значно вищу гнучкість і якість звучання. У традиційних системах
мовлення будувалося з наперед записаних фрагментів або генерувалося за заздалегідь визначеними
правилами, що обмежувало природність, інтонаційне багатство та емоційне забарвлення голосу.
Таким чином, глибоке навчання долає ключові обмеження традиційних підходів і відкриває нові
можливості в галузі голосових технологій – від тексту в мовлення до повноцінної емоційної
комунікації між людиною і машиною. У статті розглянуто основні напрямки застосування
глибокого навчання для синтезу мовлення, проведено аналіз існуючих підходів в побудові систем
синтезу та проаналізовано їх слабкі та сильні сторони.
Ключові слова: глибоке навчання, нейронна мережа, синтез мовлення

Список використаної літератури
1. Self-Supervised Speech Representation Learning: A Review / A. Mohamed et al. IEEE
Journal of Selected Topics in Signal Processing. 2022. P. 1–34.
URL: https://doi.org/10.1109/jstsp.2022.3207050.
2. HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden
Units / W.-N. Hsu et al. IEEE/ACM Transactions on Audio, Speech, and Language Processing. 2021.
Vol. 29. P. 3451–3460. URL: https://doi.org/10.1109/taslp.2021.3122291
3. Hastad J., Risse K. On Bounded Depth Proofs for Tseitin Formulas on the Grid;
Revisited. 2022 IEEE 63rd Annual Symposium on Foundations of Computer Science (FOCS),
Denver, CO, USA, 31 October – 3 November 2022. 2022.
URL: https://doi.org/10.1109/focs54457.2022.00110
4. Conformer: Convolution-augmented Transformer for Speech Recognition / A. Gulati et
al. Interspeech 2020. ISCA, 2020. URL: https://doi.org/10.21437/interspeech.2020-3015.
5. Natural TTS Synthesis by Conditioning Wavenet on MEL Spectrogram Predictions / J. Shen
et al. ICASSP 2018 - 2018 IEEE International Conference on Acoustics, Speech and Signal
Processing (ICASSP), Calgary, AB, 15–20 April 2018. 2018.
URL: https://doi.org/10.1109/icassp.2018.8461368.
6. DeCLUTR: Deep Contrastive Learning for Unsupervised Textual Representations / J. Giorgi
et al. Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and
the 11th International Joint Conference on Natural Language Processing (Volume 1: Long Papers),
Online. Stroudsburg, PA, USA, 2021. URL: https://doi.org/10.18653/v1/2021.acl-long.72.
7. Simultaneous modeling of spectrum, pitch and duration in HMM-based speech synthesis /
T. Yoshimura et al. 6th European Conference on Speech Communication and Technology
(Eurospeech 1999). ISCA, 1999. URL: https://doi.org/10.21437/eurospeech.1999-513.
8. Xu S.H. Study on HMM-Based Chinese Speech Synthesis. Beijing : Beijing University of
Posts and Telecommunications, 2007.
9. Sotelo J., Mehri S., Kumar K., Santos J.F., Kastner K., Courville A., Bengio Y. Char2wav:
End-to-end Speech Synthesis // Proceedings of the International Conference on Learning
Representations Workshop, Toulon, France, 24–26 April 2017.
10. Klatt D. H. Software for a cascade/parallel formant synthesizer. The Journal of the Acoustical
Society of America. 1980. Vol. 67, no. 3. P. 971–995. URL: https://doi.org/10.1121/1.383940.
11. Moulines E., Charpentier F. Pitch-synchronous waveform processing techniques for text-tospeech synthesis using diphones. Speech Communication. 1990. Vol. 9, no. 5-6. P. 453–467.
URL: https://doi.org/10.1016/0167-6393(90)90021-z.
12. Ze H., Senior A., Schuster M. Statistical parametric speech synthesis using deep neural
networks. ICASSP 2013 - 2013 IEEE International Conference on Acoustics, Speech and Signal
Processing (ICASSP), Vancouver, BC, Canada, 26–31 May 2013. 2013.
URL: https://doi.org/10.1109/icassp.2013.6639215.
13. Morise M., Yokomori F., Ozawa K. WORLD: A Vocoder-Based High-Quality Speech
Synthesis System for Real-Time Applications. IEICE Transactions on Information and Systems.
2016. E99.D, no. 7. P. 1877–1884. URL: https://doi.org/10.1587/transinf.2015edp7457.
14. Luong T., Pham H., Manning C. D. Effective Approaches to Attention-based Neural
Machine Translation. Proceedings of the 2015 Conference on Empirical Methods in Natural
Language Processing, Lisbon, Portugal. Stroudsburg, PA, USA, 2015.
URL: https://doi.org/10.18653/v1/d15-1166.

МЕТОДИКА ЗАБЕЗПЕЧЕННЯ АДАПТАЦІЇ І САМООРГАНІЗАЦІЇ СЕНСОРНОЇ МЕРЕЖІ В УМОВАХ ПОСТАНОВКИ ЗАВАД ТА КІБЕРВПЛИВУ

Sat, 26 Jul 2025 23:58:08 +0000

У
статті розглянуто процес функціювання сенсорної мережі (СМ) в якому застосована методика
адаптації і самоорганізації мережі коли діють завади та здійснюється кібервплив. Ця методика
базується на застосуванні тестового діагностування СМ , самоорганізації та відновлення стійкої
роботи.
Сенсорні мережі, мають значну кількість багатофункціональних пристроїв, які
використовуються в якості високоефективних рішень в системі збору інформації. Захист інформації
в СМ достатньо складно досягнути, оскільки необхідним стає обмін ключами та підтримка сесій,
що впливає на кількість транзакцій між вузлами мережі. Достовірність переданої інформації
досягається завдяки отриманню підтвердження після передачі даних справними сенсорами мережі.
Мінімальні розміри пристроїв роблять сенсорну технологію досить гнучкою і практичною.
Ключові слова: тестове діагностування, самоорганізація, завадова обстановка, кібервплив,
сенсорна мережа, сенсор

