Academic literature on the topic 'Метод машинного навчання'

У статті досліджено комплексний алгоритм створення керуючих автоматів на базі машинного навчання. Розкрито необхідність застосування принципів машинного навчання на керуючих автоматах. Описано генезис автоматів навчання та їх приналежність до штучного інтелекту. Визначено принципи побудови машини Цетліна та перспективні напрями її застосування щодо умов дослідження. Наголошено, що алгоритм навчання керуючого автомата використовує дискретні етапи оновлення, застосовуючи лінійну тактику, це, у свою чергу, дозволяє обмежити алгоритм кінцевою кількістю станів, визначених ансамблем автоматів Цетліна. Визначено умови, якими керується принцип оновлення автомата: значення літералів, параметри та поточні дії автоматів Цетліна з точки зору включення та виключення. Запропоновано основну архітектуру машинного класифікатора Цетліна з двома пунктами та наголошено, що ефективність машинного навчання з використанням автоматів навчання залежить від ряду гіперпараметрів, які необхідно ретельно налаштувати перед тренуванням. Процес налаштування точності та збіжності для цієї задачі називається пошуком гіперпараметрів. Обґрунтовано застосування принципу максимального паралелізму для машинної реалізації автоматів навчання Цетліна. Визначено метод бінаризації із замкнутим циклом зі зворотним зв’язком щодо точності, який ігнорує статистичну значущість даних, яка визначає, як класи виведення висновків співвідносяться з набором даних. Наведено діаграму потоку даних методу бінаризації, який орієнтовано на значущість. Описаний метод організований у три етапи: етап 1 (зменшення розмірності), етап 2 (класифікація), етап 3 (двійкове кодування). Запропоновано схематично логічну реалізацію програмування керуючого автомата. Визначено перспективи подальших досліджень, які ґрунтуються на розробці масштабованої апаратної архітектури.

В роботі запропоновано реалізації технологіями класичного машинного навчання та аналіз складової частини алгоритму сортування, а саме, знаходження максимального елементу масиву. Було реалізовано такі методи – лінійну регресію, дерева рішень, метод опорних векторів, метод -найближчих сусідів. Проведено порівняльний аналіз точності роботи за кожним алгоритмом.

Досліджено процес прогнозування дефектів у програмному забезпеченні (ПЗ) з використанням алгоритмів глибинного навчання. Показано, що цей процес складається з декількох основних етапів: пошук та підготовка даних, побудова абстрактного синтаксичного дерева (АСД), обхід дерева та кодування значень вершин у цілі числа, збалансування даних, побудова та навчання нейронної мережі. З'ясовано, що застосування цього процесу прогнозування дефектів у ПЗ може пришвидшити та полегшити пошук дефектів та відповідно знизити вартість їх виправлення. Встановлено, що передові алгоритми машинного навчання, які на цей момент використовуються на етапі побудови та навчання нейронної мережі, досі є недостатньо ефективними, щоб можна було застосовувати прогнозування дефектів у комерції, демонструючи нестабільну точність 40-60 %. За результатами досліджень встановлено, що застосування алгоритмів глибинного навчання дає точніші результати, ніж інші алгоритми машинного навчання. Для зниження дисперсії та підвищення середньої точності прогнозування запропоновано новий метод прогнозування дефектів у ПЗ на підставі поєднання двох останніх модифікацій алгоритмів глибинного навчання CNN та RNN за допомогою бінарного класифікатора логістична регресія. Проведено навчання нейронної мережі на наборі даних розміром 50 000 файлів вихідного коду, отриманих з 13-ти проєктів мовою Java. За результатами досліджень виявлено, що метод CNN+RNN в середньому дає на 10-9 % вищу точність, ніж RNN та на 2 % вищу точність, ніж CNN, що доводить доцільність використання поєднання алгоритмів глибинного навчання у задачі прогнозування дефектів. Проаналізовано точність методу CNN+RNN по кожному з ПЗ проектів з набору даних, унаслідок чого виявлено, що для 11-ти з 13-ти проєктів поєднання CNN+RNN дає не меншу точність, ніж окремо взяті CNN та RNN.

