ТЕЛЕКОМУНІКАЦІЙНІ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Титул

Admin Admin — 2026-04-01

Титул

Зміст

Admin Admin — 2026-04-01

Зміст

ОРГАНІЗАЦІЯ БЕЗПЕРЕРВНОГО НАВЧАННЯ В LMS НА ОСНОВІ АРХІТЕКТУРИ OFFLINE-FIRST ТА ЗАХИЩЕНОГО ТЕСТУВАННЯ

Барабаш Олег Володимирович (Barabash Oleh) — 2026-04-01

Стаття присвячена проблемі забезпечення безперервності та якості навчального процесу в системах керування навчальним процесом (LMS) в середовищі нестабільного інетернет-з’єднання. Синхронізація та безпечне офлайн-тестування є досить важливою складовою вищої освіти в умовах дистанційного навчання при відсутності стабільного енергопостачання та при невідкладності створення рівноцінних умов для всіх здобувачів освіти. У них вдало поєднані надійність традиційних методів з гнучкістю інформаційних технологій. З огляду на ситуацію в Україні та непередбачуваність в навчальному процесі, забезпечення безперервного функціонування таких систем є критично важливим для ефективності та якості навчального процесу на будь-якому рівні освіти. Зокрема, основними викликами для таких систем зараз є стійкість до зміни мережевого та світло-постачання, захист від фальсифікування, а також забезпечення цілісності та достовірності даних.

Метою дослідження є розробка архітектури синхронізації навчальних даних та безпечного офлайн-тестування в LMS, яка забезпечить безперервність навчального процесу за умов нестабільного інтернет-з’єднання, перебоїв електропостачання та динамічних змін навантаження. Основний акцент зроблено на моделі Offline-first, механізмах надійної синхронізації та відновлення стану, а також на засобах контролю цілісності й достовірності навчальних даних. Запропонована архітектура передбачає локальне збереження критичних даних і дій користувачів (відповідей на тести, прогресу, подій навчальної активності) з подальшим узгодженням із сервером після відновлення зв’язку. Для зменшення ризиків втрати або підміни інформації застосовуються криптографічні механізми перевірки, журналювання подій та кероване версіонування, що дозволяє виявляти конфлікти синхронізації й коректно їх розв’язувати без втрати якості навчального процесу.

Ключові слова: система керування навчанням (LMS), модель Оffline-first, архітектура системи, синхронізація даних, журнал подій,, цілісність даних, конфлікти версій, криптографічний захист

Список використаної літератури

Топузов О., Локшина О., Головко М. Навчальні втрати: складність проблеми в умовах війни в Україні. Education: Modern Discourses. 2024. № 6. С. 7–17. https://doi.org/10.37472/2617-3107-2023-6-01
Глубока С. Електронне навчання (e-learning): сутність, походження та етапи розвитку, особливості застосування у ЗВО. Актуальнi питання гуманiтарних наук. 2024. Вип. 76, том 1. С. 242-248. https://doi.org/10.24919/2308-4863/76-1-37
Cole J., & Foster H. Using MOODLE: Teaching with the Popular Open Source Course Management System (2nd ed.). Sebastopol, California: O‘Reilly, 2007. 266 p. URL: https://issuu.com/tparks/docs/moodle
Service Workers. Nightly publication history Standards. 13 November 2025. URL: https://www.w3.org/TR/service-workers
Васильківськмй М., Нікітович Д., Болдирева О. Керування доступом до інформаційних даних в інтелектуальних інфокомунікаційних мережах. Вимірювальна та обчислювальна техніка в технологічних процесах. 2022. № 4. С. 5-17. https://doi.org/10.31891/2219-9365-2022-72-4-1
Xu H., Yu S., Jin S., Sun R., Chen G., Sun L. Enhancing robustness in asynchronous feature tracking for event cameras through fusing frame steams. Complex & Intelligent Systems. 2024. Vol. 10 (2). P. 6885–6899 https://doi.org/10.1007/s40747-024-01513-0
Shapiro M., Preguiça N., Baquero C., Zawirski M. A comprehensive study of Convergent and Commutative Replicated Data Types (CRDTs). 2011. INRIA Research Report. No. 7506. 47 p. URL: https://dsf.berkeley.edu/cs286/papers/crdt-tr2011.pdf
Overeem M., Spoor M., Jansen S. An empirical characterization of evensourced systeam their schema evolution – Lessons from industry. Journal of Systems Software. 2021. Vol. 178. 110970, ISSN 0164-1212. https://doi.org/10.1016/j.jss.2021.110970
Web Cryptography Level 2. Standart. W3C TR, 22 April 2025. URL: https://www.w3.org/TR/webcrypto-2/
Dworkin M. Recommendation for Block Cipher Modes of Operation: Galois/Counter Mode (GCM) and GMAC. NIST Special Publication 800-38D. National Institute of Standards and Technology, 2007. 37 p. https://doi.org/10.6028/NIST.SP.800-38D
Krawczyk H., Eronen P. HMAC-based Extract-and-Expand Key Derivation Function (HKDF). RFC 5869. Internet Engineering Task Force (IETF), 2010. 14 p. https://www.rfc-editor.org/rfc/rfc5869
Закон України «Про захист персональних даних». Верховна Рада України. URL: https://zakon.rada.gov.ua/laws/show/2297-17
Schneier B., Kelsey J. Secure Audit Logs to Support Computer Forensics ACM Transactions on Information and System Security. 1999. Vol. 2, No. 2. P. 159–176. https://dl.acm.org/doi/pdf/10.1145/317087.317089

КОНЦЕПЦІЯ ВИЯВЛЕННЯ КІБЕРІНЦИДЕНТІВ В SIEM-СИСТЕМІ НА ОСНОВІ ІНТЕГРАЦІЇ НЕЧІТКИХ ГІПЕРГРАФОВИХ СТРУКТУР І ГЕНЕРАТИВНИХ МОДЕЛЕЙ ШТУЧНОГО ІНТЕЛЕКТУ

Субач Ігор Юрійович (Ihor Subach) — 2026-04-01

У статті представлено концепцію підвищення ефективності виявлення кіберінцидентів у SIEM-системах на основі розроблення концептуальної моделі гібридної архітектури, що поєднує гіперграфові структури даних і генеративний штучний інтелект. Проведено аналіз сучасних методів виявлення загроз у системах аналізу подій безпеки, до яких віднесено класичні рішення на основі кореляційних правил, поведінкові моделі, статистичні методи, машинного та глибокого навчання, графові, гіперграфові та на основі генеративного штучного інтелекту. Визначено їхні переваги, недоліки, характерні обмеження, а також показники ефективності, зокрема точність, гнучкість, інтерпретованість, вимоги до навчальних даних та обчислювальну складність. Проведено системне порівняння відомих підходів, результати якого показали необхідність переходу до гібридних моделей, що поєднують переваги структурних і інтелектуальних методів. Запропоновано концептуальну модель ідентифікації кіберінцидентів в SIEM-системі на основі інтеграції нечітких гіперграфових структур і генеративних моделей штучного інтелекту, де застосовано три взаємопов’язані рівні: структурне представлення даних через нечіткі гіперграфи, генеративний аналіз на основі нейромережевих моделей та пояснювальний модуль XAI (пояснювальний штучний інтелект) для формування інтерпретованого текстового звіту. Розроблений підхід забезпечує виявлення структурних закономірностей у потоках подій, формування прогнозів розвитку можливих атак і відновлення семантичних зв’язків між подіями безпеки. Визначено напрям подальших досліджень, який полягає у розробці нечіткої гіперграфової моделі представлення журналу подій безпеки SIEM-систем. Теоретичний аналіз показує, що запропонована концепція поєднання нечітких гіперграфів і генеративного штучного інтелекту створює необхідні передумови для побудови адаптивних і пояснюваних SIEM-систем нового покоління, здатних до проактивного прогнозування і мінімізації хибних спрацювань.

Ключові слова: інформційно-комунікаційна система, кібербезпека, SIEM, кіберінцидент, гіперграф, штучний інтелект.

Список використаної літератури

Pulyala, S. R. (2024). From detection to prediction: AI-powered SIEM for proactive threat hunting and risk mitigation. Turkish Journal of Computer and Mathematics Education, 15(1), 34-43.
Paidy, P. (2025). Unified Threat Detection Platform with AI, SIEM, and XDR. International Journal of Artificial Intelligence, Data Science, and Machine Learning, 6(1), 95-104. https://doi.org/10.63282/3050-9262.IJAIDSML-V6I1P111.
Marri, R., Varanasi, S., & Kalidindi Chaitanya, S. V. (2024). Integrating Next-Generation SIEM with Data Lakes and AI: Advancing Threat Detection and Response . Journal of Artificial Intelligence General Science (JAIGS) ISSN:3006-4023, 3(1), 446–465. https://doi.org/10.60087/jaigs.v3i1.263.
Subach, I. Y., Kubrak, V. O., Mykytiuk, A. V., Korotaiev, S. O. (2020). Zero-day polymorphic cyberattacks detection using fuzzy inference system. Austrian Journal of Technical and Natural Sciences, 5–6, 8–13.
Sarker, I. H., Janicke, H., Ferrag, M. A., & Abuadbba, A. (2024). Multi-aspect rule-based AI: Methods, taxonomy, challenges and directions toward automation, intelligence and transparent cybersecurity modeling for critical infrastructures. Internet of Things, 101110. https://doi.org/10.1016/j.iot.2024.101110.
Liu, K., Wang, F., Ding, Z., Liang, S., Yu, Z., & Zhou, Y. (2022). A review of knowledge graph application scenarios in cyber security. arXiv preprint arXiv:2204.04769.
Lourenço, B., Adão, P., Ferreira, J. F., Marques, M. M., & Vaz, C. (2025). Structuring Security: A Survey of Cybersecurity Ontologies, Semantic Log Processing, and LLMs Application. arXiv preprint arXiv:2510.16610.
Cotti, L., Drago, I., Rula, A., Bianchini, D., & Cerutti, F. (2025). OntoLogX: Ontology-Guided Knowledge Graph Extraction from Cybersecurity Logs with Large Language Models. arXiv preprint arXiv:2510.01409.
Kalakoti, R., Vaarandi, R., Bahsi, H., & Nõmm, S. (2025). Evaluating explainable AI for deep learning-based network intrusion detection system alert classification. arXiv preprint arXiv:2506.07882.
Субач, І., & Кубрак, В. (2023). Модель ідентифікації кіберінцидентів SIEM-системою для захисту інформаційно-комунікаційних систем. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(20), 81–92. https://doi.org/10.28925/2663-4023.2023.20.8192

МЕТОД АДАПТИВНОГО ФОРМУВАННЯ ВИНАГОРОДИ ЗА УМОВ НЕВИЗНАЧЕНОСТІ ДИНАМІЧНИХ ОБ’ЄКТІВ

Ганенко Людмила Дмитрівна (Hanenko Liudmyla) — 2026-04-01

У дослідженні обґрунтовано метод адаптивного формування винагороди для навігації автономних мобільних роботів у динамічних соціальних середовищах. Запропонований підхід дозволяє ефективно моделювати поведінку робота в умовах високої невизначеності, створеної непередбачуваним рухом агентів-людей. Актуальність дослідження зумовлена необхідністю безпечної інтеграції автономних мобільних роботів у людський простір. В таких середовищах робот повинен діяти не лише ефективно, а й соціально прийнятно.

Обмеженням існуючих підходів на основі глибокого навчання з підкріпленням (DRL), є використання функцій винагороди з фіксованими ваговими коефіцієнтами. Такий підхід не дозволяє роботу гнучко адаптуватися до змін середовища. Налаштування на досягнення цілі призводить до підвищеного ризику зіткнень, тоді як пріоритет безпеки часто спричиняє проблему «замороженого робота» та поведінку, яка знижує загальну ефективність системи.

Запропонований підхід розв’язує зазначену проблему шляхом інтеграції архітектури проксимальної оптимізації політики (PPO) з модулем імовірнісного прогнозування. Модуль імовірнісного прогнозування побудовано на основі рекурентної нейронної мережі LSTM, яка кодує часові залежності руху агентів, та мережі суміші густин (MDN), яка дозволяє моделювати мультимодальність людської поведінки. Вихідний шар MDN генерує параметри суміші нормальних розподілів.

Запропоновано механізм динамічно-адаптивного зважування компонентів функції винагороди. Система автоматично регулює баланс між конкурентними цілями. У ситуаціях з високою невизначеністю прогнозу поведінки агентів-людей вагові коефіцієнти безпеки та соціального комфорту нелінійно зростають, змушуючи агента діяти обережніше. І навпаки, коли наміри агентів-людей є більш передбачуваними, система підвищує пріоритет ефективності руху.

Експериментальні дослідження методу підтвердили ефективність запропонованої архітектури.

Ключові слова: інформаційні технології, моделювання, методи машинного навчання, методи навчання з підкріпленням, автономні мобільні роботи, навігація мобільних роботів.

Список використаної літератури

Gupta, A., Johnson, J., Fei-Fei, L., Savarese, S., & Alahi, A. (2018). Social GAN: Socially Acceptable Trajectories with Generative Adversarial Networks. У 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE. https://doi.org/10.1109/cvpr.2018.00240
Xiang, W., YIN, H., Wang, H., & Jin, X. (2024). SocialCVAE: Predicting Pedestrian Trajectory via Interaction Conditioned Latents. Proceedings of the AAAI Conference on Artificial Intelligence, 38(6), 6216–6224. https://doi.org/10.1609/aaai.v38i6.28439
Kosaraju, V., Sadeghian, A., Martín-Martín, R., Reid, I., Rezatofighi, H., & Savarese, S. (2019). Social-bigat: Multimodal trajectory forecasting using bicycle-gan and graph attention networks. Advances in neural information processing systems, 32. https://proceedings.neurips.cc/paper/2019/file/d09bf41544a3365a46c9077ebb5e35c3-Paper.pdf
Li, K., Xu, Y., Wang, J., & Meng, M. Q. H. (2019). SARL∗: Deep Reinforcement Learning based Human-Aware Navigation for Mobile Robot in Indoor Environments. У 2019 IEEE International Conference on Robotics and Biomimetics (ROBIO). IEEE. https://doi.org/10.1109/robio49542.2019.8961764
Cao, M., Xu, X., Yang, Y., Li, J., Jin, T., Wang, P., Hung, T.-Y., Lin, G., & Xie, L. (2025). Learning Dynamic Weight Adjustment for Spatial-Temporal Trajectory Planning in Crowd Navigation. У 2025 IEEE International Conference on Robotics and Automation (ICRA) (с. 8196–8202). IEEE. https://doi.org/10.1109/icra55743.2025.11128766
He, J., Zhao, D., Liu, T., Zou, Q., & Xie, J. (2025). Research on Adaptive Reward Optimization Method for Robot Navigation in Complex Dynamic Environment. Computers, Materials & Continua, 1–10. https://doi.org/10.32604/cmc.2025.065205
Alshammari, A. B. (2025). Dynamic Rewards in Reinforcement Learning for Robotic Navigation. Engineering, Technology & Applied Science Research, 15(4), 25766–25771. https://doi.org/10.48084/etasr.11986
Choi, S., Lee, K., Lim, S., & Oh, S. (2018). Uncertainty-aware learning from demonstration using mixture density networks with sampling-free variance modeling. 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 6915–6922.
https://doi.org/10.48550/arXiv.1709.02249
Ганенко, Л., & Жебка, В. (2025). Модель соціально-адаптивної навігації мобільного робота з використанням методів навчання з підкріпленням. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 1(29), 559-570. https://doi.org/10.28925/2663-4023.2025.29.907
Ганенко, Л. & Бушма, О. (2025). Метод навчання автономних мобільних роботів на основі DRL та Curriculum Learning. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 30(2), 568-582. https://doi.org/10.28925/2663-4023.2025.30.994

ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АКУСТИЧНОГО СУПРОВОДЖЕННЯ ОБ'ЄКТІВ З ВИКОРИСТАННЯМ МЕТОДУ АСИНХРОННОЇ TDOA/FDOA-ЛОКАЛІЗАЦІЇ

Філоненко Ігор Русланович (Filonenko Ihor) — 2026-04-01

Розглянуто актуальну науково-прикладну проблему акустичного супроводження швидкісних рухомих об'єктів у географічно розподілених бездротових сенсорних мережах. Головною перешкодою для впровадження таких систем на базі бюджетних мікроконтролерів є відсутність жорсткої апаратної синхронізації часу, що призводить до значних похибок під час обчислення просторових координат. Проаналізовано існуючі методи локалізації та виявлено їхню вразливість до дрейфу годинників і обмеженої пропускної здатності каналів зв'язку. Для вирішення цих недоліків розроблено комплексну інформаційну технологію, що поєднує алгоритмічну компенсацію асинхронізму та мережеву оптимізацію. Запропоновано удосконалений метод спільної TDOA/FDOA-локалізації (різниця в часі та частоті прибуття сигналу), який ґрунтується на використанні модифікованого розширеного фільтра Калмана (EKF). Особливістю алгоритму є інтеграція параметрів асинхронізму (початкового часового зсуву та лінійного частотного дрейфу) безпосередньо у вектор стану системи, що дозволяє здійснювати сумісне оцінювання кінематики цілі та синхронізації мережі в режимі реального часу. Крім того, обґрунтовано архітектуру системи на базі концепції граничних обчислень (Edge Computing). Запропоновано енергоефективну стратегію адаптивного передавання даних та алгоритми стиснення інформації на рівні крайових вузлів (динамічне квантування спектральних ознак FFT, Delta-Encoding часових міток). Це дозволяє радикально знизити мережевий трафік, уникаючи постійної трансляції необроблених аудіоданих, що є критично важливим для автономних систем з живленням від акумуляторних батарей. Запропонований комплексний підхід вирішує проблему масштабованості та дозволяє розгортати надійні рубежі охорони на базі доступних компонентів. Ефективність розроблених алгоритмічних і архітектурних рішень повністю підтверджено результатами імітаційного моделювання.