Список використаної літератури
1. Зеленін А.М., Власова В.А. Фаза ініціалізації в безпроводових сенсорних мережах //
Вісник Національного технічного університету “ХПІ”: зб. наук. праць. Тематичний випуск:
Нові рішення в сучасних технологіях. 2012. № 26. С. 55–61.
2. Bein D. Self-Organizing and Self-Healing Schemes in Wireless Sensor Networks. London,
England: Springer London, 2009. P. 293–304. URL: https://doi.org/10.1007/978–1–84882–218–
4_11.
3. Петрушко М. М. Аналіз особливостей позиціонування мобільних об’єктів бездротових
сенсорних мереж: пояснювальна записка до атестаційної роботи здобувача вищої освіти на
другому (магістерському) рівні, спеціальність 172 Телекомунікації та радіотехніка
/М. М. Петрушко; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків,
2019. – 65 с. URL: http://openarchive.nure.ua/handle/document/11169.
4. Міночкін А.І., Романюк В.А., Жук О.В. Перспективи розвитку тактичних сенсорних
мереж. // Збірник наукових праць ВІТІ НТУУ “КПІ”– 2007. – № 4. С. 16 – 22.
5. Жук О. В., Романюк В. А., Сова О. Я. Методологічні основи управління
перспективними неоднорідними безпроводовими сенсорними мережами тактичної ланки
управління військами. Пріоритетні напрямки розвитку телекомунікаційних систем та мережа
спеціального призначення // К.: ВІТІ НТУУ «КПІ» 2016. С. 34 – 44.
6. Машталір В.В., Жук О.В., Міненко Л.М., Артюх С.Г. Концептуальні підходи
застосування бездротових сенсорних мереж арміями передових країн світу. Сучасні
інформаційні технології у сфері безпеки та оборони. 2023. Т. 47, № 2. С. 96– 112.
7. Лепіх Я.І., Гордієнко Ю.О, Дзядевич С.В., Дружинін А.О., Євтух А.А., Лєнков С.В.,
Мельник В.Г., Проценко В.О., Романов В.О. Інтелектуальні вимірювальні системи на основі
мікроелектронних датчиків нового покоління: монографія. Одеса: «Астропринт», 2011. 352 с.
8. Лепіх Я.І., Гордієнко Ю.О, Дзядевич С.В., Дружинін А.О., Євтух А.А.,. Лєнков С.В.,
Мельник В.Г., Проценко В.О., Романов В.О. Мікроелектронні датчики нового покоління для
інтелектуальних систем. монографія. Одеса: «Астропринт», 2011. 92 с.
9. Лєнков С.В., Лепіх Я.І., Мокрицький В.А., Сєлюков О.В., Сминтина В.А. за заг. ред.
Мокрицького В.А., Лєнкова С.В. Напівпровідникові оптичні та акустоелектронні сенсори і
системи. монографія. Одеса: «Астропринт», 2009. 256 с.
10. System-on-Chip (SoC) Solution for ZigBee/IEEE 802.15.4 Wireless Sensor Network. URL:
http://focus.ti.com/docs/prod/ folders/print/cc2431.html. URL: https://oxorona.com/ieee-802-15-4/.
11. Протокол стандарту IEEE 802.15.4. URL: https://oxorona.com/ieee-802-15-4/.
12. М.Ю. Зеляновський, О.В.Тимченко. Інтелектуальна система для бездротових
спеціалізованих сенсорних та мереж персонального радіусу дії: програмно-апаратна
платформа вузла бездротової мережі // Моделювання та інформаційні технології. Зб. наук. пр.
ІПМЕ НАН України. - Вип.49. - К.: 2008. - С. 185-193.

МЕТОДИ РЕАЛІЗАЦІЇ RETRIEVAL-AUGMENTED GENERATION У ПОЄДНАННІ З СУЧАСНИМИ ВЕЛИКИМИ МОВНИМИ МОДЕЛЯМИ

Олійник Б. О. (Oliinyk B.O.), Чичкарьов Є. А. (Chychkarоv Ye.A.) — Sun, 27 Jul 2025 00:02:46 +0000

Розглянуто сучасні методи генерації з
доповненням пошуком (Retrieval-Augmented Generation, RAG) у контексті інтеграції з великими
мовними моделями GPT-4 та відкритими моделями рівня GPT-4 (GPT-4o). Проаналізовано
експериментальні результати 2023-2025 років із відкритих джерел (Arxiv, HuggingFace,
PapersWithCode), які демонструють переваги нових підходів: RAG 2.0 із спільним навчанням
компонентів, адаптивний динамічний пошук, генеративні підказки для ретривера, self-refine
pipeline’и із зворотним зв’язком, модульну архітектуру для інтеграції API-моделей. Показано, як ці
інновації долають недоліки традиційного RAG – знижують рівень «галюцинацій» та підвищують
фактичну точність відповідей. Наведено опис механізмів моделей, структурні схеми роботи
системи, табличне порівняння метрик (рівень галюцинацій, достовірність відповіді, прецизійність
пошуку). Обґрунтовано потенціал використання вдосконаленого RAG у інформаційних системах,
чат-ботах і аналітичних платформах. Сформульовано перспективну ідею подальшого розвитку –
інтеграція RAG з динамічно оновлюваними базами знань та пошуковими API для підвищення
актуальності відповідей.
Ключові слова: великі мовні моделі, генерація з доповненням пошуком, RAG 2.0, динамічний
ретривер, self-reflection, галюцинації LLM, фактична достовірність

Список використаної літератури
1. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks / Lewis M. et al.
NeurIPS, 2020. URL: https://medium.com/@adnanmasood/contextually-enriched-knowledgeenhanced-and-externally-grounded-retrieval-models-for-fun.
2. RAG 101: Demystifying Retrieval-Augmented Generation Pipelines / Wolff H. NVIDIA
Technical Blog, 2023. URL: https://developer.nvidia.com/blog/rag-101-demystifying-retrievalaugmented-generation-pipelines.
3. Self-RAG: Self-Reflective Retrieval-Augmented Generation / Asai A. et al.
arXiv:2310.11511, 2023. https://doi.org/10.48550/arXiv.2310.11511.
4. Contextual AI. Introducing RAG 2.0 / Kiela D. Medium blog post, 2024. URL:
https://medium.com/@jackdrummond_16745/introducing-rag-2-0-revolutionising-ai-and-llmdevelopment-71a1f85cc0dd.
5. Active Retrieval-Augmented Generation / Mallen E. et al. arXiv: 2409.11136, 2023. URL:
https://doi.org/10.48550/arXiv.2409.11136.
6. Contextually Enriched, Knowledge-Enhanced, and Externally Grounded Retrieval Models /
Masood A. Medium, 2025.
7. Promptriever: Promptable Retrieval Models / Weller O. et al. EMNLP, 2024 (preprint). URL:
https://medium.com/@techsachin/promptriever-first-zero-shot-promptable-instruction-trainedretriever-model-72e9f2eecbb2.
8. Speculative RAG: Enhancing RAG through Drafting / Wang Z. et al. arXiv:2407.08223, 2024.
URL: https://doi.org/10.48550/arXiv. 2407.08223.