Предметом дослідження є методи та засоби виявлення аномалій в даних. Метою статті є підвищення якості класифікації даних за рахунок виявлення аномалій на етапі їх попередньої обробки. Завдання: дослідити методи виявлення аномалій на етапі попередньої обробки даних, визначити поріг прийняття рішень anomaly_score для кожного із методів та оцінити якість класифікації до та після preprocessing. Використовуваними методами є: методи штучного інтелекту, машинного навчання, ансамблеві методи. Отримано такі результати: досліджено методи виявлення аномалій: метод стандартного відхилення (Standard Deviation Method), метод локального рівня викидів (Local Outlier Factor), метод Ізолюючого лісу (Isolation Forest). Отримано залежність кількості аномалій від порогу прийняття рішень для кожного із методів. Оцінку якості попередньої обробки даних виконано з використанням класифікаторів на основі методів KNN та беггінгу (Bagging). Досліджені методи реалізовані програмно з використанням хмарного сервісу GOOGLE COLAB на основі Jupyter Notebook. Висновки. Наукова новизна отриманих результатів полягає у дослідженні методів виявлення аномалій на етапі попередньої обробки даних, вибору мета-алгоритму preprocessing та визначення оптимальних параметрів його налаштування.

У статті розглянуто динаміку та поведінку кіберспортивної індустрії на світовому рівні та стан кіберспорту як індустрії в Україні. Визначено основні досягнення кіберспортивної сфери України. Проведено статистичний аналіз доходу кіберспортивної індустрії, сукупної аудиторії кіберспортивних ігор, постійних та пересічних глядачів змагань на основі аналізу варіації, моди, показників асиметрії та ексцесу розподілу. Для досягнення цілей дослідження було використано метод експоненційного згладження та метод опорних векторів. SVM є методом машинного навчання, який використовується для вирішення задач класифікації та регресії. Як і для класичної моделі регресії основою підходу є знаходження функції підгонки емпіричних даних. Обрані методи дозволили підготувати дані для аналізу та побудувати регресійні SVM-моделі з ядром на основі радіально-базисних функцій. Побудовані моделі для доходу кіберспорту та пересічних глядачів кіберспорту мають тип epsilon-SVM, а для світової аудиторії кіберспорту та постійних глядачів кіберспорту – nu-SVM. Доведена адекватність побудованих моделей на основі аналізу залишків моделі. Здійснено прогнозування вхідних показників. Визначено, що до 2025 року очікується постійне зростання доходу від кіберспортивної діяльності, що означає постійний розвиток та вдосконалення супутньої до кіберспорту інфраструктури. Визначено важливість та необхідність державної підтримки розвитку кіберспорту на всіх рівнях: від організації турнірних площадок до проведення регіональних, шкільних, аматорських турнірів. Отримані результати можуть бути використані Федерацією кіберспорту України, кіберспортивними організаціями, дослідниками для обгрунтування необхідності розвитку кіберспорту в Україні.

Предметом статті є дослідження методів ідентифікації стану комп’ютерної системи. Метою статті є розробка методу ідентифікації аномального стану комп’ютерної системи на основі ансамблевих методів. Завдання. Дослідити та виділити події операційних системах сімейства Windows, розробити програмне забезпечення для виділення подій; дослідити використання ансамблевих класифікаторів на основі беггінгу та бустінгу та дерев рішень для ідентифікації стану комп’ютерної системи. Використовуваними методами є: методи машинного навчання та ансамблеві методи класифікації. Отримано такі результати: У якості вихідних даних виділено наступні класи подій операційних системах сімейства Windows: події міжпроцесної комунікації, події взаємодії з файловою системою, події інтернет-з’єднання, події взаємодії з реєстром. Досліджено методи ідентифікації аномального стану комп’ютерних систем на базі ансамблевих методів, а саме беггінгу, бустінгу та дерева рішень J48 для ідентифікації стану комп’ютерної системи. Виконано оцінку ефективності розроблених ансамблевих класифікаторів. За результатами досліджень для ідентифікації стану комп’ютерної системи запропоновано ансамблевий метод класифікації на основі беггінгу та дерева рішень J48. Висновки. Наукова новизна отриманих результатів полягає у виділенні процесів функціонування комп’ютерної системи та створенні ансамблевого методу для на основі беггінгу та дерева рішень J48, що надає можливість підвищити точність ідентифікації стану комп’ютерної системи