Ключові слова: акустичне супроводження, TDOA, FDOA, асинхронна локалізація, розширений фільтр калмана, edge computing, стиснення даних, квантування.

Список використаної літератури

Akyildiz, I., Wy, S., Sankarasubramaniam, Y., & Cayirci, E. (2002). Wireless sensor networks: A survey.
Niu, Y.-X., Shi, S.-W., Qi, C.-D., & Zheng, Z.-J. (2017). Improved localization algorithm with FDOA measurements. У 2nd Annual International Conference on Electronics, Electrical Engineering and Information Science (EEEIS 2016). Atlantis Press. https://doi.org/10.2991/eeeis-16.2017.94
Xiao, G., Dong, Q., Liao, G., Li, S., Xu, K., & Quan, Y. (2024). High-Precision Joint TDOA and FDOA Location System. Remote Sensing, 16(4), 693. https://doi.org/10.3390/rs16040693
Wu, P., Su, S., Zuo, Z., Guo, X., Sun, B., & Wen, X. (2019). Time Difference of Arrival (TDoA) Localization Combining Weighted Least Squares and Firefly Algorithm. Sensors, 19(11), 2554. https://doi.org/10.3390/s19112554
F., W., Fischer, E., Eckhard, G., & Peter, L. (2006). An indoor localization system based on DTDOA for different wireless LAN systems.
Wang, Y., & Ho, K. C. (2013). TDOA Source Localization in the Presence of Synchronization Clock Bias and Sensor Position Errors. IEEE Transactions on Signal Processing, 61(18), 4532–4544. https://doi.org/10.1109/tsp.2013.2271750
He, S., Dong, X., & Lu, W.-S. (2017). Localization algorithms for asynchronous time difference of arrival positioning systems. EURASIP Journal on Wireless Communications and Networking, 2017(1). https://doi.org/10.1186/s13638-017-0851-1
Hugo Seuté, Cyrille Enderli, Jean-François Grandin, Ali Khenchaf & Jean-Christophe Cexus. (2017). Influence of Synchronization Impairments on an Experimental TDOA/FDOA Localization System. J. of Electrical Engineering, 5(1). https://doi.org/10.17265/2328-2223/2017.01.001
Fathabadi, V., Mehdi, S., K., S., & Jargani, L. (2009). Comparison of Adaptive Kalman Filter Methods in State Estimation of a Nonlinear System Using Asynchronous Measurements.
Brouk, J. D., & DeMars, K. J. (2024). Kalman Filtering with Uncertain and Asynchronous Measurement Epochs. NAVIGATION: Journal of the Institute of Navigation, 71(3), navi.652. https://doi.org/10.33012/navi.652
Review of Edge Computing for the Internet of Things (EC-IoT): Techniques, Challenges and Future Directions. (2024). Journal of Sensor Networks and Data Communications, 4(1), 01–11. https://doi.org/10.33140/jsndc.04.01.09
Shi, W., Cao, J., Zhang, Q., Li, Y., & Xu, L. (2016). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, 3(5), 637–646. https://doi.org/10.1109/jiot.2016.2579198
Espressif. (2025). ESP32 Series Datasheet. https://documentation.espressif.com/esp32_datasheet_en.pdf
Inc., I. (2015). Omnidirectional Microphone with Bottom Port and I 2 S Digital Output. https://invensense.tdk.com/wp-content/uploads/2015/02/INMP441.pdf
Suwannaphong, T., Jovan, F., Craddock, I., & McConville, R. (2025). Optimising TinyML with quantization and distillation of transformer and mamba models for indoor localisation on edge devices. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-94205-9
Thakshila, W., & Pramod, V. K. (2017). Application of Compressive Sensing Techniques in Distributed Sensor Networks: A Survey.
Hwang, S.-H., Kim, K.-M., Kim, S., & Kwak, J. W. (2023). Lossless Data Compression for Time-Series Sensor Data Based on Dynamic Bit Packing. Sensors, 23(20), 8575. https://doi.org/10.3390/s23208575
Vinaykumar, H. (2025). Bandwidth and Storage Optimization for CubeSats Through Adaptive Delta Encoding and Heatshrink Compression.
Scott, V. (2013). heatshrink: An Embedded Data Compression Library. https://spin.atomicobject.com/heatshrink-embedded-data-compression/
Fujii, K. (2013). Extended kalman filter. Refernce Manual, 14(41), 2.
Cohen, A., & Migliorati, G. (2017). Optimal weighted least-squares methods. The SMAI journal of computational mathematics, 3, 181–203. https://doi.org/10.5802/smai-jcm.24

МЕТОД ВЗАЄМОДІЇ АГЕНТІВ В МУЛЬТИАГЕНТНІЙ СИСТЕМІ УПРАВЛІННЯ КІБЕРБЕЗПЕКОЮ ТРАНСПОРТНОЇ ТЕЛЕКОМУНІКАЦІЙНОЇ МЕРЕЖІ ПІД ЧАС ДІАГНОСТУВАННЯ КІБЕРАТАК

Хворостяний Родіон Віталійович (Khvorostianyi Rodion) — 2026-04-01

У статті досліджується проблема організації мультиагентної системи управління кібербезпекою телекомунікаційних мереж (ТТМ) в умовах зростання складності та прихованості кібератак. Запропоновано ієрархічну модель системи, що поєднує локальні та глобальні контури управління й узгоджується зі структурною організацією ТТМ. Визначено базові типи агентів, зокрема моніторингу, виявлення загроз, оцінки ризику, прийняття рішень, реагування та координації, а також агенти сервісного та організаційного рівнів. Розкрито їх функціональне призначення та інформаційні зв’язки в межах єдиного циклу управління. Запропоновано класифікацію кібератак за ознакою діагностичної визначеності. Виокремлено діагностично визначені атаки, що супроводжуються виходом параметрів мережі за допустимі межі та можуть бути виявлені засобами базової діагностики, і діагностично невизначені (стелс-атаки), які не порушують контрольованих показників і потребують додаткових інтелектуальних процедур аналізу. Обґрунтовано, що для ТТМ характерна поява стелс-атак, за яких можливе формування суперечливої інформації між агентами самодіагностики, що ускладнює однозначне встановлення факту атаки. Для підвищення ефективності діагностування запропоновано систему виявлення стелс-атак з використанням швидкого алгоритму аналізу на основі даних моніторингу та детектування загроз. У разі недостатньої достовірності результатів роботи алгоритму застосовується другий рівень із використанням розширених процедур оцінки ризику та прийняття рішень. Проведене моделювання підтвердило зростання достовірності діагностування зі збільшенням масштабу мережі та прийнятний характер її зниження при збільшенні кількості атакованих вузлів. Встановлено також, що час діагностування зростає майже лінійно та зберігає прогнозований характер, що свідчить про масштабованість і практичну придатність запропонованого підходу.

Ключові слова: кібербезпека, транспортна телекомунікаційна мережа, інтелектуальний агент, мультиагентна система, діагностування кібератак, стелс-атака, ієрархічна модель управління.

Список використаної літератури

Голь, В. Д., & Ірха, М. С. (2021). Телекомунікаційні та інформаційні мережі. Київ, ІСЗЗІ КПІ ім. Ігоря Сікорського, 250 с. https://ela.kpi.ua/server/api/core/bitstreams/35d4a2d2-53ed-453f-9bcd-fa883a982f53/content
Пановик, У. П. (2024). Кібербезпека в Телекомунікаційних Мережах та Системах. Наукові Записки, 1(68), 122–135. https://nz.uad.lviv.ua/media/1-68/13.pdf
Khoroshko, V., Khokhlachova, Y., & Vyshnevska, N. (2023). Decomposition of Computer Network Technology In Their Design. Ukrainian Scientific Journal of Information Security, 29(3), 130–137. https://doi.org/10.18372/2225-5036.29.18072
Khavina, I. P., Hnusov, Yu. V., & Mozhaiev, O. O. (2022). Development of multi-agent information security management system. Law and Safety, 87(4), 171–183. https://doi.org/10.32631/pb.2022.4.14
Кітура, О. В. (2023). Методика формування системи управління транспортною мережею зв'язку. Дис. докт. філософії за спец. 172 “Телекомунікації та радіотехніка”. Київ, ДУТ, 133 с. https://duikt.edu.ua/uploads/p_2625_85571738.pdf
Bougueroua, N., et al. (2021). A Survey on Multi-Agent Based Collaborative Intrusion Detection Systems. Journal of Artificial Intelligence and Soft Computing Research, 11(2), 111–142. https://doi.org/10.2478/jaiscr-2021-0008
Torres, M. (2025). Enhancing Distributed Intrusion Detection Systems Using Multi-Agent AI Models. International Annals of Intelligent Learning Systems Research (IAILSR), 9, 22–35. https://iailsr.org/index.php/iailsr/article/view/13
Sen, J. (2011). A Distributed Intrusion Detection System Using Cooperating Agents. arXiv:1111.0382. https://doi.org/10.48550/arXiv.1111.0382
Aydın, H., Aydın, G. Z. G., Sertbaş, A., & Aydın, M. A. (2023). Internet of things security: A multi-agent-based defense system design. Computers and Electrical Engineering, 111(B), 108961, https://doi.org/10.1016/j.compeleceng.2023.108961
Landolt, C. R., Würsch, C., Meier, R., Mermoud, A., & Jang-Jaccard, J. (2025). Multi-Agent Reinforcement Learning in Cybersecurity: From Fundamentals to Applications. arXiv:2505.19837. https://doi.org/10.48550/arXiv.2505.19837
Козловський, О. В., & Жарікова, М. В. (2025): Розробка моделі безпеки для багатоагентної мережі в кіберфізичній системі. Вісник Херсонського національного технічного університету, 2, 1(92), 76–83. https://doi.org/10.35546/kntu2078-4481.2025.1.2.11
Shamshirband, S., Anuar, N. B., Kiah, M. L. M., & Patel, A. (2013). An appraisal and design of a multi-agent system based cooperative wireless intrusion detection computational intelligence technique. Engineering Applications of Artificial Intelligence, 26(9), 2105–2127. https://doi.org/10.1016/j.engappai.2013.04.010
Gallo, A. J., Barboni, A., & Parisini, T. (2020). On detectability of cyber-attacks for large-scale interconnected systems. Preprints of the 21st IFAC World Congress (Virtual), Berlin, Germany, July 12–17. https://ifatwww.et.uni-magdeburg.de/ifac2020/media/pdfs/1984.pdf
Jakobsson, M., Wetzel, S., & Yener, B. (2003). Stealth attacks on ad-hoc wireless networks. IEEE Vehicular Technology Conference, 58(3), 2103–2111. https://doi.org/10.1109/vetecf.2003.1285396
Чмут, О. В., Калініченко, О. Г., & Бодашевський, Є. М. (2023). Технологія створення відмовостійкого багатомодульного програмного комплексу на основі процедури взаємних внутрішніх перевірок. Сучасний захист інформації, 4(56), 52–61. https://doi.org/10.31673/2409-7292.2023.030606
Мусієнко, А. П. Методологічні основи забезпечення функціональної стійкості бездротових сенсорних мереж на основі багатокритеріальної оптимізації : Дис. доктора техн. наук : спец. 05.13.06 - Інформаційні технології. Київ, ДУТ, 2019. – 328 с.
Гнатюк, Я. (2016). Логіка: сучасна перспектива традиційної теорії. Івано-Франківськ, “Симфонія форте”, 2016, 356 с.

ОПТИМІЗАЦІЯ МАРШРУТУ БПЛА ДЛЯ МАКСИМАЛЬНОГО ПОКРИТТЯ ОБ'ЄКТІВ СПОСТЕРЕЖЕННЯ З УРАХУВАННЯМ ОБМЕЖЕНЬ НА ДАЛЬНІСТЬ

Хорольський Марко Володимирович (Khorolskyi Marko) — 2026-04-01

Технологічний розвиток безпілотних літальних апаратів (БПЛА) зумовив їх широке впровадження в інженерному менеджменті, моніторингу інфраструктури, будівництві, екологічному нагляді та інших прикладних галузях. Застосування БПЛА дозволяє підвищити ефективність обстежень, зменшити ризики для персоналу та забезпечити доступ до важкодоступних або небезпечних об’єктів, що робить такі системи конкурентною альтернативою традиційним методам інспекції.

У статті розглядається задача планування маршруту безпілотного літального апарата (БПЛА) для обстеження об’єктів з урахуванням обмежень на довжину польоту. Метою дослідження є максимізація кількості обстежених об’єктів під час переміщення БПЛА між двома заданими точками базування.

Запропоновано математичну постановку задачі, що враховує координати об’єктів, індивідуальні радіуси спостереження та граничну довжину маршруту. Особливістю запропонованої математичної постановки є врахування можливості віддаленого обстеження за рахунок вибудовування області покриття. Задачі планування маршруту БПЛА з обстеженням множини об’єктів належать до класу NP-складних. У зв’язку з цим у практичних застосуваннях широко використовуються евристичні та метаевристичні підходи, зокрема жадібні алгоритми, генетичні та еволюційні методи, гібридні стратегії. Кожен із цих підходів має власні переваги та обмеження, що зумовлює необхідність обґрунтованого вибору методу для конкретної прикладної задачі.

Для розв’язання задачі оптимізації реалізовано два підходи: жадібний алгоритм і еволюційний метод оптимізації. Для побудови алгоритмів розглядається розбиття області з об’єктами на сітку, через вузли якої прокладається маршрут.

Жадібний алгоритм реалізований за принципом ітеративного додавання до існуючого маршруту нового відрізка через невключені об’єкти дослідження. Для еволюційного алгоритму побудовані функції кросовера, мутації та схрещування.

Здійснено порівняння алгоритмів на різних сітках та за різними умовами. Показано, що жадібний алгоритм забезпечує отримання швидкого наближеного рішення, а еволюційний алгоритм дозволяє підвищити якість отриманого рішення, але потребує додаткових часових витрат.

Ключові слова: безпілотний літальний апарат, задача маршрутизації, оптимізація маршрутів з обмеженням на довжину, жадібні алгоритми, еволюційні алгоритми

Список використаних джерел

Гуляницький Л. Ф., Сторчевий В. В. Оптимізація маршрутів групи БПЛА модифікованим алгоритмом мурашиних систем. Комп’ютерна математика. 2019. Вип. 1. С. 85-93. URL: http://nbuv.gov.ua/UJRN/Koma_2019_1_13
Dorigo M., Di Caro G. Ant colony optimization: a new meta-heuristic. Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat. No. 99TH8406), Washington, DC, USA, 1999, pp. 1470-1477 Vol. 2, URL: doi: 10.1109/CEC.1999.782657.
Журавська І.М. Генерація субоптимальних маршрутів безпілотного літального апарата з використанням нейронної мережі Хопфілда. Проблеми інформаційних технологій. 2018. № 1. С. 181-185
Дудко М.В., Королюк Н.О., Опенько П.В. Узагальнений алгоритм планування маршруту розвідувального польоту безпілотного літального апарату із використанням нечітких логічних систем. Системи озброєння і військова техніка. 2021. № 2(66). C. 44-50. https://doi.org/10.30748/soivt.2021.66.06.
Jeong H.Y, Lee S. Drone routing problem with truck: Optimization and quantitative analysis. Expert Systems with Applications. 2023. 227. 120260. https://doi.org/10.1016/j.eswa.2023.120260
Pehlivanoglu V. Y., Pehlivanoglu P. An enhanced genetic algorithm for path planning of autonomous UAV in target coverage problems. Applied Soft Computing, 2021. Volume 112. 107796. https://doi.org/10.1016/j.asoc.2021.107796.
Debnath D., Vanegas F., Sandino J., Hawary A.F., Gonzalez F. A Review of UAV Path-Planning Algorithms and Obstacle Avoidance Methods for Remote Sensing Applications. Remote Sens. 2024, 16, 4019. https://doi.org/10.3390/rs16214019
Jeong H.Y, Lee S. Drone routing problem with truck: Optimization and quantitative analysis. Expert Systems with Ap-plications. 2023. 227. 120260. https://doi.org/10.1016/j.eswa.2023.120260
Tamke F., Buscher U. The Vehicle Routing Problem with Drones and Drone Speed Selection. Computers & Operations Research. 2023. 152. 106112. https://doi.org/10.1016/j.cor.2022.106112
Zhang, F.; Liu, H. Path Planning Methodologies for UAV Navigation. J. Robot. Autom. 2023, 29, 12–25
Gugan G., Haque A. Path Planning for Autonomous Drones: Challenges and Future Directions. Drones. 2023. 7. 169. URL: https://doi.org/10.3390/drones7030169

МОДЕЛІ ВИБОРУ ОПТИМАЛЬНОГО ТРАФІКУ ПЕРЕДАЧІ ДАНИХ В ІНФОКОМУНІКАЦІЙНИХ МЕРЕЖАХ

Герасимчук Владислав Сергійович (Vladyslav Herasymchuk) — 2026-04-01

У статті розглянуто моделі вибору оптимального трафіку передавання даних в інфокомунікаційних мережах з урахуванням вимог до якості обслуговування, пропускної здатності каналів, затримок передавання та рівня мережевого навантаження. Актуальність дослідження зумовлена зростанням складності сучасних інфокомунікаційних систем, необхідністю підвищення ефективності використання мережевих ресурсів і забезпечення належного рівня захищеності інформації під час її передавання. Проаналізовано основні підходи до управління мережевим трафіком, зокрема методи, що базуються на теорії графів, оптимізаційних моделях маршрутизації та прогнозуванні навантаження мережі.