АНАЛІЗ МЕТОДІВ СЕГМЕНТАЦІЇ БІОМЕДИЧНИХ 3D-ДАНИХ ЗА ДОПОМОГОЮ ГЛИБОКОГО НАВЧАННЯ

Лащевська Н. О. (Lashchevska N.O.), Черевик О. В. (Cherevyk O.V.) — Sun, 27 Jul 2025 00:07:23 +0000

У статті здійснено комплексний огляд сучасних підходів до
сегментації біомедичних 3D-сканів із використанням методів глибокого навчання. Проведено
порівняльний аналіз архітектур нейронних мереж, зокрема згорткових нейронних мереж (CNN),
трансформерів (Transformer) та новітніх моделей типу Mamba, які забезпечують різні рівні
обчислювальної складності, точності та здатності до узагальнення. Описано переваги використання
гібридних архітектур, мультимодальних підходів, стратегій попереднього навчання, включаючи
самонавчання та генеративні змагальні мережі (GAN), для підвищення точності в умовах обмежених
розмічених даних. Стаття висвітлює актуальні проблеми сегментації, пов’язані з високою
складністю біомедичних зображень, варіативністю протоколів сканування та обмеженнями
ресурсів. Запропоновано практичні рекомендації щодо вибору архітектури на основі характеристик
задачі, набору даних і обчислювальних можливостей. Також розглянуто стандартні метрики оцінки
(коефіцієнт Дайса, відстань Хаусдорфа) та використання відкритих медичних наборів (BraTS, LiTS,
ACDC) для тестування моделей.
Ключові слова: сегментація медичних зображень, 3D-біомедичні дані, глибоке навчання,
згорткові нейронні мережі, трансформери, архітектура Mamba, медична візуалізація,
мультимодальні дані, доповнення даних, нейронні моделі, обчислювальна ефективність,
самонавчання, BraTS, LiTS, ACDC

Список використаної літератури
1. Ronneberger, O., Fischer, P., & Brox, T. U-Net: Convolutional networks for biomedical image
segmentation. MICCAI, 234–241.
2. Chen, J., Lu, Y., Yu, Q., Luo, X., Adeli, E., Wang, Y., Xing, L. TransUNet: Transformers Make
Strong Encoders for Medical Image Segmentation. arXiv preprint arXiv:2102.04306.
3. Hatamizadeh, A., Nath, V., Liu, Y., Yin, Z., Kapp, D., & Tagare, H. Swin-Unet: Unet-like Pure
Transformer for Medical Image Segmentation. arXiv preprint arXiv:2205.05003.
4. Zhang, Y., Yang, J., & Wang, Q. GAN-based data augmentation for liver tumor segmentation
in CT scans. Medical Image Analysis, 78, 102401.
5. Zhou, Z., Seyedhosseini, M., & Tasdizen, T. Self-supervised learning for 3D medical image
segmentation. EEE Transactions on Medical Imaging, 42(3), 901–912.
6. Kim, H., Lee, J., & Park, J. Efficient3DNet: Lightweight 3D convolutional networks for fast
medical image segmentation. Computerized Medical Imaging and Graphics, 100, 102198.
7. S. Niyas, S.J. Pawan, M. Anand Kumar, Jeny Rajan. Medical image segmentation with 3D
convolutional neural networks: A survey. Neurocomputing, Volume 493,7 July 2022, Pages 397-413
https://doi.org/10.1016/j.neucom.2022.04.065.
8. Ali Hatamizadeh, Yucheng Tang, Vishwesh Nath, Dong Yang, Andriy Myronenko, Bennett
Landman, Holger R. Roth, Daguang Xu; Proceedings of the IEEE/CVF Winter Conference on
Applications of Computer Vision (WACV), 2022, pp. 574-584
9. Zhaohu Xing, Tian Ye, Yijun Yang, Guang Liu, Lei Zhu. SegMamba: Long-range Sequential
Modeling Mamba For 3D Medical Image Segmentation. (2024)
https://doi.org/10.48550/arXiv.2401.13560.
10. Md. Eshmam Rayed, S.M. Sajibul Islam, Sadia Islam Niha, Jamin Rahman Jim, Md Mohsin
Kabir, M.F. Mridha. Deep learning for medical image segmentation: State-of-the-art advancements
and challenges. ELSEVIER Volume 47, 2024,101504https://doi.org/10.1016/j.imu.2024.101504.

ПРОБЛЕМИ МАСШТАБОВАНОСТІ ПРОГРАМНО-ВИЗНАЧЕНИХ МЕРЕЖ

Гніденко М. М. (Hnidenko M.M.), Шепетун О. О. (Shepetun O.O.) — Sun, 27 Jul 2025 00:11:43 +0000

Програмно-визначені мережі (SDN) несуть величезний потенціал для трансформації мережевої
інфраструктури, але на їхньому шляху до широкого впровадження існують серйозні виклики. І
проблема масштабованості є однією з ключових. З огляду на стрімке зростання обсягів даних,
кількості підключених пристроїв та вимог до пропускної здатності, здатність SDN ефективно
масштабуватися є критично важливою. Вирішення проблеми масштабованості, поряд з іншими
викликами, такими як безпека, сумісність зі старим обладнанням та складність управління, є
ключем до реалізації всього потенціалу програмно-визначених мереж і забезпечення операторам
тієї ефективної, гнучкої та масштабованої інфраструктури, якої вони потребують. Дослідження
масштабованості SDN показує, що ці проблеми часто викликані не SDN і не є принципово
унікальними для нього, більшість цих проблем можна вирішити без втрати переваг SDN. Якщо
мережа має десятки тисяч комутаційних елементів і може швидко зростати, самої кількості подій
керування, що генеруються в будь-якій мережі такого масштабу, достатньо, щоб перевантажити
будь-який централізований контролер. Один із способів вирішення цієї проблеми – проактивне
встановлення правил на комутаторах, що ефективно усуває більшість запитів на керування, перш
ніж вони потраплять до площини керування. Вузли в мережах SDN можуть бути географічно
розподілені і великий діаметр цих мереж загострює проблеми масштабованості контролерів. Можна
скористатися фізичним розподілом мережі, щоб розділити її на окремі регіони; кожен розділ може
керуватися незалежним контролером і ці контролери можуть обмінюватися лише необхідними
подіями зміни стану, ефективно приховуючи більшість подій від зовнішніх контролерів.
Kлючові слова: Програмно-визначені мережі (SDN), контролер SDN, масштабованість,
площина управління, площина передачі даних, ASIC, Open vSwitch

Список використаної літератури
1. Rajat Chaudhary, Gagangeet Singh Aujla, Neeraj Kumar, Pushpinder Kaur Chouhan. A
comprehensive survey on software-defined networking for smart communities. Int J Commun Syst.
2022. DOI:10.1002/dac.5296 – p. 50.
2. SDN: Software Defined Networks: An Authoritative Review of Network Programmability
Technologies, Thomas D. Nadeau, Ken Gray. Copyright © 2013. All rights reserved. Printed in the
United States of America. Published by O’Reilly Media, Inc., 1005 Gravenstein Highway North,
Sebastopol, CA 95472. – p. 382
3. Гніденко М.П., Вишнівський В.В., Ільїн О.О. Побудова SDN мереж. – Навчальний
посібник. – Київ: ДУТ, 2019. – 190 с.
4. Kim, H.J., Santos, J.R., Turner, Y., Schlansker, M., Tourrilhes, J., Feamster, N., "CORONET:
Fault Tolerance for Software-Defined Networks,"Proceedings,2012 20th IEEE International
Conference on Network Protocols (ICNP), pp.1–2, October 30–November 2, 2018.
5. Voellmy, A.,Wang, J.C., "Scalable Software-Defined Network Controllers," Proceedings,
ACM SIGCOMM 2012 Conference on Applications, Technologies, Architectures, and Protocols for
Computer Communication, pp. 289–290, 2019.