Розглянуто технологічні підходи до використання засобів Machine Learning під час ідентифікації нових сортів сільськогосподарських рослин на підставі набору даних загальновідомих сортів, алго-ритм найближчого сусіда. Метою цієї роботи є розроблення прикладу застосування методу машин-ного навчання та оцінювання придатності його використання під час оброблення даних кодів прояву морфологічного опису сортів рослин. Під час дослідження використано й аналітичний та статистичний методи. Дослідження проводилось на прикладі даних морфологічного опису сортів Lactucasativa L. var. capitatа. Опробована інформаційна технологія використання засобів машинного навчан-ня для формування комп’ютерної моделі подібних сортів салату посівного головчастого з викорис-танням статистичного пакету IBM SPSS Statistics. У результаті експерименту з комп’ютерноюмоделлю навчання встановлено, що найбільш точні результати класифікації отримано з викорис-тання ознаки розмір головки салату посівного головчастого як цільової змінної моделі та ознакищільність головки салату посівного як фокусну змінну. Дослідження показало придатність застосу-вання засобу Machine Learning під час ідентифікації груп подібних сортів салату посівного головча-стого за морфологічними ознаками. Пакет статистичних програм IBM SPSS Statistics є зручним укористуванні, надає досліднику широкий спектр засобів експериментування з моделлю сортів бота-нічного таксону, дає змогу візуалізувати отримані результати моделювання з використання діаг-рам, які добре унаочнюють результати моделювання. Головна діаграма моделі є інтерактивною, щодозволяє досліднику експериментувати з моделлю. Цей метод може бути рекомендовано для вико-ристання під час оброблення даних кваліфікаційної експертизи на відмінність, однорідність та ста-більність.

В роботі проведено дослідження алгоритмів захисту конфіденційності для великомасштабних даних на основі машинного навчання. У сучасному світі у повсякденному житті та для дослідників і практиків проблема захисту конфіденційності великих даних є чи не найосновнішою проблемою та актуальною задачею. За результатами проведених досліджень удосконалено метод захисту конфіденційності для більш ефективного використання енергоносіїв. Також набув подальшого розвитку метод, за допомогою якого забезпечується можливість імплементації його у систему охорони здоров’я.

Розглянуто задачу побудови інтегрального індикатору на основі агрегування набору часткових показників. В рамках концепції машинного навчання передбачається, що набір вихідних даних складається з набору статистичних даних вимірювань часткових показників та експертних оцінок відповідних значень інтегрального індикатору. Для оцінки параметрів лінійної моделі інтегрального індикатору використовується метод оптимального узгодження експертних і статистичних оцінок.

Розроблено метод вибору оптимального типу ШНМ, ідеєю якого є практичне використання декількох типів ШНМ, подальшого обчислення похибок роботи кожного типу з використанням ідентичних наборів даних для навчання ШНМ, що унеможливлює вплив на результати роботи алгоритму і специфіки даних у навчальній вибірці. Запропонований метод дає змогу визначити оптимальний тип ШНМ для керування побутовими приладами у будинку. Розглянуто особливості процесу розроблення програмного забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі. Вибір штучної нейронної мережі використовують для автоматизації обчислення значень оптимальних температурних режимів у кімнатах будинку, налаштувань параметрів освітлювальних приладів та режимів роботи системи безпеки "розумного" будинку. Наведено результати дослідження взаємозв'язку між різними типами нейронних мереж, кількістю внутрішніх шарів штучної нейронної мережі і кількістю нейронів на кожному внутрішньому шарі та зміни похибки обчислень параметрів налаштувань відносно очікуваних результатів роботи. Вирішення кожної окремої поставленої задачі за допомогою систем "розумного" будинку потребує використання різних алгоритмів машинного навчання. Великі обсяги даних, що генеруються у системах "розумного" будинку, та різноманітність типів і форматів цих даних не дає змоги створити універсальний автоматизований механізм з використанням алгоритмів штучного інтелекту, який вирішував би проблеми безпеки, енергоефективності та підтримки комфортних умов проживання користувачів. Тому використання запропонованого методу вибору оптимального типу нейронної мережі, що найкраще підходить для вирішення кожної окремої задачі, забезпечує високі показники ефективності роботи систем "розумного" будинку з мінімальними значеннями похибки отриманих автоматизованих рішень порівняно з рішеннями, що прийняла людина.

Розроблено метод реалізації процесу машинного навчання, який здатний класифікувати текстові дані, та визначити чи були документи перекладені професійними перекладачами або комп'ютерними системами трансляції текстової інформації.

Model аnd trаіnіng method of web mаlwаre trаffіc detectіon system usіng convolutіonаl neurаl network аnd іnformаtіon-extreme clаssіfіer, preprocessed trаіnіng аnd test set of normаl аnd аbnormаl web trаffіc representаted by https аnd webshell аttаcks.