Запропоновано математичну модель, у якій комбінаторну задачу вибору оптимального маршруту та розподілу потоків зведено до задачі з неперервними змінними. Такий підхід дає змогу формалізувати процес пошуку раціонального способу передавання трафіку та врахувати критерії ефективності функціонування мережі. Розроблено покроковий алгоритм визначення оптимального трафіку на основі аналізу матриці суміжності графа мережі та послідовного виділення множини ізольованих вершин максимальної потужності. Показано, що запропонований підхід дозволяє знаходити не лише найкоротші, а й найбільш ефективні маршрути передавання даних, орієнтовані на зниження перевантажень і підвищення стійкості мережі, а також на раціональний розподіл потоків між вузлами.

Наведено результати моделювання, які підтверджують доцільність поділу інформаційного блока на підблоки з подальшим їх передаванням альтернативними маршрутами. Це сприяє зменшенню перевантажень, скороченню затримок і підвищенню швидкодії передавання. Отримані результати можуть бути використані під час проектування та експлуатації інфокомунікаційних мереж з підвищеними вимогами до продуктивності, надійності та інформаційної безпеки.

Ключові слова: інфокомунікаційні мережі, трафік даних, оптимізація, моделі вибору, якість обслуговування, маршрутизація.

Список використаної літератури

Азаров О.Д., Кривуца В.Г., Коваль О.В. (2020) Комп’ютерні мережі [навч. посіб.]. Вінниця: ВНТУ. 302. ISBN: 978-9-66641-808-4.
Горбатий І.В., Бондарєв О.С. (2016) Телекомунікаційні системи та мережі. [навч. посіб.]. Харків: ХНУРЕ, Ч.1. 256. ISBN 978-6-17607-919-4.
Pavón-Mariño P. (2016) Optimization of Computer Networks: Modeling and Algorithms. Hoboken: Wiley. 312. ISBN 978-1-11901-335-8.
Rahman A., et al. (2019) Applications of graph theory in communication networks research. Journal of Network and Systems Management. Vol. 27. 819–846. https://doi.org/10.1007/s10922-019-09522-5.
Khvostivskyya M., et al. (2021) Mathematical modelling of daily computer network traffic. Applied Mathematics & Information Sciences. Vol. 15. No. 4. 487–496. https://ceur-ws.org/Vol-3039/short24.pdf.
Jiang W., et al. (2021) Graph-based deep learning for communication networks: A survey. IEEE Communications Surveys & Tutorials. Vol. 23. No. 4. 2663–2692. https://doi.org/10.1109/COMST.2021.3104851.
Andonov V. (2019) Analytical model of a queuing system in a telecommunication network. Mathematics. Vol. 7. No. 9. 842-848. https://doi.org/10.3390/math7090842.
Singh P., et al. (2024) Survey of traffic engineering solutions for telecommunication network optimization. Computer Networks. Vol. 235. 879–891. https://doi.org/10.25130/tjes.31.2.12.
Mao H., et al. (2021) Reinforcement learning based traffic engineering in SDN. ACM SIGCOMM Computer Communication Review. Vol. 51. No. 3. 34–40. https://doi.org/10.1145/3475135.3480629.
Pavón-Mariño P. (2017) Routing and traffic engineering optimization models for large-scale networks. Journal of Network and Computer Applications. Vol. 91. 1–15. https://doi.org/10.1016/j.jnca.2017.02.006.
Sharma R., et al. (2023) A survey of network optimization techniques for traffic engineering. IEEE Access. Vol. 11. 512–537. https://www.academia.edu/attachments/72155281/download_file/DISI-08-054.pdf.
Barkalov A., et al. (2024) Evaluation of traffic engineering routing models based on performance and reliability criteria. Journal of Network and Computer Applications. Vol. 229. 836–841. https://doi.org/10.3390/electronics13183638.

ТРИРІВНЕВА АРХІТЕКТУРА ЗНАНЬ ЯК ІНСТРУМЕНТ МІНІМІЗАЦІЇ ЛОГІЧНОГО ДРЕЙФУ В ШІ-АСИСТОВАНИХ ДОСЛІДЖЕННЯХ

Лемешко Андрій Вікторович (Andrii Lemeshko) — 2026-04-01

У статті розглядається проблема «логічного дрейфу» та статистичних галюцинацій великих мовних моделей (LLM) у контексті фундаментальних наукових досліджень. Автором запропоновано та формалізовано метод індукованого розширення теорії штучного інтелекту (Induced AI-Theory Expansion, IAI-TE), заснований на трирівневій архітектурі знань: аксіоматичне ядро (A-Core), концептуальний кодекс (S-Template) та повна специфікація. Ключовою інновацією методу є перетворення генеративної здатності ШІ з джерела помилок на інструмент суворої дедукції через впровадження штучних фільтрів реальності. Розроблено протокол контролю непротиворечності (CE-Protocol), що забезпечує подвійну верифікацію: текстову (логічна когерентність) та символьну (розмірнісний аналіз). Практична апробація методу продемонстрована на прикладі повної дедуктивної реконструкції Темпоральної теорії Всесвіту (TTU) з компактного ядра обсягом 7,2 КБ. Експериментально підтверджено 100% успішність відновлення 47 базових рівнянь теорії при 23 ітераціях CE-Protocol, що доводить перехід від запам'ятовування до справжньої дедукції. Запропонований метод формує основу нової епістемологічної парадигми — AI-Resilient Science, де наукові теорії стають виконуваними алгоритмами, здатними до самовідновлення та масштабування без втрати логічної цілісності

Ключові слова: IAI-TE, штучний інтелект, наукова методологія, аксіоматичне ядро, когерентність теорій, LLM, логічний дрейф, AI-Resilient Science, темпоральна теорія Всесвіту (TTU), пост-книжкова наука, алгоритмічна епістемологія, протокол непротиворечності, самовідновлювані теорії

Список використаної літератури

Ji Z., Lee N., Frieske R. et al. Survey of hallucination in natural language generation. ACM Computing Surveys. 2023. Vol. 55, No. 12. P. 1–38. DOI: 10.1145/3571730.
Lemeshko A. Temporal Theory of the Universe – Minimal Memory Kernel (TTU_CORE_RECALL_v1.0). ResearchGate. 2024. DOI: 10.13140/RG.2.2.28830.40001.
Marcus G. The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence. arXiv preprint. 2020. arXiv:2002.06177.
Pearl J. Causality: Models, Reasoning, and Inference. 2nd ed. Cambridge: Cambridge University Press, 2009. 484 p.
Wolfram S. Writings: On the symbolic and linguistic capabilities of large language models. Wolfram Media. 2023. URL: https://writings.stephenwolfram.com/ (дата звернення: 12.12.2025).
Wilkinson M. D. et al. The FAIR Guiding Principles for Scientific Data Management and Stewardship. Scientific Data. 2016. Vol. 3, Article 160018. DOI: 10.1038/sdata.2016.18.
Krenn M. et al. On Scientific Understanding with Artificial Intelligence. Nature Reviews Physics. 2022. Vol. 4. P. 761–769.
Popper K. R. The Logic of Scientific Discovery. London: Routledge, 1959. 544 p.
Kuhn T. S. The Structure of Scientific Revolutions. Chicago: University of Chicago Press, 1962. 172 p.
Smaragdis E. et al. AI-Driven Knowledge Discovery and Representation in Scientific Domains. AI Magazine. 2023. Vol. 44(4). P. 1–15.
Chen M. et al. Evaluating Large Language Models Trained on Code. arXiv preprint. 2021. arXiv:2107.03374.
Berners-Lee T., Hendler J., Lassila O. The Semantic Web. Scientific American. 2001. Vol. 284(5). P. 34–43.
Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2024. Stanford University, 2024. URL: https://aiindex.stanford.edu/report/
Vaswani A. et al. Attention Is All You Need. Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 5998–6008.

ВИЯВЛЕННЯ СТЕГАНОГРАФІЇ НА ЗОБРАЖЕННІ З ВИКОРИСТАННЯМ МОДЕЛЕЙ RESNET ТА SRNET

Лащевська Наталія Олександрівна (Nataliia Lashchevska) — 2026-04-01

У даній роботі проведено комплексний аналіз ефективності сучасних архітектур глибоких згорткових нейронних мереж — SRNet та ResNetV2 (ResNet50М2, ResNet101V2, ResNet152V2) — у задачах просторового стегоаналізу цифрових зображень. Основну увагу приділено дослідженню ролі блоку попередньої високочастотної фільтрації (блок HPF-фільтрів) та впливу кількості фільтрів та архітектури блоку фільтрації на точність детектування слабких стеганографічних сигналів, внесених методом LSB.

Для формування навчальних і тестових вибірок використано датасети CIFAR-10 та LabelMe, на основі яких створено штучні набори cover/stego-зображень із застосуванням LSB-стеганографії з підтримкою UTF-8 кодування та контрольованого корисного навантаження.

Встановлено, що канонічна архітектура SRNet потребує інтеграції додаткового HPF-блоку для стабільної збіжності при невеликій кількості епох навчання, демонструючи при цьому високу чутливість до аномалій, але значне споживання оперативної пам'яті, що обмежує розмір навчального датасету в хмарних середовищах. На противагу цьому, моделі на базі ResNetV2 виявилися більш масштабованими та практичними для систем моніторингу в реальному часі, хоча їх ефективність критично залежить від конфігурації багатомасштабного блоку фільтрів (3×3, 5×5, 7×7).

Запропоновано підхід до побудови паралельного багатоканального HPF-модуля з орієнтаційною селективністю, який забезпечує оптимальний баланс між точністю виявлення та обчислювальними витратами.

Дозвіл на навчання високочастотних фільтрів забезпечує додатковий приріст точності, що підтверджує доцільність гібридного підходу, який поєднує апріорні знання цифрової обробки сигналів із глибоким навчанням. Отримані результати можуть бути використані при проєктуванні практичних систем моніторингу цифрового контенту та дозволяють сформулювати рекомендації щодо вибору AI-моделей залежно від прикладного сценарію: від прецизійних дослідницьких інструментів до промислових систем захисту інформації.

Ключові слова: стегоаналіз, глибоке навчання, згорткові нейронні мережі, ResNetV2, SRNet, високочастотна фільтрація, LSB-стеганографія.

Список використаної літератури:

Fridrich J. Steganography in Digital Media: Principles, Algorithms, and Applications. Cambridge University Press, 2009. 437 p.
Xu G., Wu H.Z., Shi Y.Q. Structural design of convolutional neural networks for steganalysis. IEEE Signal Processing Letters, 2016, vol. 23, no. 5, pp. 708-712. DOI: 10.1109/LSP.2016.2548421
Fridrich J., Kodovsky J. Rich models for steganalysis of digital images. IEEE Transactions on Information Forensics and Security, 2012, vol. 7, no. 3, pp. 868-882. DOI: 10.1109/TIFS.2012.2190402
He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778. DOI: 10.1109/CVPR.2016.90
Xu G. Deep convolutional neural network to detect J-UNIWARD. In: Proceedings of the 5th ACM Workshop on Information Hiding and Multimedia Security, 2017, pp. 67-73. DOI: 10.1145/3082031.3083236
Ye J., Ni J., Yi Y. Deep learning hierarchical representations for image steganalysis. IEEE Transactions on Information Forensics and Security, 2017, vol. 12, no. 11, pp. 2545-2557. DOI: 10.1109/TIFS.2017.2710946
Zhang R., Zhu F., Liu J., Liu G. Depth-wise separable convolutions and multi-level pooling for an efficient spatial CNN-based steganalysis. IEEE Transactions on Information Forensics and Security, 2020, vol. 15, pp. 1138-1150. DOI: 10.1109/TIFS.2019.2936913
Boroumand M., Chen M., Fridrich J. Deep residual network for steganalysis of digital images. IEEE Transactions on Information Forensics and Security, 2019, vol. 14, no. 5, pp. 1181-1193. DOI: 10.1109/TIFS.2018.2871749
Tabares-Soto R., Arteaga-Arteaga H.B., Buritica O.M.A., et al. Deep learning for steganalysis: evaluating model robustness against image transformations. Frontiers in Artificial Intelligence, 2025, vol. 8, article 1532895. DOI: 10.3389/frai.2025.1532895
Veit A., Wilber M.J., Belongie S. Residual networks behave like ensembles of relatively shallow networks. In: Advances in Neural Information Processing Systems (NeurIPS), 2016, vol. 29, pp. 550-558.
Ntivuguruzwa J.-P., Kurundayev M., Ullah M., et al. A convolutional neural network to detect possible hidden data in spatial domain images. Cybersecurity, 2023, vol. 6, article 32. DOI: 10.1186/s42400-023-00156-x
Ozcan S., Mustacoglu A.F. Transfer learning effects on image steganalysis with pre-trained deep residual neural network model. In: IEEE International Conference on Big Data, 2018, pp. 2280-2287. DOI: 10.1109/BigData.2018.8622437
Yedroudj M., Comby F., Chaumont M. Yedroudj-Net: An efficient CNN for spatial steganalysis. In: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018, pp. 2092-2096. DOI: 10.1109/ICASSP.2018.8461438
Dwaik A., Nandi A.K., Naous T., Alani S., Alsarhan A. Enhancing the performance of convolutional neural network image-based steganalysis in spatial domain using Spatial Rich Model and 2D Gabor filters. Journal of Information Security and Applications, 2024, vol. 85, article 103862. DOI: 10.1016/j.jisa.2024.103862
Wang Z., Gao N., Wang X., Qu X., Li L., Zhang X. Deep learning for steganalysis of diverse data types: A review of methods, taxonomy, challenges and future directions. arXiv preprint arXiv:2308.04522, 2024.
Tabares-Soto R., Arteaga-Arteaga H.B., Orozco-Arias S., et al. Strategy to improve the accuracy of convolutional neural network architectures applied to digital image steganalysis in the spatial domain. PeerJ Computer Science, 2021, vol. 7, e451. DOI: 10.7717/peerj-cs.451
Liu F., Zhou X., Yan X., Peng J., Hu Y., Chen Q. Preprocessing enhancement method for spatial domain steganalysis. Mathematics, 2022, vol. 10, no. 21, article 3936. DOI: 10.3390/math10213936
Wang X., Liao D., Dai Y., Li H. A steganalysis framework based on CNN using the filter subset selection method. Multimedia Tools and Applications, 2020, vol. 79, pp. 21307-21326. DOI: 10.1007/s11042-020-08831-8
Jin Z., Yang Y., Chen Y., Chen Y. IAS-CNN: Image adaptive steganalysis via convolutional neural network combined with selection channel. Journal of Sensors, 2020, article 1550147720911002. DOI: 10.1177/1550147720911002
Chaumont, Marc. (2020). Deep learning in steganography and steganalysis. 10.1016/B978-0-12-819438-6.00022-0. In book: Digital Media Steganography (pp.321-349)
Krizhevsky, A. (2009). Learning Multiple Layers of Features from Tiny Images. https://www.cs.toronto.edu/~kriz/learning-features-2009-TR.pdf.
Stefanek G., Gulbransen L., Spink G., Morawski J., Filla D., Rabello De Castro R. A comparison of ai models to detect hidden messages in images. (2024). Issues In Information Systems. 119-132. DOI: 10.48009/3_iis_2024_110
The LabelMe-12-50k dataset. URL: https://www.ais.uni-bonn.de/download/datasets.html
Meike Helena Kombrink, Zeno Jean Marius Hubert Geradts, and Marcel Worring. 2024. Image Steganography Approaches and Their Detection Strategies: A Survey. ACM Comput. Surv. 57, 2, Article 33 (February 2025), 40 pages. DOI: 10.1145/3694965
S. Wu, S. -h. Zhong and Y. Liu, "A Novel Convolutional Neural Network for Image Steganalysis With Shared Normalization," in IEEE Transactions on Multimedia, vol. 22, no. 1, pp. 256-270, Jan. 2020, DOI: 10.1109/TMM.2019.2920605.
Dwaik, A., & Belkhouche, Y. (2024). Enhancing the performance of convolutional neural network image-based steganalysis in spatial domain using Spatial Rich Model and 2D Gabor filters. Journal of Information Security and Applications, 85, 103864. DOI: 10.1016/j.jisa.2024.103864