ТОПОЛОГІЧНИЙ ПІДХІД ДО ВЕКТОРИЗАЦІЇ РАСТРОВОЇ ГРАФІКИ НА ОСНОВІ СИМПЛИЦІАЛЬНИХ КОМПЛЕКСІВ

Сітко Д. О. (Sitko D.O.), Гніденко М. П. (Hnidenko M.P.) — Sun, 27 Jul 2025 00:19:11 +0000

У статті розглядається топологічний підхід до векторизації
растрової графіки з використанням методів симплиціальних комплексів та пошуку сталих
гомологій. Основну увагу зосереджено на розробці алгоритму побудови симплиціальних
комплексів – ефективного інструменту для виявлення структурних та просторових характеристик
зображення. Досліджено властивості симплиціальних комплексів у контексті сегментації
піксельних даних та розроблено алгоритм формування топологічних структур на основі пікселів
растрового зображення. Запропоновано алгоритм пошуку сталих гомологій. Запропонований підхід
дозволяє ефективно аналізувати топологічні зв’язки між пікселями, виокремлювати значущі
компоненти та підвищити точність сегментації зображень. Перспективність результатів полягає в
покращенні якості векторизації, особливо у випадках складної геометрії, структурної
неоднорідності та наявності шуму в даних.
Ключові слова: векторизація зображень, симплиціальні комплекси, топологічний аналіз
даних, сегментація зображень, кластеризація, растрова графіка, TDA, топологічні методи, метод
сталих гомологій, комплекс Вієторіса-Ріпа

Список використаної літератури
1. Zomorodian, A., & Carlsson, G. (2005). Computing persistent homology. Discrete &
Computational Geometry, 33(2), 249–274. URL: https://doi.org/10.1007/s00454-004-1146-
yOUCI+3ResearchGate+3OUCI+3.
2. Edelsbrunner, H., Letscher, D., & Zomorodian, A. (2002). Topological persistence and
simplification. Discrete & Computational Geometry, 28(4), 511–533. URL:
https://doi.org/10.1007/s00454-002-2885-2.
3. Zomorodian, A. (2010). Fast construction of the Vietoris-Rips complex. Computers &
Graphics, 34(3), 263–271. URL: https://doi.org/10.1016/j.cag.2010.03.007.
4. Munch, E. (2017). A user’s guide to topological data analysis. Journal of Learning Analytics,
4(2), 47–61. URL: https://doi.org/10.18608/jla.2017.42.6.
5. Tausz, A., & Carlsson, G. (2011). Homological coordinatization. arXiv. URL:
https://arxiv.org/abs/1107.0511arXiv.
6. Carlsson, G. (2009). Topology and data. Bulletin of the American Mathematical Society,
46(2), 255–308. URL: https://doi.org/10.1090/S0273-0979-09-01249-X.
7. Yang, Z., Sun, Y., Liu, S., Shen, C., Jia, J. (2020). Dense RepPoints: Representing visual
objects with dense point sets. In A. Vedaldi, H. Bischof, T. Brox, & J. M. Frahm (Eds.), Computer
Vision – ECCV 2020 (Vol. 12366, pp. 226–242). Springer. URL: https://doi.org/10.1007/978-3-030-
58589-1_14.
8. Roussel, J.-R., Bourdon, J.-F., Morley, I. D., Coops, N. C., Achim, A. (2023). Vectorial and
topologically valid segmentation of forestry road networks from ALS data. International Journal of
Applied Earth Observation and Geoinformation, 118, 103267. URL:
https://doi.org/10.1016/j.jag.2023.103267.
9. Edelsbrunner, H., & Harer, J. (2010). Computational topology: An introduction. American
Mathematical Society.
10. Carlsson, G., & Vejdemo-Johansson, M. (2021). Topological data analysis with applications
(1st ed.). Cambridge University Press. URL: https://doi.org/10.1017/9781108975704.
11. Yesilli, M. C., & Khasawneh, F. A. (2021). Data-driven and automatic surface texture
analysis using persistent homology. In 2021 20th IEEE International Conference on Machine
Learning and Applications (ICMLA) (pp. 1350–1356). IEEE. URL:
https://doi.org/10.1109/ICMLA52953.2021.00219.
12. Corcoran, P., & Jones, C. B. (2023). Topological data analysis for geographical information
science using persistent homology. International Journal of Geographical Information Science,
37(3), 712–745. URL: https://doi.org/10.1080/13658816.2022.2155654.
13. Snášel, V., Nowaková, J., Xhafa, F., & Barolli, L. (2017). Geometrical and topological
approaches to big data. Future Generation Computer Systems, 67, 286–296. URL:
https://doi.org/10.1016/j.future.2016.06.005(upcommons.upc.edu).
14. Юрчук, І. А. (2014). Метод сталих гомологій топологічного аналізу даних. Наукоємні
технології, (3)23, 289. URL: https://jrnl.nau.edu.ua/index.php/SBT/article/view/7397/8431.
15. De Silva, V., Morozov, D., & Vejdemo-Johansson, M. (2011). Dualities in persistent
(co)homology. Inverse Problems, 27(12), 124003. URL: https://doi.org/10.1088/0266-
5611/27/12/124003.
16. Edelsbrunner, H., & Harer, J. (2010). Computational topology: An introduction. American
Mathematical Society.
17. Carlsson, G., & Vejdemo-Johansson, M. (2021). Topological data analysis with applications
(1st ed.). Cambridge University Press. URL: https://doi.org/10.1017/9781108975704.
18. Snášel, V., Nowaková, J., Xhafa, F., & Barolli, L. (2017). Geometrical and topological
approaches to big data. Future Generation Computer Systems, 67, 286–296. URL:
https://doi.org/10.1016/j.future.2016.06.005(upcommons.upc.edu).
19. Huber, S. (2021). Persistent homology in data science. In P. Haber, T. Lampoltshammer, M.
Mayr, & K. Plankensteiner (Eds.), Data Science – Analytics and Applications (pp. 81–88). Springer
Fachmedien Wiesbaden. URL: https://doi.org/10.1007/978-3-658-32182-6_13(OUCI).
20. Wong, C.-C., & Vong, C.-M. (2021). Persistent homology based graph convolution network
for fine-grained 3D shape segmentation. In Proceedings of the IEEE/CVF International Conference
on Computer Vision (ICCV), IEEE. URL:
https://doi.org/10.1109/ICCV48922.2021.00701(ResearchGate).
21. Lum, P. Y., Singh, G., Lehman, A., Ishkanov, T., Vejdemo-Johansson, M., Alagappan, M.,
Carlsson, J., & Carlsson, G. (2013). Extracting insights from the shape of complex data using
topology. Scientific Reports, 3, p. 1236. URL: https://doi.org/10.1038/srep01236.
22. van Veen, H. J., Saul, N., Eargle, D., & Mangham, S. W. (2019). Kepler Mapper: A flexible
Python implementation of the Mapper algorithm. Journal of Open Source Software, 4(42), 1315.
URL: https://doi.org/10.21105/joss.01315(joss.theoj.org).
23. Otter, N., Porter, M. A., Tillmann, U., Grindrod, P., & Harrington, H. A. (2017). A roadmap
for the computation of persistent homology. EPJ Data Science, 6, 17. URL:
https://doi.org/10.1140/epjds/s13688-017-0109-5(SpringerOpen).