Даними машинного навчання в апаратно-програмних комплексах розпізнавання жестів є дії або рухи частин тіла людини з певним значенням, які використовуються для передачі інформації або вираження емоцій. Жест є повноцінним знаковим символом та існує на одному рівні з іншими способами комунікації і тому, існує широкий спектр застосування технології розпізнавання жестів, серед яких управління жестами у віртуальній реальності, робототехніка й телеприсутність, розробка ігор керованих рухами, можливість природної взаємодії з комп'ютерами без будь-якого фізичного контакту. Доцільно виділити те, що розпізнавання жестів широко використовуються в медицині для відновлення втрачених рухових функцій і протезування у пацієнтів

Ведмедєв, В.С. Дослідження та використання машинного навчання для оптимізації послідовності операцій [Електронний ресурс] : робота на здобуття кваліфікаційного ступеня магістра ; спец.: 121 – інженерія програмного забезпечення / В.С. Ведмедєв ; ЗДІА ; наук. кер. Ю.О. Лимаренко . – Запоріжжя, 2018. - 109 с.
UA : Метою роботи є дослідження основних алгоритмів та методів для розв’язання задач класу NP-повних, а саме задач комбінаторної оптимізації. Розробка програмного застосунку з метою проведення порівняльного аналізу генетичного алгоритму та динамічного програмування. Проведення аналізу генетичного алгоритму з різними параметрами. Розробка методики поєднання розглянутих алгоритмів для покращення результатів розв’язку. За результатами роботи досліджено та вивчено основні етапи генетичного алгоритму. Модифіковано створення початкової вибірки генетичного алгоритму за допомогою методу найближчого сусіда. Досліджено етапи динамічного програмування для задачі про комівояжера. Порівняно результати роботи генетичного алгоритму та динамічного програмування. Проведено аналіз модифікованого генетичного алгоритму з різними параметрами для виявлення оптимальних параметрів. Всі дослідження було проведено за допомогою створеного програмного застосунку, який реалізовано на мові програмування С#.
RU : Целью работы является исследование основных алгоритмов и методов для решения задач класса NP-полных, а именно задач комбинаторной оптимизации. Разработка приложения с целью проведения сравнительного анализа генетического алгоритма и динамического программирования. Проведение анализа генетического алгоритма с различными параметрами. Разработка методики сочетание рассмотренных алгоритмов для улучшения результатов развязку. По результатам работы исследованы и изучены основные этапы генетического алгоритма. Модифицировано создание начальной выборки генетического алгоритма с помощью метода ближайшего соседа. Исследованы этапы динамического программирования для задачи о коммивояжёре. Анализированы результаты работы генетического алгоритма и динамического программирования. Проведен анализ модифицированного генетического алгоритма с разными параметрами для выявления оптимальных параметров. Все исследования были проведены с помощью созданного программного приложения, которое реализовано на языке программирования С#.
EN : The purpose of the work is to study the basic algorithms and methods for solving the problems of the class of NP-complete, namely combinatorial optimization problems. Development of software application for comparative analysis of genetic algorithm and dynamic programming. Conducting analysis of a genetic algorithm with different parameters. Development of a method of combining the algorithms considered to improve the solution results. The results of researched and studied the main stages genetic algorithm. Modified the creation of the initial sample of the genetic algorithm using the nearest neighbor method. The stages of dynamic programming for the traveling salesman problem are investigated. The analysis of the modified genetic algorithm with different parameters for the detection of optimal parameters was carried out. All research was conducted using a created software application implemented in the C # programming language.