КОМПЛЕКСНИЙ РЕІНЖИНІРИНГ ЦИФРОВИХ ДЕРЖАВНИХ ПОСЛУГ ІЗ ВИКОРИСТАННЯМ ГЛИБИННИХ НЕЙРОННИХ МЕРЕЖ І ПОКАЗНИКІВ ЯКОСТІ ОБСЛУГОВУВАННЯ

ХОХЛАЧОВА Юлія (Yuliia KHOKHLACHOVA) — 2026-04-01

У статті обґрунтовано комплексну концепцію використання нейронних мереж для реінжинірингу бізнес-процесів цифрових державних сервісів. Показано, що великі масиви адміністративних даних, журнали подій інформаційних систем та телеметричні потоки мереж електронних комунікацій можуть виступати повноцінним джерелом знань про фактичну роботу е-послуг, їхні «вузькі місця», приховані шаблони навантаження й аномальні сценарії, у тому числі пов’язані з гібридними кібератаками. Запропоновано процесноорієнтовану математичну модель, у якій конфігурація ресурсів, політика маршрутизації, параметри інформаційної безпеки та сигнали систем виявлення вторгнень (IDS) і платформ кореляції подій безпеки (SIEM) відображаються у векторних ознаках, придатних для навчання різних архітектур нейронних мереж. Розглянуто застосування багатошарового персептрона, згорткових мереж, моделей з довготривалою короткочасною пам’яттю, а також автоенкодерів і гібридних CNN+LSTM та AE+LSTM для прогнозування часу опрацювання звернень, ймовірності порушення SLO, виявлення аномальних процесних сценаріїв та побудови сурогатних моделей для сценарного аналізу «what-if». Описано особливості навчання на нерівномірних і неповних адміністративних вибірках, методи урахування уразливостей SSL і SNMP у firmware-атаках, інтеграції принципів Zero Trust та підходи Byte2Image для подання трафіку і логів у вигляді зображень. Наведено приклади сценаріїв застосування в реінжинірингу державних е-послуг, а також фрагменти Matlab-коду й варіанти візуалізації результатів, орієнтовані на використання у середовищі Matlab і Matlab Mobile.

Ключові слова: реінжиніринг бізнес-процесів, цифрові державні послуги, нейронні мережі, LSTM, CNN+LSTM, AE+LSTM, Zero Trust, IDS, SIEM, Byte2Image, Matlab-візуалізація.

Список використаних джерел

Janssen M., van der Voort H. Adaptive governance: Towards a stable, accountable and responsive government // Government Information Quarterly. – 2016. – Том 33, № 1. – С. 1–5. – DOI: 10.1016/j.giq.2016.02.003.
Gil-Garcia J. R. Enacting Electronic Government Success: An Integrative Study of Government-wide Websites, Organizational Capabilities, and Institutions. – Нью-Йорк: Springer, 2012. – 195 с. – DOI: 10.1007/978-1-4614-2015-6.
United Nations. E-Government Survey 2022: The Future of Digital Government. – Нью-Йорк: United Nations, 2022. – 164 с. – DOI: 10.18356/9789210019446.
van der Aalst W. Process Mining: Data Science in Action. – 2-ге вид. – Берлін: Springer, 2016. – 467 с. – DOI: 10.1007/978-3-662-49851-4.
Dumas M., La Rosa M., Mendling J., Reijers H. A. Fundamentals of Business Process Management. – 2-ге вид. – Берлін: Springer, 2018. – 527 с. – DOI: 10.1007/978-3-662-56509-4.
Biazzo S. Process mapping techniques and organisational analysis: Lessons from sociotechnical system theory // Business Process Management Journal. – 2002. – Том 8, № 1. – С. 42–52. – DOI: 10.1108/14637150210418629.
Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. – 1997. – Том 9, № 8. – С. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735.
Tax N., Verenich I., La Rosa M., Dumas M. Predictive business process monitoring with LSTM neural networks // У: Business Process Management Workshops (CAiSE 2017). – Cham: Springer, 2017. – С. 477–492 . – DOI: 10.1007/978-3-319-59536-8_30.
Scarfone K., Mell P. Guide to intrusion detection and prevention systems (IDPS). – NIST Special Publication 800-94. – Гайтерсберг: National Institute of Standards and Technology, 2007. – 143 с. – DOI: 10.6028/NIST.SP.800-94.
Rose S., Borchert O., Mitchell S., Connelly S. Zero trust architecture. – NIST Special Publication 800-207. – Гайтерсберг: National Institute of Standards and Technology, 2020. – 59 с. – DOI: 10.6028/NIST.SP.800-207.
European Commission. eGovernment Benchmark 2022: Synchronising digital governments : background report. – Люксембург: Publications Office of the European Union, 2022. – 126 с. – DOI: 10.2759/204448.
Di Francescomarino C., Dumas M., La Rosa M., Maggi F. M., Palpanas T., Mecella M. Clustering-based predictive process monitoring // IEEE Transactions on Services Computing. – 2018. – Том 12, № 6. – С. 896–909. – DOI: 10.1109/TSC.2016.2645153.
Janssen M., Kuk G. The challenges and limits of big data algorithms in public policy making // Government Information Quarterly. – 2016. – Том 33, № 3. – С. 371–377. – DOI: 10.1016/j.giq.2016.08.011.
Sun T. Q., Medaglia R. Mapping the challenges of artificial intelligence in the public sector // Government Information Quarterly. – 2019. – Том 36, № 2. – С. 368–383. – DOI: 10.1016/j.giq.2018.09.008.
Mendling J., Weber I., van der Aalst W., vom Brocke J., Cabanillas C., et al. Blockchains for business process management – challenges and opportunities // ACM Transactions on Management Information Systems. – 2018. – Том 9, № 1. – Стаття 4. – DOI: 10.1145/3183367.
Janssen M., van der Voort H. Adaptive governance: Towards a stable, accountable and responsive government // Government Information Quarterly. – 2016. – Том 33, № 1. – С. 1–5. – DOI: 10.1016/j.giq.2016.02.003.
Gil-Garcia J. R. Enacting Electronic Government Success: An Integrative Study of Government-wide Websites, Organizational Capabilities, and Institutions. – Нью-Йорк: Springer, 2012. – 195 с. – DOI: 10.1007/978-1-4614-2015-6.
United Nations. E-Government Survey 2022: The Future of Digital Government. – Нью-Йорк: United Nations, 2022. – 164 с. – DOI: 10.18356/9789210019446.
van der Aalst W. Process Mining: Data Science in Action. – 2-ге вид. – Берлін: Springer, 2016. – 467 с. – DOI: 10.1007/978-3-662-49851-4.
Dumas M., La Rosa M., Mendling J., Reijers H. A. Fundamentals of Business Process Management. – 2-ге вид. – Берлін: Springer, 2018. – 527 с. – DOI: 10.1007/978-3-662-56509-4 .
Biazzo S. Process mapping techniques and organisational analysis: Lessons from sociotechnical system theory // Business Process Management Journal. – 2002. – Том 8, № 1. – С. 42–52. – DOI: 10.1108/14637150210418629.
Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. – 1997. – Том 9, № 8. – С. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735.
Tax N., Verenich I., La Rosa M., Dumas M. Predictive business process monitoring with LSTM neural networks // У: Business Process Management Workshops (CAiSE 2017). – Cham: Springer, 2017. – С. 477–492 . – DOI: 10.1007/978-3-319-59536-8_30.
Scarfone K., Mell P. Guide to intrusion detection and prevention systems (IDPS). – NIST Special Publication 800-94. – Гайтерсберг: National Institute of Standards and Technology, 2007. – 143 с. – DOI: 10.6028/NIST.SP.800-94.
Rose S., Borchert O., Mitchell S., Connelly S. Zero trust architecture. – NIST Special Publication 800-207. – Гайтерсберг: National Institute of Standards and Technology, 2020. – 59 с. – DOI: 10.6028/NIST.SP.800-207.
European Commission. eGovernment Benchmark 2022: Synchronising digital governments : background report. – Люксембург: Publications Office of the European Union, 2022. – 126 с. – DOI: 10.2759/204448.
Di Francescomarino C., Dumas M., La Rosa M., Maggi F. M., Palpanas T., Mecella M. Clustering-based predictive process monitoring // IEEE Transactions on Services Computing. – 2018. – Том 12, № 6. – С. 896–909. – DOI: 10.1109/TSC.2016.2645153.
Janssen M., Kuk G. The challenges and limits of big data algorithms in public policy making // Government Information Quarterly. – 2016. – Том 33, № 3. – С. 371–377. – DOI: 10.1016/j.giq.2016.08.011.
Sun T. Q., Medaglia R. Mapping the challenges of artificial intelligence in the public sector // Government Information Quarterly. – 2019. – Том 36, № 2. – С. 368–383. – DOI: 10.1016/j.giq.2018.09.008.
Mendling J., Weber I., van der Aalst W., vom Brocke J., Cabanillas C., et al. Blockchains for business process management – challenges and opportunities // ACM Transactions on Management Information Systems. – 2018. – Том 9, № 1. – Стаття 4. – DOI: 10.1145/3183367.

РОЗРОБКА ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ АВТОМАТИЗОВАНОГО СТВОРЕННЯ І ТЕСТУВАННЯ ПРОГРАМ ДЛЯ ВИРІШЕННЯ ЗАДАЧ МАШИННОГО НАВЧАННЯ З ВИКОРИСТАННЯМ ВЕЛИКИХ МОВНИХ МОДЕЛЕЙ

Чичкарьов Євген Анатолійович (Yevhen Chychkarov) — 2026-04-01

У статті розглянуто проблему автоматизації процесів розробки та тестування програмного забезпечення для задач машинного навчання в умовах стрімкого розвитку великих мовних моделей та інтелектуальних інструментів програмування. Зростання складності систем штучного інтелекту та обсягів даних зумовлює необхідність створення нових підходів до організації життєвого циклу розробки ML-систем, які б поєднували можливості автоматизованої генерації коду, аналізу даних та забезпечення якості програмного забезпечення. Метою дослідження є підвищення ефективності створення та валідації програм для задач машинного навчання шляхом розробки інформаційної технології автоматизованої генерації та тестування програмних рішень на основі мультиагентних систем і великих мовних моделей.

У роботі виконано аналіз сучасних досліджень у галузі AI-Augmented Software Engineering, тестування ML-систем та застосування агентних архітектур для автоматизації програмування. Запропоновано концептуальну архітектуру мультиагентної інформаційної системи, що реалізує повний конвеєр розробки програм для машинного навчання: від підготовки інфраструктури та аналізу даних до генерації програмного коду, тестування і наукової інтерпретації результатів. Система складається з декількох спеціалізованих агентів, серед яких координатор виконання, агент аналізу даних, агент розробки моделей машинного навчання, агент тестування та агент інтерпретації результатів. Для забезпечення надійності розробленої технології запропоновано трирівневу підсистему тестування, яка включає перевірку якості вхідних даних, тестування згенерованого програмного коду та оцінювання якості отриманих моделей машинного навчання за статистичними метриками.

Реалізацію системи виконано у середовищі Google Colab або на локальному комп’ютері з локальним сервером Ollama із використанням бібліотек Python для аналізу даних та машинного навчання, зокрема scikit-learn, pandas та matplotlib, а також із підтримкою великих мовних моделей через локальне або хмарне розгортання. Проведено експериментальну перевірку працездатності системи на стандартних наборах даних для задач класифікації та регресії. Отримані результати демонструють ефективність запропонованого підходу та підтверджують можливість використання мультиагентних систем і великих мовних моделей для автоматизації створення та тестування програмних рішень у галузі машинного навчання.

Ключові слова: машинне навчання, мультиагентні системи, великі мовні моделі, автоматизація програмування, тестування програмного забезпечення, AI-augmented software engineering.

Список використаної літератури

[1] Itransition. (2026, January 27). Machine learning statistics for 2026: The ultimate list. Itransition. https://www.itransition.com/machine-learning/statistics

[2] Riccio, V., Jahangirova, G., Stocco, A., Humbatova, N., Weiss, M., & Tonella, P. (2020). Testing machine learning–based systems: A systematic mapping. Empirical Software Engineering, 25(6), 5193–5254. https://doi.org/10.1007/s10664-020-09881-0

[3] Al Alamin, M. A., & Uddin, G. (2021). Quality assurance challenges for machine learning software applications during software development life cycle phases. In 2021 IEEE International Conference on Autonomous Systems (ICAS). IEEE. https://doi.org/10.1109/ICAS49788.2021.9551151

[4] Breck, E., Cai, S., Nielsen, E., Salib, M., & Sculley, D. (2017). The ML test score: A rubric for ML production readiness and technical debt reduction. In 2017 IEEE International Conference on Big Data (Big Data) (pp. 1123–1132). https://doi.org/10.1109/BigData.2017.8258038.

[5] Hutter, F., Kotthoff, L., & Vanschoren, J. (Eds.). (2019). Automated machine learning: Methods, systems, challenges. Springer. https://doi.org/10.1007/978-3-030-05318-5

[6] Schieferdecker, I. K. (2024). Augmenting software engineering with AI and developing it further towards AI-assisted model-driven software engineering. arXiv. https://arxiv.org/abs/2409.18048

[7] Akhtar, S., & Aftab, S. (2025). Towards AI-augmented software engineering: A theoretical framework. ICCK Journal of Software Engineering, 1, 124. https://doi.org/10.62762/JSE.2025.407864

[8] Nyaga, F. (2025). AI-driven software engineering: A systematic review of machine learning’s impact and future directions. Preprints. https://doi.org/10.20944/preprints202504.0174.v1

[9] Yang, Y., Xia, X., Lo, D., & Grundy, J. (2022). A survey on deep learning for software engineering. ACM Computing Surveys, 54(10s), Article 206. https://doi.org/10.1145/3505243

[10] Amershi, S., Begel, A., Bird, C., DeLine, R., Gall, H., Kamar, E., Nagappan, N., Nushi, B., & Zimmermann, T. (2019). Software engineering for machine learning: A case study. In Proceedings of the 41st International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP '19) (pp. 291–300). IEEE. https://doi.org/10.1109/ICSE-SEIP.2019.00042

[11] Liu, Y., Wang, Z., & Zhang, L. (2025). A survey on code generation with LLM-based agents. arXiv. https://arxiv.org/abs/2508.00083

[12] Alenezi, M., & Akour, M. (2025). AI-driven innovations in software engineering: A review of current practices and future directions. Applied Sciences, 15. https://doi.org/10.3390/app15031344

[13] Wang, L., Ma, C., Feng, X. et al. A survey on large language model based autonomous agents. Front. Comput. Sci. 18, 186345 (2024). https://doi.org/10.1007/s11704-024-40231-1

[14] Wang, Z., Su, K., Zhang, J., Jia, H., Ye, Q., Xie, X., & Lu, Z. (2023). Multi-agent automated machine learning. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 11960–11969).