ВИКОРИСТАННЯ ХМАРНИХ ТЕХНОЛОГІЙ ПРИ РОЗРОБЦІ ТЕЛЕГРАМ ЧАТ-БОТУ НА МОВІ PYTHON З ВИКОРИСТАННЯМ БАЗИ ДАНИХ SQLITE

Sun, 27 Jul 2025 00:27:47 +0000

У даній статті проведено аналіз чат-ботів, виявлено їх роль яку відіграють боти в
сучасному світі. Реалізація проекту відбулася з використанням мови програмування Python та
інтегрованого середовища розробки PyCharm. У процесі розробки Telegram чат-боту було віддано
перевагу використанню бази даних SQLite. Для забезпечення зв'язку з месенджером Telegram
використано пакети Aiogram, Sqlite та інтерфейс зв’язку з додатком Telegram Bot API. Бот був
офіційно зареєстрований у Telegram з унікальним ідентифікатором пошуку @TgSQL_bot.
Проведено тестування як у процесі розробки, так і після завершення, включаючи ручну перевірку
функціонування, швидкості відповідей програми для перевірки коректності роботи бота. Цей чатбот є ефективним інструментом для контроля фінансових витрат через месенджер Telegram, він
забезпечує користувачам зручний доступ до необхідної інформації та можливість взаємодії з ним у
режимі реального часу.
Ключові слова: телеграм чат-бот, мова програмування Python, база даних SQLite

Список використаної літератури
1. Що таке чат-бот: секрети використання та основні переваги для бізнесу. HelpCrunch.
URL: https://helpcrunch.com/blog/uk/shcho-take-chat-bot/.
2. Чат-бот. Переваги, засоби використання та як створити бота. Gerabot. URL:
https://gerabot.com/article/detalno_pro_chatboti.
3. Месенджери довіри. Reputation Construction. URL:
https://reputation.construction/mediatrust2023
4. Для 50,6% читачів основним месенджером є Telegram. Результати опитування AIN.UA.
URL: https://ain.ua/2023/03/09/telegram-osnovnyj-mesendzher-opytuvannya/.
5. Lutz M. Learning Python: Powerful Object-Oriented Programming. – O’Reilly, 2025. – 1501
p.
6. Hillard D. Practices of the Python Pro. Manning, 2019. 248 p.
7. Scavetta R. J., Angelov A. Python and R for the Modern Data Scientist: The Best of Both
Worlds. O’Reilly, 2021. 198 p.
8. Ernesti J., Kaiser P. Python 3: The Comprehensive Guide to Hands-On Python Programming.
Rheinwerk Computing, 2022. 1078 p.
9. Gorelick M., Ozsvald I. High Performance Python: Practical Performant Programming for
Humans. O’Reilly, 2020. 469 p.
10. Beaulieu A. Learning SQL: Generate, Manipulate, and Retrieve Data. O’Reilly, 2020. 380 p.
11. Кращі IDE для Python в 2023 році. Блог Mate academy. URL:
https://mate.academy/blog/python/ide-for-python-2023/.
12. Smetana M. Y. How Python brings efficiency to chatbots: enhancing user experience with
magic filters in Aiogram. Connectivity. 2024. Vol. 168, no. 2. URL: https://doi.org/10.31673/2412-
9070.2024.025559.
13. Що таке API: навіщо використовується програмістами та базові основи роботи з ним.
Академія ITSTEP. URL: https://cloud.itstep.org/blog_3/what-is-an-api-why-is-it-used-byprogrammers-and-the-basics-of-working-with-it.
14. Лавренчук C., Чабан А. Дослідження зміни погодних умов за допомогою Telegram Bot
API. COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION.
2020. № 41. С. 46–50. URL: https://doi.org/10.36910/6775-2524-0560-2020-41-08.
15. SQLite / K. P. Gaffney et al. Proceedings of the VLDB Endowment. 2022. Vol. 15, no. 12.
P. 3535–3547. URL: https://doi.org/10.14778/3554821.3554842.
16. de Quattro A. Guide to SQLite: Practical Guide. Independently Published, 2024. 118 p.
17. BotFather. Можливості, команди та функціонал. Gerabot. URL:
https://gerabot.com/article/botfather_mozhlivosti_ta_funkcional.
18. Chatbot Analysis / Mr. Bhor Shubham et al. International Journal of Advanced Research in
Science, Communication and Technology. 2022. P. 405–408. URL: https://doi.org/10.48175/ijarsct3547.
19. Using Python on PythonAnywhere. Python for Everybody. URL:
https://www.py4e.com/software-pyaw.php.
20. Python in the Cloud: Let’s Explore PythonAnywhere and Other Alternatives. Codemotion.
URL: https://www.codemotion.com/magazine/languages/python-in-the-cloud-lets-pythonanywhereand-other-alternatives/.

РОЗРОБКА ВЕБ-ДОДАТКУ «TASKMASTER» ЗА ДОПОМОГОЮ REACT, NODE.JS, MONGODB В ХМАРНОМУ СЕРЕДОВИЩІ

Sun, 27 Jul 2025 22:01:56 +0000

В статті було проаналізовано ринок веб-додатків для управління завданнями, описані
існуючі аналоги їх переваги і недоліки. Реалізовано клієнтську та серверну частини додатку.
Клієнтська частина включає в себе компоненти для введення, відображення та управління
завданнями, тоді як серверна частина забезпечує збереження та обробку даних у базі даних.
З використанням сучасних технологій React, Node.js, MongoDB та інших сучасних
інструментів створено додаток для управління завданнями, що забезпечує високу надійність та
ефективність додатку. Компонентний підхід дозволяє легко додавати нові функції та змінювати
існуючі без значних зусиль. Завдяки використанню віртуального DOM у React та оптимізованого
рендерингу, додаток швидко реагує на дії користувачів. Використання Redux дозволяє
централізовано управляти станом додатку, що забезпечує його стабільну роботу навіть при великій
кількості завдань та спрощує його підтримку. Завдяки MongoDB Atlas дані зберігаються в хмарі, що
забезпечує їх доступність та безпеку.
Ключові слова: веб-додаток, управління завданнями, React, Node.js, MongoDB

Список використаної літератури
1. Schwarzmüller M. React Key Concepts: An in-depth guide to React's core features. Packt
Publishing, 2025. 544 p.
2. Mammino L. Node.js Design Patterns. JS, 2020. 660 p.
3. Aleksendric M., Borucki A., Domingues L. Mastering MongoDB 7.0: Achieve data excellence
by unlocking the full potential of MongoDB. Packt Publishing, 2024. 434 p.
4. Rappin N. Modern CSS with Tailwind. Flexible Styling Without the Fuss. Pragmatic
Bookshelf, 2022. 104 p.
5. Bhat K. Ultimate Tailwind CSS Handbook: Build sleek and modern websites with immersive.
Orange Education Pvt Ltd, 2023. 294 p.
6. React Router / React Router Documentation. URL: https://reactrouter.com/en/main.
7. Brown E. Web Development with Node and Express: Leveraging the JavaScript Stack.
O'Reilly, 2019. 340 p.
8. Garreau M., Faurot W. Redux in Action. Manning, 2018. 312 p.
9. Redux Toolkit / Redux Toolkit Documentation. URL: https://redux-toolkit.js.org/.
10. Building Applications with React and Redux / Pluralsight. URL:
https://www.pluralsight.com/courses/react-redux-react-router-es6.
11. Learning React: Functional Web Development with React and 18. Redux / O'Reilly Media.
URL: https://www.oreilly.com/library/view/learning-react-2nd/9781492051718/.
12. Full-Stack Web Development with React / Coursera. URL:
https://www.coursera.org/learn/full-stack-react.
13. React Hooks / React Documentation. URL: https://legacy.reactjs.org/docs/hooks-intro.html
14. HTTP Methods / Avior API Documentation. URL:
https://www.contrive.mobi/aviorapi/HTTPMETHODS.html.
15 Pro MERN Stack: Full Stack Web App Development with Mongo, Express, React, and Node.
/ Apress. URL: https://www.apress.com/gp/book/9781484243906.
16. Mastering Node.js / Packt Publishing. URL: https://www.packtpub.com/product/masteringnode-js/9781785888960.
17. Advanced Node.js Development / Udemy. URL: https://www.udemy.com/course/advancednodejs-development/.
18. Express in Action: Writing, Building, and Testing Node.js Applications / Manning
Publications. URL: https://www.manning.com/books/express-in-action.
19. MongoDB: The Definitive Guide / O'Reilly Media. URL:
https://www.oreilly.com/library/view/mongodb-the-definitive/9781491954454/.

ВИКОРИСТАННЯ ХМАРНИХ ТЕХНОЛОГІЙ ПРИ РОЗРОБЦІ СИСТЕМИ МИТТЄВОЇ ПІДТРИМКИ КОРИСТУВАЧІВ НА ОСНОВІ PHP ТА AJAX

Sun, 27 Jul 2025 22:08:46 +0000

В статті було проведено огляд і аналіз існуючих систем миттєвої підтримки, аналіз потреб та вимог
користувачів щодо миттєвої підтримки. В результаті аналізу були визначені ключові функції та
можливості, які мали б бути доступні в системі.
Спроектована та розроблена система миттєвої підтримки, яка базується на мові програмування
PHP та використанні технології Ajax для забезпечення швидкості та інтерактивності. Використання
цих технологій дозволило забезпечити високу швидкість обробки запитів та надання відповідей без
потреби у перезавантаженні сторінки, що суттєво підвищує зручність користування системою.
Розроблена система миттєвої підтримки має великий потенціал для використання у різних
галузях, де необхідно забезпечити швидке та якісне обслуговування користувачів. Можливості
подальшого розвитку та удосконалення системи, зокрема через інтеграцію з розширеними
алгоритмами штучного інтелекту та розробку адаптивного інтерфейсу, відкривають нові
перспективи для покращення якості обслуговування та задоволення потреб користувачів.
Ключові слова: система миттєвої підтримки, аналіз вимог, розробка системи, PHP, JavaScript,
Ajax, СУБД SQLite

Список використаної літератури
1. Stuttard D., Pinto M. The Web Application Hacker's Handbook: Finding and Exploiting
Security Flaws. NY: Wiley, 2020. 912 c.
2. Ballad T., Confer W. Securing PHP Web Applications. MA: Syngress, 2008. 304 c.
3. Snyder C., Southwell M., Owad T. PHP Security. CA: O'ReillyMedia, 2005. 428 c.
4. Barnett R.C. Preventing Web Attacks with Apache. NJ: Pearson Education, 2006. 448 c.
5. Schlossnagle G. Advanced PHP Programming. NJ: Pearson Education, 2004. 224 c.
6. Bergmann S., Priebsch S. Foundations of PHP for Web Developers. NY: Apress, 2015. 372
c.
7. Zandstra M. PHP Objects, Patterns, and Practice. NY: Apress, 2013. 536 c.
8. Nixon R. Learning PHP, MySQL & JavaScript. CA: O'Reilly Media, 2018. 832 c.
9. McDonald M., McGovern J., et al. Web Security for Developers: Real Threats, Practical
Defense. CA: O'Reilly Media, 2022. 542 c.
10. Wenz C. PHP Phrasebook. IN: Addison-Wesley, 2005. 480 c.
11. Nixon R. Modern PHP: New Features and Good Practices. CA: O'ReillyMedia, 2015. 268 c.
12. Welling L., Thomson L. PHP and MySQL Web Development. CA: Addison-Wesley, 2017.
672 c.
13. Duckett J. PHP & MySQL: Novice to Ninja. UK: SitePoint, 2017. 690 c.
14. Shiflett C. Essential PHP Security. CA: O'Reilly Media, 2005. 100 c.
15. Sklar D., Trachtenberg A. PHP Cookbook. CA: O'Reilly Media, 2014. 820 c.
16. Bergmann S., Priebsch S. PHPUnit Pocket Guide. CA: O'ReillyMedia, 2005. 120 c.
17. Ullman L. PHP and MySQL for Dynamic Web Sites. CA: PeachpitPress, 2017. 696 c.