[15] Guo, T., Chen, X., Wang, Y., Chang, R., Peng, S., Chawla, N. V., Wawro, P., & Zhang, C. (2024). Large language model based multi-agent systems: A survey of progress and challenges. arXiv preprint arXiv:2408.11903. https://arxiv.org/abs/2408.11903

[16] Coleman, S. & Wilson, D. A Comprehensive Evaluation of Privacy-Preserving Mechanisms in Cloud-Based Big Data Analytics: Challenges and Future Research Directions. Preprints 2026, 2026011025. https://doi.org/10.20944/preprints202601.1025.v1

[17] Huang, D., & Wang, Z. (2025). LLMs at the edge: Performance and efficiency evaluation with Ollama on diverse hardware. In Proceedings of the International Joint Conference on Neural Networks (IJCNN). https://doi.org/10.1109/IJCNN64981.2025.11228317

[18] Palma, G., Cecchi, G., Caronna, M., & Rizzo, A. (2025). Leveraging large language models for scalable and explainable cybersecurity log analysis. Journal of Cybersecurity and Privacy, 5(3), 55. https://doi.org/10.3390/jcp5030055

[19] Jiang, N., Liu, K., Chen, T., & Liang, J. (2025). LLM-based multi-agent systems for software engineering: Literature review, vision, and the road ahead. ACM Transactions on Software Engineering and Methodology. https://doi.org/10.1145/3712003

[20] Wang, J., Huang, Y., Chen, C., Liu, Z., Wang, S., & Wang, Q. (2024). Software testing with large language models: Survey, landscape, and vision. IEEE Transactions on Software Engineering. https://doi.org/10.1109/TSE.2024.3368208

[21] Chandrasekaran, A., & Mahmood, Q. H. (2025). A review of large language models for automated test case generation. Systems, 7(3), 97. https://doi.org/10.3390/systems7030097

[22] Liu, D., Upadhyay, K., Chhetri, V., Siddique, A. B., & Farooq, U. (2026). A large-scale study on the development and issues of multi-agent AI systems. arXiv. https://arxiv.org/abs/2601.07136

[23] Riccio, V., Jahangirova, G., Stocco, A., Humbatova, N., Weiss, M., & Tonella, P. (2020). Testing machine learning–based systems: A systematic mapping. Empirical Software Engineering, 25(6), 5193–5254. https://doi.org/10.1007/s10664-020-09881-0

РОЗПОДІЛЕНІ ІНФОРМАЦІЙНІ СИСТЕМИ ЯК ОБ’ЄКТ КІБЕРЗАХИСТУ ТА ЗАГРОЗИ ЇХНЬОЇ БЕЗПЕКИ

Яскевич Юрій Владиславович (Yaskevych Yurii) — 2026-04-01

У статті розглянуто розподілені інформаційні системи (далі РІС) як складні об’єкти кіберзахисту, які функціонують в умовах цілеспрямованої протидії з боку раціонального противника. Доведено, що характерними особливостями чинних РІС є гетерогенність вузлів, зміна станів, варіативна мережева топологія, відсутність єдиного периметра безпеки та можливість каскадного поширення кібернетичних інцидентів. Обґрунтовано, що зазначені властивості істотно ускладнили застосування класичних статичних методів в завданні оцінювання ризиків та вибору засобів захисту інформації для РІС. Виконано аналіз сучасних типів атак на РІС. Узагальнення статистичних даних за 2024–2025 роки засвідчило тренд до зростання інтенсивності та складності атак на хмарні, корпоративні та критично важливі РІС (або КВС). Показано, що більшість наявних методів вибору засобів захисту РІС не враховують стратегічну поведінку нападника та обмеженість ресурсів сторони захисту. На основі аналізу літературних джерел сформульовано наукову проблему оптимального вибору засобів захисту розподілених інформаційних систем як інтегровану ігрово-оптимізаційну задачу. Обґрунтовано доцільність використання апарату теорії ігор у поєднанні з методами багатокритеріальної оптимізації для моделювання взаємодії між стороною захисту та противником. Запропонований концептуальний підхід дозволить на нашу думку врахувати архітектурну специфіку РІС, трансформацію її станів та стратегічні аспекти кібернетичної протидії. Все перелічене у підсумку створить підґрунтя для підвищення ефективності прийняття рішень у системах кіберзахисту. Отримані результати поточного аналітичного дослідження підтвердили потребу синтезу гібридного методу оптимального вибору засобів захисту РІС. Такий метод має поєднувати апарат теорії ігор для моделювання протидії раціональному противнику та методи багатокритеріальної оптимізації для вибору конфігурації засобів захисту в умовах обмежених ресурсів.

Ключові слова: розподілені інформаційні системи; кіберзахист; засоби захисту інформації; аналіз попередніх досліджень; ігрові моделі; багатокритеріальна оптимізація; стратегічна протидія; кіберзагрози.

Список використаної літератури

Dodonov, O. H., Nykyforov, O. V., Putiatin, V. H., Dodonov, V. O., Kutsenko, S. A., & Hermaniuk, A. P. (2024). Territorial-distributed information computer systems in a unified information space: Basic concepts and definitions. Data Registration, Storage and Processing, 26(1), 89–112.
Barabash, O., Makarchuk, A., & Salanda, I. (2024). Study of the probabilistic indicator of functional stability of distributed information systems. Measuring and Computing Devices in Technological Processes, 1, 45–50.
Lienkov, S., Dzhulii, V., Muliar, I., Lienkov, Ye., & Koltsov, R. (2025). Evaluation of the effectiveness of confidential information protection systems in distributed information systems. Cybersecurity: Education, Science, Technique, 1(29), 628–644.
Heryak, Yu., & Berko, A. (2024). A system of criteria for assessing data quality in distributed information systems. Information Systems and Networks, 16, 191–202.
Bozhko, V. I., & Okhrimenko, O. H. (2006). Methodology for evaluating the functional stability of the structure of distributed information systems of critical application. Radioelectronic and Computer Systems, 7, 68–71.
Romaniv, R. S., & Bandurka, O. I. (2024). Methods for ensuring the functional stability of distributed information systems for monitoring vehicle movement using blockchain technology. Information Technologies and Automation 2024, 221.
Palko, D. V., & Myrutenko, L. V. (n.d.). Method for constructing a profile of key cybersecurity risk factors of modern distributed information systems. Ukrainian Information Security Research Journal, 26(2), 236–252.
Ziegler, K. (1979). A distributed information system study. IBM Systems Journal, 18(3), 374–401.
Björk, B. C. (2007). A model of scientific communication of a global distributed information system.
Pleskach, V., Pleskach, M., & Zelikovska, O. (2019). Information security management system in distributed information systems. In 2019 IEEE International Conference on Advanced Trends in Information Theory (ATIT) (pp. 300–303). IEEE.
Kim, D., & Solomon, M. G. (2013). Fundamentals of information systems security. Jones & Bartlett.
Mitra, S., & Ransbotham, S. (2012). The effects of information disclosure policy on the diffusion of security attacks. In Proceedings of the International Conference on Information Systems (ICIS 2012).
Riskhan, B., Safuan, H. A. J., Hussain, K., Elnour, A. A. H., Abdelmaboud, A., Khan, F., & Kundi, M. (2023). An adaptive distributed denial-of-service attack prevention technique in a distributed environment. Sensors, 23(14), 6574.
Cybersecurity and Infrastructure Security Agency (CISA), Federal Bureau of Investigation (FBI), & Multi-State Information Sharing and Analysis Center (MS-ISAC). (2024). CISA, FBI, and MS-ISAC release update to joint guidance on distributed denial-of-service techniques.
Abouzakhar, N. S., & Manson, G. A. (2002). An intelligent approach to prevent distributed systems attacks. Information Management & Computer Security, 10(5), 203–209.
Reddy, R. P. (2024). A survey of distributed denial-of-service (DDoS) attack mitigation techniques. International Journal of Computer Trends and Technology, 72(12), 69–77.
Mahjabin, T., Xiao, Y., Sun, G., & Jiang, W. (2017). A survey of distributed denial-of-service attack, prevention, and mitigation techniques. International Journal of Distributed Sensor Networks, 13(12), 1550147717741463.
Microsoft Corporation. (2025). Microsoft digital defense report 2025: Understanding the threat landscape.
Check Point Research. (2025). The state of global cyber security 2025: Annual report. Check Point Software Technologies Ltd.
Cloud Security Alliance. (2025). Top threats to cloud computing: Deep dive 2025.
Cloudflare. (2025). DDoS threat report for 2025 Q1: Trends and insights.
IBM Security. (2025). Cost of a data breach report 2025. IBM Corporation.
KELA Research. (2025). Ransomware in critical infrastructure: 2025 global analysis.
UK Department for Business, Innovation & Skills. (2012). 10 steps to cyber security: Executive companion.
MWR InfoSecurity. (2013). Mobile devices: Guide for implementers.
European Union Agency for Cybersecurity (ENISA). (2012). Consumerization of IT: Risk mitigation strategies.
Osadchyi, V. V. (2018). Modern trends in informatics and cybernetics. In Information technologies in education, science and technology: Proceedings of the IV International scientific and practical conference (pp. 221–224).
Olalere, M., Abdullah, M. T., Mahmod, R., & Abdullah, A. (2015). A review of bring your own device on security issues. SAGE Open, 5(2), 2158244015580372.
Yevseyeva, I., Basto-Fernandes, V., Emmerich, M., & Van Moorsel, A. (2015). Selecting optimal subset of security controls. Procedia Computer Science, 64, 1035–1042.
Diéguez, M., Cares, C., Cachero, C., & Hochstetter, J. (2023). MASISCo—Methodological approach for the selection of information security controls. Applied Sciences, 13(2), 1094.
Yaskevych, Yu. (2025). Game-theoretic optimization model for selecting protection means for distributed information systems. Cybersecurity: Education, Science, Technique, 2(30), 715–726. https://doi.org/10.28925/2663-4023.2025.30.913

МОДЕЛЮВАННЯ ТА РЕАЛІЗАЦІЯ АТАК СОЦІАЛЬНОЇ ІНЖЕНЕРІЇ

Коршун Наталія Володимирівна (Nataliia Korshun) — 2026-04-01

Соціотехнічні атаки, зокрема фішингові, залишаються однією з найпоширеніших загроз інформаційній безпеці, оскільки вони експлуатують когнітивні упередження користувачів поряд із технічними вразливостями систем. Людина як найслабша ланка в системі безпеки стає основною мішенню для маніпуляцій, що базуються на її емоціях, довірі чи недостатній обізнаності. Соціальна інженерія виступає первинним вектором, що відкриває шлях для технічних методів, утворюючи єдину атаку. У контексті сучасних викликів, наприклад, під час гібридних війн зловмисники можуть використовувати соціальну інженерію для поширення дезінформації, поєднавши цей процес з технічними атаками на критичну інфраструктуру. Це робить такі атаки загрозою для національної безпеки, вимагаючи інтеграції психологічних і технологічних стратегій захисту. Захист від соціотехнічних атак вимагає комплексного підходу, що включає освіту персоналу, симуляцію атак та використання автоматизованих систем виявлення У статті розглядається моделювання та практична реалізація симуляції фішингових атак із застосуванням платформи GoPhish. Представлено методику проєктування кампаній, яка включає створення шаблонів повідомлень, налаштування кампаній, автоматизований збір та моніторинг поведінки користувачів у реальному часі. Дані, отримані під час симуляцій, аналізуються для виявлення поведінкових патернів і оцінки вразливості окремих підрозділів організації. На основі результатів формуються рекомендації щодо підвищення ефективності багаторівневого захисту, який інтегрує дані з кількох кампаній, забезпечуючи довготривалий моніторинг і зниження ризику атак. Використання автоматизованих платформ для симуляції фішингових кампаній створює контрольоване середовище для вивчення соціальної інженерії, що сприяє як проведенню досліджень, так і підвищенню обізнаності користувачів.

Ключові слова: кібербезпека; соціальна інженерія; фішинг; атака; вразливість.

Список використаної літератури

Wang, Z., Sun, L., & Zhu, H. (2020). Defining social engineering in cybersecurity. IEEE Access, 8, 85094–85115. https://doi.org/10.1109/access.2020.2992807
Wang, Z., Zhu, H., Liu, P., & Sun, L. (2021). Social engineering in cybersecurity: A domain ontology and knowledge graph application examples. Cybersecurity, 4(1). https://doi.org/10.1186/s42400-021-00094-6
Siddiqi, M., Pak, W., & Siddiqi, M. (2022). A study on the psychology of social engineering-based cyberattacks and existing countermeasures. Applied Sciences, 12(12), 6042. https://doi.org/10.3390/app12126042
Salahdine, F., & Kaabouch, N. (2019). Social engineering attacks: A survey. Future Internet, 11(4), 89. https://doi.org/10.3390/fi11040089
Akyesilmen, N., & Alhosban, A. (2024). Non-technical cyber-attacks and international cybersecurity: The case of social engineering. Gaziantep University Journal of Social Sciences, 23(1), 342–360. https://doi.org/10.21547/jss.1346291
Aldawood, H., & Skinner, G. (2020). An advanced taxonomy for social engineering attacks. International Journal of Computer Applications, 177(30), 1–11. https://doi.org/10.5120/ijca2020919744
Chen, F., Wu, T., Nguyen, V., & Rudolph, C. (2025). SoK: Large language model-generated textual phishing campaigns—End-to-end analysis of generation, characteristics, and detection. arXiv. https://doi.org/10.48550/arXiv.2508.21457
Khadka, K., Ullah, A. B., Ma, W., & Martinez Marroquin, E. (2024). A survey on the principles of persuasion as a social engineering strategy in phishing. arXiv. https://doi.org/10.48550/arXiv.2412.18488
Schmitt, M., & Flechais, I. (2024). Digital deception: Generative artificial intelligence in social engineering and phishing. Artificial Intelligence Review. https://doi.org/10.1007/s10462-024-10973-2
Santosa Pohan, D., Irfan, D., Fitriyani, I. N., Hasibuan, Y. I. M., & Chayani, I. (2025). Simulation and detection of phishing attacks on student academic emails using social engineering techniques. International Journal of Health Engineering and Technology, 2(4). https://doi.org/10.55227/ijhet.v2i4.283
Marchenko, V. V., Chaikivskyi, V. V., & Pryima, O. O. (2024). Method for increasing personnel awareness of information security using the GoPhish software application. Systemy i tekhnolohii zviazku, informatyzatsii ta kiberbezpeky, 1(6), 116–126. https://doi.org/10.58254/viti.6.2024.09.116
Bokhonko, O., & Lysenko, S. (2025). Models of social engineering attacks. Measuring and Computing Devices in Technological Processes, 1, 432–444. https://doi.org/10.31891/2219-9365-2025-81-55
Haidur, H. I., Hakhov, S. O., Marchenko, V. V., & Haidur, K. V. (2024). Conceptual model for detecting phishing attacks based on support vector machine methods. Suchasnyi zakhyst informatsii, 2, 24–33. https://doi.org/10.31673/2409-7292.2024.020003
The human factor in cybersecurity: Understanding psychology, training efficacy, and error reduction strategies. (2025). ResearchGate. https://www.researchgate.net/publication/387971383
Kim, S. (n.d.). Cognitive biases in social engineering attacks: Implications for user training. Journal of Cybersecurity Research, 9(2), 150–165.
Sokolov, V. Yu., & Kurbanmuradov, D. M. (2018). Methodology for counteracting social engineering at information activity objects. Cybersecurity: Education, Science, Technique, 1(1), 6–16.

ПРИНЦИПИ ТА АРХІТЕКТУРНІ ПІДХОДИ ДО ПОБУДОВИ ІНТЕЛЕКТУАЛЬНОЇ АДАПТИВНОЇ НАВЧАЛЬНОЇ ПЛАТФОРМИ З ПЕРСОНАЛІЗОВАНОЮ ВЗАЄМОДІЄЮ НА ОСНОВІ ШІ

Скочинський Богдан Дмитрович (Skochynskyi Bogdan) — 2026-04-01

У статті досліджено принципи та архітектурні підходи до побудови інтелектуальних адаптивних навчальних платформ із персоналізованою взаємодією на основі технологій штучного інтелекту. Актуальність роботи зумовлена зростанням ролі цифрових освітніх середовищ, потребою в індивідуалізації навчання та обмеженістю традиційних підходів до управління освітнім контентом. Проаналізовано сучасні наукові праці у сфері адаптивного навчання, AI-driven освітніх систем, гейміфікації та аналітики навчальних даних, що дозволило виокремити ключові тенденції розвитку інтелектуальних платформ. Систематизовано базові принципи побудови таких систем: персоналізація, динамічна адаптація контенту, моделювання учня, безперервний аналіз поведінкових даних, оперативний зворотний зв’язок, пояснюваність рішень ШІ та гейміфікована мотивація. Розглянуто архітектурні підходи до реалізації адаптивних платформ, зокрема модульні, data-driven, AI-орієнтовані та гнучкі runtime-архітектури, що забезпечують масштабованість і перебудову системи під час експлуатації. Запропоновано узагальнену гібридну архітектуру інтелектуальної адаптивної навчальної платформи, яка поєднує модель учня, доменну модель знань, механізми адаптації, аналітичний контур та підсистему персоналізованої взаємодії. Практичне значення результатів полягає у можливості використання запропонованих підходів під час проектування сучасних освітніх платформ, систем дистанційного навчання та інтелектуальних тьюторських систем. Отримані узагальнення формують теоретичну основу для подальших досліджень у галузі інтелектуальних освітніх технологій.

Ключові слова: адаптивне навчання, інтелектуальні навчальні системи, персоналізація навчання, штучний інтелект, модель учня, гейміфікація, аналітика навчальних даних, адаптивні інтерфейси, освітні платформи.