МЕТОД ЛОКАЛІЗАЦІЇ ВУЗЛІВ У БЕЗПРОВОДОВИХ СЕНСОРНИХ МЕРЕЖАХ НА ОСНОВІ РЕКОНСТРУКЦІЇ РОЗРІДЖЕНИХ МАТРИЦЬ ВІДСТАНЕЙ

Кириченко Р. М. (Kyrychenko R.M.) — Sun, 27 Jul 2025 22:13:37 +0000

У статті розглянуто методи локалізації вузлів у
сенсорних мережах із акцентом на підвищення точності позиціонування за рахунок поєднання
класичного багатовимірного шкалювання (MDS) з жадібними евристичними алгоритмами та
методами відновлення розрідженої матриці сигналів RSSI. Запропоновано метод виявлення
помилок у вимірах із застосуванням спектрального аналізу та алгоритмів машинного навчання.
Проведено експериментальне моделювання в MATLAB, яке підтвердило ефективність розроблених
методів у різних сценаріях функціонування мережі.
Kлючові слова: безпроводові сенсорні мережі, локалізація, багатовимірне шкалювання
(MDS), жадібні евристики, RSSI, відновлення матриці, виявлення аномалій, спектральний аналіз,
машинне навчання, MATLAB, Інтернет речей (IoT), безпека мережі, позиціонування, помилки
вимірювань

Список використаної літератури
1. Shakunt, P.S. Diagnosis of Faults in Wireless Sensor Networks Through Machine Learning
Approach. Human-Centric Smart Computing. ICHCSC 2023. Smart Innovation, Systems and
Technologies. 2023. 376. URL: https://doi.org/10.1007/978-981-99-7711-6_17.
2. Ridha M. A., Nickray M. Fault Detection in Wireless Sensor Networks Using Horse Herd
Algorithm and Convolutional Neural Network with Attention Layer. Journal of Electrical Systems.
2024. Vol. 20, no. 11. P. 3291–3309. URL: https://doi.org/10.52783/jes.8086.
3. Feghhi M. M., Alsharfa R. M., Majeed M. H. Efficient Fault Detection in WSN Based on
PCA-Optimized Deep Neural Network Slicing Trained with GOA. International Journal of
Intelligent Engineering and Systems. 2025. Vol. 18, no. 5.
URL: https://doi.org/10.48550/arXiv.2505.07030.
4. Padhi R., Muduli D., Sharma S. Automated Fault Diagnosis System in Wireless Sensor
Network: A Fault Node Recovery Algorithm Approach. Recent Advances in Signals and Systems.
VSPICE 2023. Lecture Notes in Electrical Engineering. 2024. No. 1227.
URL: https://doi.org/10.1007/978-981-97-4657-6_25.
5. Mederos-Madrazo B., Diaz-Roman J., Enriquez-Aguilera F. Dealing with Outliers in Wireless
Sensor Networks Localization: An Iterative and Selection-Minimization Strategy. Int J Netw Distrib
Comput. 2024. P. 41–52. URL: https://doi.org/10.1007/s44227-024-00024-1.

АНАЛІЗ СПОСОБІВ ЗАСТОСУВАННЯ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ПОКРАЩЕННЯ МОНІТОРИНГУ ЗАХИЩЕНОЇ ІТ-ІНФРАСТРУКТУРИ

Sun, 27 Jul 2025 22:21:03 +0000

Стаття присвячена питанню аналізу різноманітних
способів застосування штучного інтелекту для покращення моніторингу захищеної ІТінфраструктури. Сучасний світ переживає стрімке технологічне перетворення, де інформаційні
технології відіграють ключову роль у функціонуванні практично всіх аспектів нашого життя. ІТінфраструктура сьогодення стає все більш складною та об’ємною, вимагаючи постійного
моніторингу, щоб вчасно реагувати на можливі збої чи неполадки, які можуть призвести до перерв
у роботі, фінансових втрат та загроз для безпеки даних. Тому ІТ-інфраструктура стає не тільки
критично важливою для підтримки бізнесу та організацій, але й визначає зручність й ефективність
використання та розвиток цифрових послуг у сучасному світі. Забезпечення безперебійності та
оптимального функціонування ІТ-інфраструктури стає завданням надзвичайної важливості для
бізнесу та організацій, а також для суспільства в цілому. У зв’язку з цим, застосування штучного
інтелекту для покращення моніторингу та підтримки ІТ-інфраструктури виявляється потужним
інструментом для передбачення, виявлення та вирішення проблем погіршення ефективності. У
цьому контексті застосування штучного інтелекту набуває великого значення, тому що саме він
може надати швидкі, точні та прогнозовані рішення на основі аналізу величезної кількості даних та
попередніх патернів збоїв.
Ключові слова: вразливості, моніторинг ІТ-інфраструктури, кібербезпека, штучний інтелект