Список використаної літератури:

Gligorea, I., Cioca, M., Oancea, R., Gorski, A.-T., Gorski, H., & Tudorache, P. Adaptive Learning Using Artificial Intelligence in e-Learning: A Literature Review. Education Sciences, 13(12), 2023, 1216. DOI: 10.3390/educsci13121216.
Chen, X., Xie, H., Zou, D., Hwang, G.-J. Application and theory gaps during the rise of AI in Education. Computers and Education: Artificial Intelligence, 1, 2020, 100002. DOI: 10.1016/j.caeai.2020.100002
Kabudi, T., Pappas, I., Olsen, D. AI-enabled Adaptive Learning Systems: A Systematic Mapping of the Literature. Computers and Education: Artificial Intelligence. 2021, 2. 100017. 10.1016/j.caeai.2021.100017.
Xiao, J. Q. (2013) Research on Student Model of Adaptive Learning System Based on Semantic Web, Advanced Materials Research, 2013, Vol. 739, P. 562–565.
Swacha, J.; Gracel, M. (2023). Machine Learning in Gamification and Gamification in Machine Learning: A Systematic Literature Mapping. Applied Sciences. 13. 11427. 10.3390/app132011427.
Khakpour, A.; Colomo-Palacios, R. (2021). Convergence of Gamification and Machine Learning: A Systematic Literature Review. Technology, Knowledge and Learning. 26. 10.1007/s10758-020-09456-4.
Abu Saa, A.; Al-Emran, M.; Shaalan, K. (2019). Factors afecting students’ performance in higher education: A systematic review of predictive data mining techniques. Technology, Knowledge and Learning, 24, 567–598. https://doi.org/10.1007/s10758-019-09408-7.
Artamonov Y., Golovach I., Krant D., Rosinska H., Nechyporuk O., Stanko S. Dynamic Content Generation Methods Based on User Behavioral Ranking, 2022 IEEE 4th International Conference on Advanced Trends in Information Theory (ATIT), Kyiv, Ukraine, 2022, pp. 313-318, doi: https://doi.org/10.1109/ATIT58178.2022.10024196.
Pliakos K., Joo S.-H., Park J.Y., Cornillie F., Vens S., Van den Noortgate W. Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems, Computers & Education, Volume 137, 2019, pp. 91-103. https://doi.org/10.1016/j.compedu.2019.04.009.
Acharya, S.; Matovu, R.; Serwadda, A.; Griswold-Steiner, I. (2019). Gamifcation of wearable data collection: A tool for both friend and foe. In Proceedings of the 2019 3rd international conference on compute and data analysis (pp. 68–77). ICCDA 2019. Kahului, HI, USA: Association for Computing Machinery. https://doi.org/10.1145/3314545.3314572.
Khajah, M. M.; Roads, B. D.; Lindsey, R. V.; Liu, Y.-E.; Mozer, M. C. (2016). Designing engaging games using bayesian optimization. In Proceedings of the 2016 CHI conference on human factors in computing systems (pp. 5571–5582). CHI’16. San Jose, California, USA: Association for Computing Machinery. https://doi.org/10.1145/2858036.2858253.
Artamonov, Y.; Okhrimenko, T.; Golovach, I.; Krant D.; Radchenko, A., Radchenko K., Zaloznyi T. Adaptive user interfaces based on behavioral analysis. Proceedings of the Third International Conference on Cyber Hygiene & Conflict Management in Global Information Networks (Kyiv, Ukraine, January 24-27, 2024). 2024. pp. 205-214. https://ceur-ws.org/Vol-3925/paper17.pdf
Hsu, C.L.; Chen, M.C. (2018) How does gamification improve user experience? An empirical investigation on the antecedences and consequences of user experience and its mediating role. Technol. Forecast. Soc. Chang. 2018, 132, 118–129. https: //doi.org10.1016/j.techfore.2018.01.023.
Fedytskyi, R. Dynamic Frontend Architecture for Runtime Component Versioning and Feature Flag Resolution in Regulated Applications. Software, 2025, 4(4), p. 32. https://doi.org/10.3390/software4040032
Скочинський, Б. Д. Можливості гейміфікації навчання з використанням технологій штучного інтелекту // Perspectives of contemporary science: theory and practice. Proceedings of the 7th International scientific and practical conference. SPC “Sci-conf.com.ua”. Lviv, Ukraine. 2024. pp. 228-234. URL: https://sci-conf.com.ua/vii-mizhnarodna-naukovo-praktichna-konferentsiya-perspectives-of-contemporary-science-theory-and-practice-19-21-08-2024-lviv-ukrayina-arhiv/.

МЕТОД ВИЗНАЧЕННЯ ЕФЕКТИВНОСТІ ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ МУЛЬТИМОДАЛЬНИХ ІНФОРМАЦІЙНИХ СИСТЕМ РОЗПІЗНАВАННЯ ОБРАЗІВ НА ОСНОВІ ЕКСПЕРТНОГО ОЦІНЮВАННЯ

Гнатієнко Олексій Григорович (Hnatiienko Oleksii) — 2026-04-01

У статті запропоновано метод визначення ефективності забезпечення функціональної стійкості мультимодальних інформаційних систем розпізнавання образів, які функціонують в умовах невизначеності, завад та часткової деградації сенсорних даних. Актуальність дослідження зумовлена необхідністю комплексного оцінювання ефективності таких систем, що працюють у динамічних середовищах із обмеженими ресурсами та нестабільними каналами передачі інформації. Запропонований підхід базується на формуванні профілю часткових показників, які характеризують ключові аспекти функціональної стійкості, зокрема точність розпізнавання, латентність прийняття рішень, робастність до шумів, стійкість до втрати сенсорних модальностей, енергетичну ефективність та адаптивність алгоритмів машинного навчання. Метод передбачає використання інтервального експертного оцінювання, що дозволяє врахувати нечіткість та варіативність суджень фахівців без жорсткої нормалізації вихідних даних. Для агрегування результатів застосовано метод нашарування, який забезпечує коректне поєднання різнорідних показників та мінімізацію втрат інформації. Апроксимація результатів здійснюється за допомогою трапецієподібних функцій належності, що дозволяє формалізувати нечіткі оцінки та перейти до інтегрального показника ефективності. Проведений обчислювальний експеримент підтвердив можливість отримання узагальненого кількісного критерію оцінювання функціональної стійкості системи. Практичне значення результатів полягає у можливості використання розробленого методу для порівняльного аналізу альтернативних архітектурних і алгоритмічних рішень у мультимодальних системах розпізнавання образів та бездротових сенсорних мережах.

Ключові слова: функціональна стійкість, мультимодальна інформаційна система розпізнавання образів, бездротова сенсорна мережа, експертне оцінювання, нечіткі множини, інтегральний показник.

Список використаної літератури

Бойко, Ю. М., Дружинін, В. А., & Толюпа, С. В. (2018). Теоретичні аспекти підвищення завадостійкості й ефективності обробки сигналів в радіотехнічних пристроях та засобах телекомунікаційних систем за наявності завад. Київ: Логос.
Бойко, Ю. М., Полікаровських, О. І., Ткачук, В. П., & Карпова, Л. В. (2023). Програмно-конфігуровані системи передавання, приймання та обробки інформації. Хмельницький: ХНУ.
Толюпа, С. В. (2012). Метод багатокритеріального аналізу ефективності функціонування та забезпечення інформаційної безпеки інфокомунікаційних систем. Захист інформації, 14(3), 81–86. https://doi.org/10.18372/2410-7840.14.3371
Гнатієнко, О. (2025). Схема визначення ефективності забезпечення функціональної стійкості організаційних систем. У В. Є. Снитюк (Ред.), Інтелектуальні рішення-S: Матеріали міжнародного симпозіуму (с. 80–82). Київ: Каравела.
Гнатієнко, Г. М., & Гнатієнко, О. Г. (2024). Метод визначення нечітких значень відносної важливості характеристик альтернатив з використанням способу нашарування. Науковий вісник Ужгородського університету. Серія: Математика і інформатика, 45(2), 172–187. https://doi.org/10.24144/2616-7700.2024.45(2).172-187
Pan, B., Hirota, K., Jia, Z., & Dai, Y. (2023). A review of multimodal emotion recognition from datasets, preprocessing, features, and fusion methods. Neurocomputing, 561, 126866. https://doi.org/10.1016/j.neucom.2023.126866
Zhang, S., Yang, Y., Chen, C., Zhang, X., Leng, Q., & Zhao, X. (2024). Deep learning-based multimodal emotion recognition from audio, visual, and text modalities: A systematic review. Expert Systems with Applications, 237, 121692. https://doi.org/10.1016/j.eswa.2023.121692
Chen, X., et al. (2022). Analysis of multimodal data fusion from an information theory perspective. Information Sciences, 608, 1030–1045.
Abdullah, M., et al. (2023). Enhanced multimodal biometric recognition systems based on deep learning techniques. Sensors, 23.
Liu, W., Qiu, J., Zheng, W., & Lu, B. (2021). Comparing recognition performance and robustness of multimodal deep learning models for emotion recognition. IEEE Transactions on Cognitive and Developmental Systems, 14, 715–729.

ГІБРИДНИЙ ПРОТОКОЛ МАРШРУТИЗАЦІЇ ДЛЯ БЕЗПРОВОДОВИХ MESH-МЕРЕЖ

Джусь Олексій Петрович (Oleksii P. Dzhus) — 2026-04-01

Ефективність безпроводових mesh-мереж критично залежить від протоколу маршрутизації канального рівня, який працює з MAC-адресами та повинен адаптуватися до змінної топології, інтерференції, характеру трафіку та вимог якості обслуговування. В роботі проаналізовані існуючі методи гібридизації маршрутизації в mesh-мережах, визначено вимоги до L2-протоколурозроблено архітектуру гібридного протоколу, що включає модуль виявлення сусідів, сформулювано оптимізаційну задачу максимізації сумарної корисності маршруту за лінійними обмеженнями QoS, виконано математичний аналіз середньої затримки доставки, контрольного навантаження, часу конвергенції, допустимого навантаження та умов стабільності з використанням експоненційного згладжування метрик для запобігання «мерхтінню» режимів, виявлено слабкі місця протоколу та визначити перспективи вдосконалення. Запропонований протокол обмежує проактивну зону, забезпечуючи лінійне масштабування локального трафіку OGM і квадратичне – лише для періодичних глобальних оновлень. Математичні моделі дозволяють розрахувати середню затримку як зважену суму залежно від ймовірності проактивного режиму, загальне контрольне навантаження, час конвергенції та умови стабільності. Теоретичні розрахунки демонструють зменшення накладних витрат на 50–80% порівняно з BATMAN у великих мережах, швидшу локальну конвергенцію, кращу адаптацію до трафіку та повноцінну підтримку QoS. Порівняння з іншими протоколами підтверджує переваги у мобільних і гетерогенних сценаріях. Можливі тимчасові петлі при перемиканні режимів (ймовірність ~0,1 при високій мобільності), залежність від точності метрик, підвищена складність реалізації, обчислювальні витрати на IoT-пристроях та відсутність вбудованої криптографії (вразливість до атак типу «чорна діра», DoS). Отримані результати свідчать, що HMP є ефективним рішенням для високонавантажених динамічних mesh-мереж.

Ключові слова: mesh-мережа, гібридна маршрутизація, BATMAN, HWMP, протокол L2, QoS.

Список використаної літератури

Джусь, О., & Лобур, М. (2025). Аналіз стану та проблем функціонування безпроводових ad hoc та mesh мереж. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 2(30), 727–751. https://doi.org/10.28925/2663-4023.2025.30.914
Chang, R., Chen, W., & Wen, Y. (2003). Hybrid Wireless Network Protocols. IEEE Trans. Veh. Technol., 52, 1099–1109. https://doi.org/10.1109/tvt.2002.807126
Long, Y., Huang, G., Tang, D., Zhao, S., & Liu, G. (2021). Achieving High Throughput in Wireless Networks With Hybrid Backscatter and Wireless-Powered Communications. IEEE Internet Things J., 8, 10896–10910. https://doi.org/10.1109/jiot.2021.3051344
Kim, S., & Kim, D. (2017). Hybrid Backscatter Communication for Wireless-Powered Heterogeneous Networks. IEEE Trans. Wirel. Commun., 16, 6557–6570. https://doi.org/10.1109/twc.2017.2725829
Attar, H., Solyman, A., Alrosan, A., Chakraborty, C., & Khosravi, M. (2021). Deterministic Cooperative Hybrid Ring-Mesh Network Coding for Big Data Transmission over Lossy Channels in 5G Networks. EURASIP J. Wirel. Commun. Netw., 2021. https://doi.org/10.1186/s13638-021-02032-z
Yang, K., J., & Miao, Z. (2009). Hybrid Routing Protocol for Wireless Mesh Network. In 2009 Int. Conf. on Computational Intelligence and Security, 1, 547–551. https://doi.org/10.1109/cis.2009.48
Triviño, A., Ariza, A., Casilari, E., & Cano, J. (2013). Cooperative Layer-2 based Routing Approach for Hybrid Wireless Mesh Networks. China Commun., 10, 88–99. https://doi.org/10.1109/cc.2013.6633748
Chai, Y., Shi, W., Shi, T., & Yang, X. (2017). An Efficient Cooperative Hybrid Routing Protocol for Hybrid Wireless Mesh Networks. Wirel. Netw., 23, 1387–1399. https://doi.org/10.1007/s11276-016-1229-8
Gunasekaran, K., Verma, S., Johnsana, J., Tamilarasan, N., & Sahayaraj, J. (2024). An Innovative Regional Condition Hybrid Routing Protocol Accessing in Wireless Networks. In 2024 9th Int. Conf. on Communication and Electronics Systems (ICCES), 647–652. https://doi.org/10.1109/icces63552.2024.10860076
Huang, T., & Li, Y. (2021). Quality of Service (QoS)-based Hybrid Optimization Algorithm for Routing Mechanism of Wireless Mesh Network. Sens. Mater. https://doi.org/10.18494/sam.2021.3383
Bae, S., & Ko, Y. (2010). Efficient Layer-2 Multicasting for IEEE 802.11s based Wireless Mesh Networks. In 2010 2nd Int. Conf. on Ubiquitous and Future Networks (ICUFN), 109–114. https://doi.org/10.1109/icufn.2010.5547223
Singh, M., & Talasila, V. (2015). A Practical Evaluation for Routing Performance of BATMAN-ADV and HWMN in a Wireless Mesh Network Test-Bed. In 2015 Int. Conf. on Smart Sensors and Systems (IC-SSS), 1–6. https://doi.org/10.1109/smartsens.2015.7873617
Jiang, H., Lu, L., Han, G., Wang, H., S., & Sun, R. (2018). Routing Algorithm for Supporting Data-Differentiated Service in Hybrid Wireless Mesh Networks in Underground Mines. Int. J. Distrib. Sens. Netw., 14. https://doi.org/10.1177/1550147718812024
Nanda, A., Nanda, P., He, X., Jamdagni, A., & Puthal, D. (2020). A Hybrid Encryption Technique for Secure-GLOR: The Adaptive Secure Routing Protocol for Dynamic Wireless Mesh Networks. Future Gener. Comput. Syst., 109, 521–530. https://doi.org/10.1016/j.future.2018.05.065
Ganta, S., Malleswara, N., & Nallamothu, R. (2025). A Dynamic Integrity and Data Confidentiality based Wireless N2N Data Communication and Security Protocol on Large Networks. Int. J. Comput. Exp. Sci. Eng. https://doi.org/10.22399/ijcesen.720
Yevseiev, S., Milevskyi, S., Sokol, V., Yemanov, V., Volobuiev, A., Dakova, L., Brailovskyi, M., Rahimova, I., Kravchenko, V., & Cherniavskiy, O. (2024). Development of Functionality Principles for the Automated Data Transmission System through Wireless Communication Channels to Ensure Information Protection. East.-Eur. J. Enterpr. Technol. https://doi.org/10.15587/

ОНТОЛОГІЧНА ЕКСПЕРТНА СИСТЕМА ДЛЯ ВИЗНАЧЕННЯ ВРАЗЛИВИХ КОМПОНЕНТІВ У СИСТЕМАХ БЕЗПЕКИ ОБ’ЄКТІВ КРИТИЧОЇ ІНФРАСТРУКТУРИ

Розломій Інна Олександрівна (Rozlomii Inna) — 2026-04-01

У статті представлено онтологічну експертну систему, призначену для автоматизованого виявлення вразливих компонентів у системах безпеки об’єктів критичної інфраструктури. Рішення побудовано на основі використання онтологій як формального засобу подання знань, що дозволяє семантично описувати структуру системи, типи загроз, можливі вектори атак, наслідки компрометації та відповідні контрзаходи. На відміну від традиційних методів аналізу, що зазвичай використовують фіксовані правила або ручну інтерпретацію ризиків, онтологічна модель забезпечує логічне виведення нових знань на основі взаємозв’язків між об’єктами, враховуючи як структурні, так і контекстуальні залежності.