Список використаної літератури
1. Cisco Secure Network Analytics (formerly Stealthwatch) At-a-Glance. URL:
https://www.cisco.com/c/en/us/products/collateral/security/stealthwatch/ secure-network-analyticsaag.html
2. Darktrace DETECT | Autonomous Threat Detection. Darktrace | The Essential AI
Cybersecurity Platform. URL: https://www.darktrace.com/products/detect
3. Vectra AI | Cybersecurity AI That Stops Attacks Others Canât. Vectra AI | Cybersecurity
AI That Stops Attacks Others CanâTMt. URL: https://www.vectra.ai
4. Uraikul V., Chan C. W., Tontiwachwuthikul P. Artificial intelligence for monitoring and
supervisory control of process systems. Engineering Applications of Artificial Intelligence. 2007.
Vol. 20, no. 2. P. 115–131. URL: https://doi.org/10.1016/j.engappai.2006.07.002
5. Using a multi-agent system and artificial intelligence for monitoring and improving the
cloud performance and security / D. Grzonka et al. Future Generation Computer Systems. 2018. Vol.
86. P. 1106–1117. URL: https://doi.org/10.1016/j.future.2017.05.046
6. US9886955B1 - Artificial intelligence for infrastructure management - Google Patents.
Google Patents. URL: https://patents.google.com/patent/US9886955B1/en
7. Reddy Yeruva A. Monitoring Data Center Site Infrastructure Using AIOPS Architecture.
Eduvest – Journal of Universal Studies. 2023. Vol. 3, no. 1. P. 265–277. URL:
https://doi.org/10.36418/eduvest.v3i1.732
8. Dong W. AIOps Architecture in Data Center Site Infrastructure Monitoring. Computational
Intelligence and Neuroscience. 2022. Vol. 2022. P. 1–12. URL:
https://doi.org/10.1155/2022/1988990
9. McMillan L., Varga L. A review of the use of artificial intelligence methods in infrastructure
systems. Engineering Applications of Artificial Intelligence. 2022. Vol. 116. P. 105472. URL:
https://doi.org/10.1016/j.engappai.2022.105472
10. Катков Ю. І., Березовська Ю. В., Заднепрянець О. Ю. Дослідження способів
застосування штучного інтелекту для моніторингу ІТ-інфраструктури. Актуальні проблеми
кібербезпеки: матеріали Всеукр. науково-практ. конф., м. Київ, 27 жовтня 2023. Київ, 2023.
С. 121–122.
11. Bazzell, M. (2021). Open Source Intelligence Techniques: Resources for Searching and
Analyzing Online Information (9th ed.). IntelTechniques.
12. Rid, T. (2020). Active Measures: The Secret History of Disinformation and Political
Warfare. Farrar, Straus and Giroux.
13. Hulnick A. S. What's wrong with the Intelligence Cycle. Intelligence and National Security.
2006. Vol. 21, no. 6. P. 959–979. URL: https://doi.org/10.1080/02684520601046291
14. Salganik, M. J. (2018). Bit by Bit: Social Research in the Digital Age. Princeton University
Press.
15. Monroe B. L., Colaresi M. P., Quinn K. M. Fightin' Words: Lexical Feature Selection and
Evaluation for Identifying the Content of Political Conflict. Political Analysis. 2008. Vol. 16, no. 4.
P. 372–403. URL: https://doi.org/10.1093/pan/mpn018
16. NATO. (2022). NATO Open Source Intelligence Handbook. NATO Intelligence Division.
URL: https://www.nato.int
17. Kruschwitz, U., & Hull, R. (2017). Searching the Enterprise. Foundations and Trends® in
Information Retrieval, 11(1), 1–142. URL: https://doi.org/10.1561/1500000050.
18. Lazer, D., Pentland, A. S., Adamic, L., Aral, S., Barabási, A.-L., Brewer, D., ... & Van
Alstyne, M. (2009). Life in the network: The coming age of computational social science. Science,
323(5915), 721–723. URL: https://doi.org/10.1126/science.1167742
19. Europol. (2023). Internet Organised Crime Threat Assessment (IOCTA). URL:
https://www.europol.europa.eu
20. Graphika. (2023). Network Analysis Reports. URL: https://www.graphika.com
21. OSINT Framework. URL: https://osintframework.com/
22. Функціональна стійкість інформаційних мереж при наявності обмеженої апріорної
інформації про надійність / Ю. Березовська та ін. Зв’язок. 2020. № 6(148). С. 42–46.
23. Березовська Ю. Інформаційні системи безперервного використання з часовим
резервуванням. Сучасні досягнення компанії Hewlett Packard Enterprise в галузі IT та нові
можливості їх вивчення і застосування : тези доп. Міжнар. науково-практ. конф., м. Київ, 16
груд. 2020 р. Київ, 2020. С. 6–8.

ОСОБЛИВОСТІ АДМІНІСТРУВАННЯ КОРПОРАТИВНОЇ МЕРЕЖІ НА ОСНОВІ WINDOWS SERVER 2022

Sun, 27 Jul 2025 22:26:50 +0000

Стаття присвячена питанню визначення
особливості адміністрування корпоративної мережі на основі Windows Server 2022. ІТінфраструктура, яка побудована на основі ОС WS 2022, стає все більш складною та об’ємною,
вимагаючи постійного адміністрування, щоб вчасно реагувати на можливі збої чи неполадки, які
можуть призвести до перерв у роботі, фінансових втрат чи навіть загроз для безпеки даних. У
зв’язку з цим, застосування спеціальних механізмів захисту від вразливостей ОС WS 2022
виявляється потужним інструментом для передбачення, виявлення та вирішення можливих проблем
щодо погіршення її ефективності. В статті розглянуті ключові аспекти та можливості механізмів
захисту від вразливостей для програмних засобів: Common Vulnerability Scoring System; Common
Vulnerabilities and Exposures; National Vulnerability Database. Розкриті основні аспекти та переваги
їх застосування.
Ключові слова: вразливості, кібербезпека, Common Vulnerability Scoring System; Common
Vulnerabilities and Exposures; National Vulnerability Database

Список використаної літератури
1. Microsoft Windows Server 2022 Security Vulnerabilities in 2025. stack.watch – Weekly
Security Vulnerability Emails. URL: https://stack.watch/product/microsoft/windows-server-2022/
2. 10 New Things in Windows Server 2022 to Know. Geekflare. URL:
https://geekflare.com/new-features-in-windows-server-2022/
3. Даник Ю.Г., Катков Ю.І., Пічугін М.Ф. Національна безпека: запобігання критичним
ситуаціям : монографія. Житомир : Рута, 2006. 386 с.
4. What's new in Windows Server 2022. Microsoft Learn: Build skills that open doors in your
career. URL: https://learn.microsoft.com/en-us/windows-server/get-started/whats-new-in-windowsserver-2022
5. Windows Server 2022 Security Hardening best practices. Virtualization Howto. URL:
https://www.virtualizationhowto.com/2021/12/windows-server-2022-security-hardening-bestpractices/
6. NATIONAL VULNERABILITY DATABASE. NVD – Home. URL: https://nvd.nist.gov
7. Катков Ю. І., Локойда А. О. Захист критичної інфраструктури від кібератак і
терористичних загроз. «Актуальні проблеми кібербезпеки» : матеріали Всеукр. науково-практ.
конф., м. Київ, 27 жовт. 2023 р. Київ, 2023. С. 180–182.
8. Windows Server supported networking scenarios. URL: https://learn.microsoft.com/enus/windows-server/networking/windows-server-supported-networking-scenarios
9. Common Vulnerability Scoring System v3.1: Specification Document. URL: https://www.first.org/cvss/v3.1/specification-document
10. Common Vulnerabilities and Exposures. URL: https://www.cvedetails.com/
11. Функціональна стійкість інформаційних мереж при наявності обмеженої апріорної
інформації про надійність / Ю. Березовська та ін. Зв’язок. 2020. № 6(148). С. 42–46.
12. Березовська Ю. Інформаційні системи безперервного використання з часовим
резервуванням. Сучасні досягнення компанії Hewlett Packard Enterprise в галузі IT та нові
можливості їх вивчення і застосування : тези доп. Міжнар. науково-практ. конф., м. Київ, 16
груд. 2020 р. Київ, 2020. С. 6–8.