Актуальність дослідження зумовлена складністю сучасних інфраструктурних систем і обмеженнями існуючих методів оцінювання, які не завжди дозволяють масштабувати модель, враховувати специфіку конкретного об’єкта або пояснювати отримані результати. Архітектура системи включає п’ять основних модулів: онтологічну базу знань (у форматі OWL), модуль логічного виведення на основі правил SWRL, інтерфейс користувача для введення даних і візуалізації результатів, базу даних вразливостей і загроз (зокрема CVE, STRIDE), а також модуль оновлення знань.

У межах кейс-стаді досліджено змодельований об’єкт енергетичної інфраструктури, що дозволило перевірити здатність системи виявляти складні ланцюги вразливостей з високою точністю. Було проаналізовано компоненти системи, виявлено програмне забезпечення з відомими вразливостями, ідентифіковано ризики та запропоновано рекомендації щодо їх усунення. Проведене тестування продемонструвало переваги онтологічного підходу порівняно з традиційним аналізом за такими критеріями, як точність, швидкість і пояснюваність результатів. Отримані результати підтверджують практичну цінність розробленої системи для підвищення стійкості об’єктів критичної інфраструктури до кібератак та обґрунтовують доцільність подальших досліджень у напрямі інтеграції з системами моніторингу та розширення онтологічної моделі.

Ключові слова: онтологія, експертна система, вразливості, критична інфраструктура, логічне виведення, кібербезпека.

Список використаної літератури

Barabash, O., Sobchuk, V., Musienko, A. et al. System analysis and method of ensuring functional sustainability of the information system of a critical infrastructure object. System Analysis and Artificial Intelligence. 2023. P. 177-192. URL: https://doi.org/10.1007/978-3-031-37450-0_11
Батюк, О., & Данилівський, Л. (2025). Забезпечення безпеки об’єктів критичної інфраструктури як складова національної безпеки: вітчизняний та міжнародний досвід. Society and Security, (6(6), 83–89. URL: https://doi.org/10.26642/sas-2024-6(6)-83-89
Lehto, M. Cyber-attacks against critical infrastructure. Cyber security: Critical infrastructure protection. 2022. P. 3-42. URL: https://doi.org/10.1007/978-3-030-91293-2_1
Vesić, S., Bjelajac, M. Cyber security of a critical infrastructure. Pravo-teorija i praksa. 2023. Vol. 40(2) P. 77-88. URL: https://www.ceeol.com/search/article-detail?id=1166617
Zahedi, F. M., Chen, Y., Zhao, H. Ontology-based intelligent interface personalization for protection against phishing attacks. Information Systems Research. 2024. Vol. 35(3). P. 1463-1478. URL: https://doi.org/10.1287/isre.2021.0065
Martins, B. F., Serrano Gil, L. J., Reyes Roman, J. F. et al. A framework for conceptual characterization of ontologies and its application in the cybersecurity domain. Software and Systems Modeling. 2022. Vol. 21(4). P. 1437-1464. URL: https://doi.org/10.1007/s10270-022-01013-0
Gorda, M., Levshun, D. Formalizing Knowledge on Vulnerabilities and Threats: An Ontological Approach Based on the FSTEC VDB. International Conference on Intelligent Information Technologies for Industry, November, 2025. P. 53-64. URL: https://doi.org/10.1007/978-3-032-13615-2_6
Kordi, M., Maunero, N. Ontology-driven Threat Modeling Analysis of CPSs. CSR: 2025 IEEE International Conference on Cyber Security and Resilience, August, 2025. P. 600-605. URL: https://doi.org/10.1109/CSR64739.2025.11129998
Gavric, N., Shalaginov, A., Andrushevich, A., Rumsch, A., Paice, A. Enhancing Security in International Data Spaces: A STRIDE Framework Approach. Technologies. 2024. Vol. 13(1). P. 8. URL: https://doi.org/10.3390/technologies13010008
Adach, M., Bucaioni, A., Ciccozzi, F. A Hybrid Ontology for Identifying Safety Hazards and Security Threats. ICSRS: 2024 8th International Conference on System Reliability and Safety, November, 2024. P. 667-676. URL: https://doi.org/10.1109/ICSRS63046.2024.10927510
Lupovici, A. Ontological security, cyber technology, and states’ responses. European Journal of International Relations. 2023. Vol. 29(1). P. 153-178. URL: https://doi.org/10.1177/1354066122113095
Babayeva, G., Maennel, K., Maennel, O. M. Building an ontology for cyber defence exercises. EUROS&PW: 2022 IEEE European Symposium on Security and Privacy Workshops, June, 2022. P. 423-432. URL: https://doi.org/10.1109/EuroSPW55150.2022.00050
Ayo, F. E., Awotunde, J. B., Ogundele, L. A., et al. Ontology-based layered rule-based network intrusion detection system for cybercrimes detection. Knowledge and Information Systems. 2024. Vol. 66(6). P. 3355-3392. URL: https://doi.org/10.1007/s10115-024-02068-9
Sinha, P. K., Gajbe, S. B., Debnath, S., et al. A review of data mining ontologies. Data Technologies and Applications. 2022. Vol. 56(2). P. 172-204. URL: https://doi.org/10.1108/DTA-04-2021-0106
Yang, S., Farag, M. M. G. Ontologies. Digital Library Technologies: Complex Objects, Annotation, Ontologies, Classification, Extraction, and Security, 2022. P. 63-88. URL: https://doi.org/10.1007/978-3-031-02285-2_3

ОПТИМІЗАЦІЯ ЕНЕРГОСПОЖИВАННЯ ІНФРАСТРУКТУРИ МЕРЕЖІ 5G NEW RADIO В УМОВАХ ОБМЕЖЕНОГО ЕЛЕКТРОПОСТАЧАННЯ

Лях Ігор Михайлович (Liakh Ihor) — 2026-04-01

У статті розв’язано актуальну проблему підвищення енергетичної стійкості телекомунікаційної інфраструктури України в умовах воєнного стану та системного дефіциту потужності в енергосистемі. Обґрунтовано, що впровадження мереж 5G New Radio (NR) супроводжується зростанням енергоспоживання, що потребує переходу від екстенсивного нарощування парку акумуляторів до інтелектуального управління станами спокою базових станцій.

Метою дослідження є розробка концептуальної схеми адаптивного управління енергоспоживанням мережі 5G NR для забезпечення її максимальної автономності під час блекаутів. У роботі проведено аналіз специфікацій 3GPP, зокрема концепції «Lean Carrier Design» та багаторівневих режимів «Advanced Sleep Modes» (Micro, Light, Deep Sleep, Hibernation), що дозволяють знизити споживання підсистеми радіодоступу (RAN), на яку припадає близько 70-80% енерговитрат об’єкта.

Методологія дослідження базується на синтезі методів машинного навчання та аналізу великих масивів статистичних даних НКЕК за 2022–2024 роки. Запропоновано децентралізовану архітектуру федеративного навчання (Federated Learning), яка дозволяє об’єктам критичної інфраструктури навчатися колективно на основі локальних профілів трафіку, зберігаючи конфіденційність даних. Для точного прогнозування стану заряду (SOC) літій-залізо-фосфатних (LiFePO4) акумуляторів використано рекурентні нейронні мережі (ResLSTM).

Результати дослідження підтверджують, що використання запропонованої моделі дозволяє змінити профіль розряду 385 551 груп АКБ, зафіксованих у мережах України. Порівняльний аналіз показав, що впровадження федеративного навчання забезпечує приріст часу автономної роботи на 44-180% у критичних сценаріях, зокрема пролонгуючи роботу сервісів до понад 20 годин у період блекаутів. Це дозволяє не лише виконувати нормативні вимоги щодо 72 годин стійкості, а й суттєво подовжує життєвий цикл акумуляторних систем шляхом зменшення глибини розряду (DoD).

Висновки підкреслюють, що технологічний стек 5G NR у поєднанні з інтелектуальними алгоритмами стає стратегічним елементом енергетичної безпеки національної телеком-мережі. Подальші дослідження спрямовані на інтеграцію відновлюваних джерел енергії та адаптацію моделі до архітектур Beyond 5G/6G.

Ключові слова: енергоефективність, федеративне навчання, LiFePO4 акумулятори, Lead-Acid акумулятори, стійкість інфраструктури, ResLSTM, QoS.

Список використаної літератури

Lin, X. (2023). An overview of the 3GPP study on artificial intelligence for 5G new radio. ArXiv. https://doi.org/10.48550/arXiv.2308.05315
Lin, X. (2023). An overview of the 3GPP study on artificial intelligence for 5G new radio. ArXiv. López-Pérez, D., Domenico, A.D., Piovesan, N., Baohongqiang, H., Geng, X., Song, Q., & Debbah, M. (2021). A Survey on 5G Energy Efficiency: Massive MIMO, Lean Carrier Design, Sleep Modes, and Machine Learning. ArXiv, https://api.semanticscholar.org/CorpusID:231718616
López-Pérez, D., Domenico, A.D., Piovesan, N., Baohongqiang, H., Geng, X., Song, Q., & Debbah, M. (2021). A Survey on 5G Energy Efficiency: Massive MIMO, Lean Carrier Design, Sleep Modes, and Machine Learning. ArXiv, https://api.semanticscholar.org/CorpusID:231718616
Samorzewski, A., Deruyck, M., & Kliks, A. (2023). Energy consumption in RES-aware 5G networks. In Proceedings of the 2023 IEEE Global Communications Conference (GLOBECOM) (pp. 1024-1029). IEEE. https://doi.org/10.1109/GLOBECOM54140.2023.10437451
Ichimescu, A., Popescu, N., Popovici, E. C., & Toma, A. (2024). Energy Efficiency for 5G and Beyond 5G: Potential, Limitations, and Future Directions. Sensors (Basel, Switzerland), 24(22), 7402. https://doi.org/10.3390/s24227402
Річний звіт НКЕК за 2022 рік. Офіційний вебсайт НКЕК. https://nkek.gov.ua/pro-nkek/zvity-nkek/richnyi-zvit-za-2022-rik
Річний звіт НКЕК за 2023 рік. Офіційний вебсайт НКЕК. https://nkek.gov.ua/pro-nkek/zvity-nkek/richnyi-zvit-za-2023-rik
Річний звіт НКЕК за 2024 рік. Офіційний вебсайт НКЕК. https://nkek.gov.ua/pro-nkek/zvity-nkek/richnyi-zvit-nkek-za-2024-rik
Li, X., Li, B., Guo, S., Sun, Z., Wang, Q., Du, T., Lin, P., & Zhang, D. (2023). Machine learning and IoT-based Li-ion battery cloud monitoring system for 5G base stations. Fractals, 31(06), 2340110. https://doi.org/10.1142/S0218348X23401102
Li, X., Li, B., Guo, S., Sun, Z., Wang, Q., Du, T., Lin, P., & Zhang, D. (2023). Machine learning and IoT-based Li-ion battery cloud monitoring system for 5G base stations. Fractals, 31(06), 2340110. https://doi.org/10.1142/S0218348X23401102
Choudhary, A., Kumar, G., Dhariwal, S., & Srivastava, G. (2024). Energy management of base station in 5G and B5G: Revisited. In 2024 International Conference on Knowledge Engineering and Communication Systems (ICKECS) (Vol. 1, pp. 1-5). IEEE. https://doi.org/10.1109/ICKECS61492.2024.10617248
Emma. (2024, April 13). LiFePO4 battery voltage chart: A comprehensive guide. Vatrer. https://www.vatrerpower.com/blogs/news/lifepo4-voltage-chart-a-comprehensive-guide?srsltid%3DAfmBOorbBn3ZwaUQBDBJPbOX-Rk-GoF5rrSUAnk8OGe3EkTBMlet8WP8

СТАБІЛЬНІСТЬ МОДЕЛЕЙ ГЛИБОКОГО ВИЯВЛЕННЯ ВТОРГНЕНЬ В УМОВАХ МАСОВАНИХ КІБЕРАТАК: СТРЕС-ТЕСТУВАННЯ ТА АРХІТЕКТУРНІ ОСОБЛИВОСТІ HYBRID AWRED

ДОВЖЕНКО Т. П. — 2026-04-01

Еволюція кіберзагроз досягла етапу, коли масовані DDoS-атаки та скоординована активність ботнетів здатні миттєво змінювати статистичний профіль мережевого трафіку, перетворюючи аномалію на домінуючий патерн поведінки. У критичних сценаріях, коли частка шкідливих пакетів сягає 50%, традиційні системи виявлення вторгнень (NIDS) на базі глибокого навчання втрачають ефективність. Фундаментальна гіпотеза методів Deep SVDD або DAGMM про рідкісність аномалій руйнується, що призводить до феномену «отруєння моделі»: нейромережа адаптується до щільного потоку атак, помилково сприймаючи його як нову норму. У цій роботі запропоновано комплексне вирішення проблеми адверсарної нестійкості - метод Hybrid AWRED. На відміну від існуючих підходів, наша архітектура базується на синергії трьох механізмів: адаптивного зважування помилок реконструкції, осцилюючої функції втрат та, що є вирішальним фактором, гібридизації вхідних даних.

Вперше для стабілізації глибокої мережі застосовано технологію «топологічного якоря» (Density-Aware Input Augmentation): стандартний вектор із 41 ознаки розширено до 42-х шляхом інтеграції оцінки локальної щільності, попередньо обчисленої алгоритмом kNN. Ця метрична ознака надає моделі орієнтир, незалежний від глобального розподілу, дозволяючи розрізняти щільні кластери легітимного трафіку та атак навіть за умови їх рівного співвідношення. Результати стрес-тестування на синтетичному наборі даних «Hard Mode» підтвердили ефективність підходу: у сценарії екстремального забруднення (50%) конкурентні SOTA-методи деградували до рівня випадкового вгадування (AUC < 0.35) через колапс простору ознак, тоді як Hybrid AWRED зберіг високу роздільну здатність із показниками AUC-ROC 0.725 та Average Precision 0.619. Дослідження доводить, що інтеграція детермінованих метричних алгоритмів у структуру глибоких нейронних мереж є безальтернативним шляхом для створення надійних NIDS, здатних функціонувати у ворожому середовищі.

Ключові слова: виявлення вторгнень, NIDS, глибоке навчання, Hybrid AWRED, стійкість до забруднення, гібридний простір ознак, Deep SVDD, kNN

Список використаної літератури

Довженко Т.П. (2026). HYBRID AWRED: Синергія адаптивної реконструкції та топологічної кластеризації для виявлення аномалій у мультимодальних даних.- Зв’язок. – 2026.- № 1 – с. 81-89.
Mirsky, Y., Doitshman, T., Elovici, Y., & Shabtai, A. (2018). Kitsune: An Ensemble of Autoencoders for Online Network Intrusion Detection. Proceedings of the Network and Distributed System Security Symposium (NDSS). URL: https://arxiv.org/abs/1802.09089
Zong, B., Song, Q., Min, M. R., Cheng, W., Lumezanu, C., Cho, D., & Chen, H. (2018). Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection. International Conference on Learning Representations (ICLR). URL: https://openreview.net/forum?id=BJJLHbb0-
Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A., ... & Kloft, M. (2018). Deep one-class classification. International Conference on Machine Learning (ICML), 4393-4402. URL: https://proceedings.mlr.press/v80/ruff18a.html
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. URL: https://www.deeplearningbook.org/
Kwon, D., Kim, H., Kim, J., Suh, S. C., Kim, I., & Kim, K. J. (2019). A Survey of Deep Learning-based Network Anomaly Detection. Cluster Computing, 22(1), 949-961. URL: https://link.springer.com/article/10.1007/s10586-017-1117-8
Ring, M., Wunderlich, S., Scheuring, D., Landes, D., & Hotho, A. (2019). A Survey of Network Intrusion Detection Data Sets. Computers & Security, 86, 147-163. URL: https://arxiv.org/abs/1903.02460
Kingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980. URL: https://arxiv.org/abs/1412.6980

МЕТОД УПРАВЛІННЯ КОМП’ЮТЕРНОЮ МЕРЕЖЕЮ SD-WAN МЕТОДАМИ МАШИННОГО НАВЧАННЯ НА ОСНОВІ МАТЕМАТИЧНОЇ МОДЕЛІ У ПРОСТОРІ СТАНІВ

Катков Юрій Ігорович (Yuriy Katkov) — 2026-04-01

Розвиток технологій побудови комп’ютерних мереж привело до створення програмно-визначених глобальних мереж SD-WAN. Цей напрямок являється одним із ключових тенденцій в розвитку ефективної мережевої інфраструктури. В цьому випадку забезпечується програмне централізоване управління всією комп’ютерною розподіленою мережею використовуючи спеціалізований контролер, який відокремлює систему управління від системи передачі даних.

Метою даної роботи являється підвищення ефективності функціонування розподілених комп'ютерних мереж SD-WAN методами машинного навчання на основі математичної моделі у просторі станів. В роботі вирішено актуальне наукове завдання з розробки методу управління комп’ютерною мережею SD-WAN на основі машинного навчання у просторі станів. Розроблено математичну модель мережі SD-WAN у просторі станів, яка представляє собою сукупність векторів стану, управління та функцію якості обслуговування. Вона враховує динаміку завантаження каналів, затримки, втрати пакетів та стан буферів вузлів. Дана модель може бути застосована у вигляді лінеаризованого варіанту для проведення аналітичних розрахунків, так і у формі повної нелінійної форми для проведення симуляції. Визначені умови стійкості та керованості комп’ютерної мережі. Для лінійної моделі отримано аналітичний розв'язок задачі оптимального управління SD-WAN, яке ґрунтується на основі рівняння Річчаті. На основі глибокого навчання з підкріпленням розроблено алгоритм управління мережею. Для дослідження ефективності отриманих результатів проведено симуляцію розподіленої комп’ютерної мережі різними методами управління SD-WAN. Результати проведеної симуляції підтвердили перевагу запропонованого методу управління комп’ютерною мережею SD-WAN на основі машинного навчання у просторі станів. Вони показали зниження затримки на 65%, рівня втрат пакетів на 85% та значення функціоналу якості на 61% порівняно з базовим методом ECMP.

Ключові слова: розподілена комп'ютерна мережа, SD-WAN, методи машинного навчання, математична модель, метод простору станів, управління, якість обслуговування, канал зв’язку

Список використаної літератури

[1] Гніденко М.П., Вишнівський В.В., Зінченко О.В., Іщеряков С.М. Новий вимір реалізації ключових функцій та можливостей новітніх технологій HPE Aruba / Монографія / – К.:ДУІКТ, ФОП Гуляєва В.М., 2025. – 289 с.

[2] Meyer D. Software-Defined Networking: A Comprehensive Survey / D. Meyer, J. Clarke, I. Moraes. – Proceedings of the IEEE. – 2015. – Vol. 103, No. 1. – P. 14–76.

[3] Xiao Y. Reinforcement Learning-Based QoS/QoE-Aware Service Function Chaining in Software-Defined and Virtualized Multimedia Networks / Y. Xiao, Q. Zhang // IEEE Transactions on Multimedia. – 2017. – Vol. 19, No. 7. – P. 1555–1564.

[4] Liu S. Deep Reinforcement Learning for Dynamic Multichannel Access in Wireless Networks / S. Liu, W. Wang // IEEE Transactions on Cognitive Communications and Networking. – 2018. – Vol. 4, No. 2. – P. 257–265.

[5] K. Pentikousis et al., “Software-Defined Networking (SDN): Layers and Architecture Terminology,” RFC 7426, Jan. 2015.

[6] X. Wu, K. Lu, and G. Zhu, “A Survey on Software-Defined Wide Area Networks,” Journal of Communications, vol. 13, no. 5, pp. 253-258, 2018, doi: 10.12720/jcm.13.5.253-258.

[7] S. Jain et al., “B4: Experience with a Globally-Deployed Software Defined WAN,” ACM SIGCOMM Computer Communication Review, vol. 43, no. 4, pp. 3-14, 2013.

[8] C. Hong et al., “Achieving High Utilization with Software-Driven WAN,” ACM SIGCOMM Computer Communication Review, vol. 43, no. 4, pp. 15-26, 2013.

[9] A. Gupta et al., “SDX: A Software Defined Internet Exchange,” ACM SIGCOMM Computer Communication Review, vol. 44, no. 4, pp. 551-562, 2015. DOI:10.1145/2740070.2626300

[10] M. L. Puterman, Markov Decision Processes: Discrete Stochastic Dynamic Programming. New York, NY, USA: Wiley, 1994.

[11] A. Rantzer, “On the Kalman-Yakubovich-Popov lemma,” Systems & Control Letters, vol. 28, no. 1, pp. 7-10, 1996.

[12] J. B. Rawlings, D. Q. Mayne, and M. Diehl, Model Predictive Control: Theory, Computation, and Design, 2nd ed. Madison, WI, USA: Nob Hill Publishing, 2017.

[13] Mestres A. Knowledge-Defined Networking / A. Mestres, A. Rodriguez-Natal, J. Carner et al. // ACM SIGCOMM Computer Communication Review. – 2017. – Vol. 47, No. 3. – P. 2–10.

[14] Mnih V. Human-level control through deep reinforcement learning / V. Mnih, K. Kavukcuoglu, D. Silver et al. // Nature. – 2015. – Vol. 518. – P. 529–533.

[15] Stampa G. A Deep-Reinforcement Learning Approach for Software-Defined Networking Routing Optimization / G. Stampa, M. Arias, D. Sanchez-Charles et al. – arXiv:1709.07080. – 2017.

[16] Schulman J. Proximal Policy Optimization Algorithms / J. Schulman, F. Wolski, P. Dhariwal, A. Radford, O. Klimov. – arXiv:1707.06347. – 2017.

МЕТОД ДИНАМІЧНОЇ ОЦІНКИ ДОВІРИ ЗА ДОПОМОГОЮ МОДИФІКОВАНОГО ГІСТЕРЕЗИСУ У РОЯХ БПЛА

Волокита Артем Миколайович (Volokyta Artem) — 2026-04-01

У статті досліджується проблема стабільності та безпеки функціонування мобільних комплексів, зокрема роїв безпілотних літальних апаратів (БПЛА), в умовах маніпуляцій даними. Децентралізовані мережі вразливі до On-Off атак, під час яких зловмисний вузол навмисно коливає рейтинг довіри навколо межі відключення. Це викликає дестабілізуючий ефект «миготіння» (flapping) станів мережі, що призводить до лавиноподібного зростання трафіку. Аналіз публікацій показує, що існуючі рішення концентруються на глобальних алгоритмах обчислення рівня загроз, залишаючи невирішеним питання стабілізації довіри на локальному рівні (рівні окремого вузла). Метою роботи є розробка математичної моделі, яка виступає базисом методу динамічного оцінювання довіри: механізму безперервного оновлення коефіцієнта довіри та постійної регуляції ефективної ваги вузлів за допомогою модифікованого гістерезису. Основний матеріал описує розроблений локальний модуль стабілізації, який діє як фільтр для зовнішніх адаптивних порогів. Наукова новизна підходу полягає в оригінальному застосуванні механізму гістерезису для завдань динамічної оцінки довіри, де він адаптований для умов, коли на його вхід подається змінний поріг безпеки. Математичний апарат управління довірою базується на експоненційному згладжуванні (EWMA) та гістерезисі. Введено рахунок тривалості відхилення і бінарний індикатор карантину, який ізолює вузол від прийняття рішень. Запропонована неперервна кусочно-лінійна функція деградації довіри забезпечує асиметричне штрафування зловмисника, нівелюючи спроби швидкого відновлення рейтингу. Для верифікації моделі проведено ізольоване імітаційне моделювання поведінки вузла за умов On-Off атаки. Результати доводять здатність модифікованого гістерезису самостійно блокувати маніпуляції порушника, повністю усуваючи ефект «миготіння». Висновки підтверджують, що проста мінливість довіри є вразливою без апарату стабілізації. Запропонована модель успішно перетворює нестабільну поведінку агентів у безпечну, безперервно керовану ефективну вагу, придатну для обчислення безпечного консенсусу в БПЛА. Перспективами досліджень є оптимізація взаємодії створеної локальної моделі з глобальними нейромережевими модулями у реальному часі.

Ключові слова: розподілені системи, БПЛА, динамічна довіра, модифікований гістерезис, безпека розподілених систем, On-Off атаки, безперервне оновлення довіри

Список використаної літератури

Adaptive multi-granularity trust management scheme for UAV visual sensor security under adversarial attacks / H. Li et al. Computers & security. 2024. P. 104108. URL: https://doi.org/10.1016/j.cose.2024.104108 (date of access: 23.03.2026).
A novel distributed situation awareness consensus approach for UAV swarm systems / X. Hai et al. IEEE transactions on intelligent transportation systems. 2023. P. 1–12. URL: https://doi.org/10.1109/tits.2023.3300871 (date of access: 23.03.2026).
Continuous authentication for UAV delivery systems under zero-trust security framework / C. Dong et al. 2022 IEEE international conference on edge computing and communications (EDGE), Barcelona, Spain, 10–16 July 2022. 2022. URL: https://doi.org/10.1109/edge55608.2022.00027 (date of access: 23.03.2026).
Deep neural network and zero trust principles for intelligent drone management / S. Q. Abbas et al. 2024 IEEE 9th international conference on engineering technologies and applied sciences (ICETAS), Bahrain, Bahrain, 20–22 November 2024. 2024. P. 1–6. URL: https://doi.org/10.1109/icetas62372.2024.11120042 (date of access: 23.03.2026).
Kannan S., Venkataraman R., Ramachandran G. S. On-off attack detection in trust model using intra-daily variability for the IoT. Bulletin of electrical engineering and informatics. 2023. Vol. 12, no. 6. P. 3880–3888. URL: https://doi.org/10.11591/eei.v12i6.6110 (date of access: 23.03.2026).
Liao Z., Zhang L., Dong Z. UAV swarm exploration with byzantine fault tolerance. 2021 china automation congress (CAC), Beijing, China, 22–24 October 2021. 2021. URL: https://doi.org/10.1109/cac53003.2021.9727874 (date of access: 23.03.2026).
Reputation-Enhanced practical byzantine fault tolerance algorithm for node capture attacks on UAV networks / P. Onukak et al. Discover internet of things. 2025. Vol. 5, no. 1. URL: https://doi.org/10.1007/s43926-025-00164-y (date of access: 23.03.2026).
Saffre F., Hildmann H., Anttonen A. Force-Based Self-Organizing MANET/FANET with a UAV Swarm. Future internet. 2023. Vol. 15, no. 9. P. 315. URL: https://doi.org/10.3390/fi15090315 (date of access: 23.03.2026).
Sharma J., Mehra P. S. A survey of security challenges and existing prevention methods in FANET. Intelligent data analytics, iot, and blockchain. Boca Raton, 2023. P. 252–262. URL: https://doi.org/10.1201/9781003371380-24 (date of access: 23.03.2026).
Singh R. Simulation and evaluation of a hybrid trust–cryptographic protocol for UAV swarm communications. Simulation modelling practice and theory. 2025. P. 103230. URL: https://doi.org/10.1016/j.simpat.2025.103230 (date of access: 23.03.2026).
The essential role of cybersecurity in UAV swarm operations / F. M. Khan et al. Unmanned aerial vehicles swarm for protecting smart cities. Berkeley, CA, 2025. P. 403–441. URL: https://doi.org/10.1007/979-8-8688-1047-3_11 (date of access: 23.03.2026).
Trust based flying ad-hoc network: a survey / J. Kundu et al. IEEE access. 2024. P. 1. URL: https://doi.org/10.1109/access.2024.3419904 (date of access: 23.03.2026).
Trust prediction based on grey exponential smoothing method in VANETs / S. Zhang et al. 12th EAI international conference on mobile multimedia communications, mobimedia 2019, 29th - 30th jun 2019, weihai, china, Weihai, People's Republic of China, 29–30 June 2019. 2019. URL: https://doi.org/10.4108/eai.29-6-2019.2282065 (date of access: 23.03.2026).
Xie G., Zhou X., Gao J. Adaptive trust threshold model based on reinforcement learning in cooperative spectrum sensing. Sensors. 2023. Vol. 23, no. 10. P. 4751. URL: https://doi.org/10.3390/s23104751 (date of access: 23.03.2026).
Zhou S., Zhang G., Meng X. LocTrust: A local and global consensus-combined trust model in MANETs. Peer-to-Peer networking and applications. 2021. Vol. 15, no. 1. P. 355–368. URL: https://doi.org/10.1007/s12083-021-01250-y (date of access: 23.03.2026).

ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АВТОМАТИЗОВАНОГО АНАЛІЗУ АЕРОЗОБРАЖЕНЬ З БПЛА НА ОСНОВІ СПЛАЙН-АПРОКСИМАЦІЇ РОЗПОДІЛУ ТЕКСТУРНИХ ОЗНАК

Золотухіна Оксана Анатоліївна (Zolotukhina Oksana) — 2026-04-03

УДОСКОНАЛЕНІ ЗГОРТКОВІ НЕЙРОННІ МЕРЕЖІ ДЛЯ ОЦІНКИ БІОЛОГІЧНОГО ВІКУ ЗА ДАНИМИ ЕКГ

Сліпченко Володимир Георгійович (Volodymyr Slipchenko) — 2026-04-03

Дослідження спрямоване на підвищення ефективності та точності оцінки біологічного віку людини шляхом розробки інтелектуальної програмної системи на основі удосконалених архітектур глибоких згорткових нейронних мереж (CNN). Основна увага приділяється автоматизованому аналізу електрокардіограм (ЕКГ) із використанням даних бази даних лікарні Єнського університету (1121 суб'єкт). Актуальність дослідження зумовлена тим, що традиційні маркери ризику, такі як хронологічний вік, часто не відображають справжнього фізіологічного зносу серцево-судинної системи, тоді як біологічний вік серця є критичним інтегральним показником здоров'я. У дослідженні вивчаються обмеження класичних методів машинного навчання, що базуються на ручному конструюванні ознак (варіабельність серцевого ритму, тривалість інтервалів), порівняно з наскрізними підходами глибокого навчання, які навчаються безпосередньо на необроблених сигналах. Для вирішення критичної проблеми дисбалансу класів у 15-класовому розподілі віку було застосовано такі методи, як SMOTE та Focal Loss, а також впроваджено стратегію розділення даних на рівні пацієнтів для забезпечення незалежності тестового набору.

Результати дослідження дозволили значно підвищити точність класифікації біологічного віку. Якщо класичні моделі (логістична регресія, випадковий ліс) досягли максимальної точності 49%, а рекурентні нейронні мережі (Bi-LSTM) – 64,4%, то запропонована архітектура удосконаленої CNN, посилена механізмом уваги та залишковими зв'язками (ResNet), досягла точності класифікації понад 87% із середньою абсолютною похибкою 2,6 року. Модель продемонструвала високу чутливість навіть для недостатньо представлених геріатричних груп (91+ років), забезпечуючи recall понад 70%. Результати надали важливу інформацію про здатність глибокого навчання виявляти приховані нелінійні патерни старіння в "необроблених" сигналах ЕКГ, такі як фрагментація комплексу QRS та зміни швидкості проведення, які недоступні для візуальної інтерпретації або лінійного аналізу. Розроблена програмна система "BioAge-ECG AI" може бути використана для масового скринінгу та раннього виявлення серцево-судинних ризиків.

Ключові слова: біологічний вік, ЕКГ, глибоке навчання, CNN, ResNet, механізм уваги, дисбаланс класів

Список використаної літератури

Belsky, D. W., et al. (2015). Quantification of biological aging in young adults. Proceedings of the National Academy of Sciences, 112(30), E4104-E4110. https://doi.org/10.1073/pnas.1506264112
Lima, E. M., et al. (2021). Deep neural network-estimated electrocardiographic age as a mortality predictor. Nature Communications, 12(1), 5117. https://doi.org/10.1038/s41467-021-25351-7
Attia, Z. I., et al. (2019). Age and sex estimation using artificial intelligence from standard 12-lead electrocardiograms. Circulation: Arrhythmia and Electrophysiology, 12(9), e007284. https://doi.org/10.1161/CIRCEP.119.007284
Kiranyaz, S., et al. (2021). 1D Convolutional Neural Networks and Applications: A Survey. Mechanical Systems and Signal Processing, 151, 107398. https://doi.org/10.1016/j.ymssp.2020.107398
Schumann, A., & Bär, K. J. (2022). Autonomic function regulating blood pressure and cardiac rhythm in aging and disease. Scientific Data, 9(1), 1-10. https://doi.org/10.1038/s41597-022-01121-5
Goldberger, A. L., et al. (2000). PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation, 101(23), e215-e220. https://doi.org/10.1161/01.CIR.101.23.e215
Welch, P. (1967). The use of Fast Fourier Transform for the estimation of power spectra: A method based on time averaging over short, modified periodograms. IEEE Transactions on Audio and Electroacoustics, 15(2), 70-73. https://doi.org/10.1109/TAU.1967.1161901
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority oversampling technique. Journal of artificial intelligence research, 16, 321-357. https://doi.org/10.1613/jair.953
Schuster, M., & Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11), 2673-2681. https://doi.org/10.1109/78.650093
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778. https://doi.org/10.1109/CVPR.2016.90
Vaswani, A., et al. (2017). Attention is all you need. Advances in neural information processing systems, 30. https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
Kingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980. https://doi.org/10.48550/arXiv.1412.6980
Lin, T. Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. Proceedings of the IEEE international conference on computer vision, 2980-2988. https://doi.org/10.1109/ICCV.2017.324