Об’єкт дослідження є процес збереження конфіденційності великих даних. Предмет дослідження є методи і засоби для забезпечення конфіденційності великих даних на основі машинного навчання та створення методів на основі базових алгоритмів забезпечення конфіденційності. Метою роботи є покращення конфіденційності зберігання великих даних. Для розв’язання поставлених задач використовувалися початкові алгоритми захисту конфіденційності; шум Лапласа, синтетична генерація даних, методи збурення даних, криптогафічні методи, які впливають на якість інтелектуального аналізу для підтримки цілісності та збереження конфіденційності даних.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.05 «Комп’ютерні системи та компоненти». – Харківський національний університет радіоелектроніки, Міністерство освіти і науки України, Харків, 2019. У дисертаційній роботі вирішена актуальна наукова задача покращення показників виявлення аномалій функціонування РКС в умовах кібернетичних впливів зовнішнього та внутрішнього середовища шляхом побудови моделей і методів на основі технологій інтелектуального аналізу даних. Об'єктом дослідження є процес моніторингу стану інформаційного та комунікаційного середовища розподілених комп’ютерних систем, предметом дослідження є методи і алгоритми моніторингу в розподілених комп’ютерних системах із застосуванням технологій інтелектуального аналізу даних. Методи дослідження основані на використанні теорії множин – для розробки моделі функціонування розподілених комп’ютерних систем на основі клієнт-серверної архітектури, моделі мультиагентної підсистеми збору та зберігання даних, моделі моніторингу аномалій функціонування розподілених комп’ютерних систем; загальна теорія систем – для дослідження та розробки протоколу взаємодії агентів моніторингу в розподілених комп’ютерних системах. Практична значимість отриманих теоретичних результатів дисертаційної роботи підтверджено ефективністю запропонованої моделі тільки для виявлення аномального поведінки мережного трафіку на основі множини параметрів мережних з'єднань , що реалізується шляхом аналізу вхідного трафіку за допомогою ансамблю класифікаторів. Зокрема, практичне вирішення теоретичних досліджень полягає у наступному. Запропонована методика моніторингу, яка визначає умови і порядок оцінки стану РКС за допомогою розробленої мультиагентної системи моніторингу. Запропоновано архітектура системи моніторингу з використанням автономних програмних агентів. Архітектура передбачає динамічне формування ієрархічної структури, вузлом якої може виступати будь-яка сутність, що визначається джерелом даних або сенсором. Таким чином, стосовно моніторингу РКС можуть існувати метрики грід, кластерів, обчислювальних вузлів і завдань та інші. Для взаємодії між усіма агентами пропонується використовувати групу інтелектуальних агентів запиту метою яких є координація агентів збору інформації, реструктуризація отриманої інформації і реалізація протоколів і механізмів передачі повідомлень між усіма агентами моделі. Агенти моніторингу можна розділити на такі групи: – агент комутатора і мережевий агент, які забезпечують збір даних з перших двох рівнів моделі OSI. – агент сеансу, який забезпечує збір інформації про ім'я користувача, ім'я термінальної лінії, астрономічний час початку сеансу та інше. – агент додатка, який відповідає за збір даних від різних додатків специфічних для тієї чи іншої інформаційно-обчислювальної системи. – агенти запиту мета яких є обробка запитів на вибірку даних від користувачів системи збору, координація інших агентів для збору необхідної інформації, а також реструктуризація отриманої інформації для зберігання статистичний даних про систему в цілому. Застосування таких агентів і програмна реалізація стандартизованих інтерфейсів взаємодії між ними дозволяють використовувати спільно на різних рівнях програмне забезпечення незалежних розробників. Наприклад, сенсорами можуть виступати файли даних. Але, всі сенсори формують єдину структуру метрик, однаково доступну різним компонентам системи моніторингу. Таким чином, побудована за даною архітектурою система моніторингу може працювати паралельно з уже розгорнутими засобами моніторингу, заміщаючи їх на деяких рівнях, що дозволяє змінювати і розширювати набір доступних функцій цих систем. Результати дисертаційної роботи впроваджено у державному підприємстві «Центральне конструкторське бюро «ПРОТОН»», м. Харків (акт від 30.05.18) та Харківському національному університеті радіоелектроніки, кафедра електронних обчислювальних машин, м. Харків в процесі проведення лекційних занять і лабораторних робіт з курсу «Технології виявлення загроз в комп’ютерних мережах». Матеріали дисертації достатньо повно викладені у 13 роботах: з них 6 статей у виданнях, які зазначені в переліку фахових видань України з технічних наук [ 1-6 ] (всі праці входять до науково-метричних баз, 2 – до бази Scopus ) та 7 тез доповідей міжнародних конференцій [7-13] (1 – до бази Scopus ).
Qualified scientific work on the rights of the manuscript. Thesis for a Candidate Degree in Engineering, specialty 05.13.05 “Computer Systems and Components”. - Kharkiv National University of Radio Electronics, Ministry of Education and Science of Ukraine, Kharkiv, 2019. The dissertation deals with the actual scientific task of improving the detection of anomalies of functioning of RKS in the conditions of cybernetic influences of external and internal environment by constructing models and methods based on the analysis of data technologies. The object of the study is the process of monitoring the state of information and communication environment of distributed computer systems, the subject of research is the methods and algorithms of monitoring in distributed computer systems using data mining technologies. Research methods are based on the use of set theory - to develop a model of functioning of distributed computer systems based on client-server architecture, model of multiagent subsystem of collecting and storage of data, models of monitoring anomalies of functioning of distributed computer systems; general systems theory - for research and development of the protocol of interaction of monitoring agents in distributed computer systems. The practical significance of the obtained theoretical results of the dissertation is confirmed by the effectiveness of the proposed model only for the detection of anomalous behavior of network traffic based on a set of network connection parameters, which is realized by analyzing the inbound traffic using an ensemble of classifiers. In particular, the practical solution to theoretical studies is as follows. A monitoring technique is proposed that defines the conditions and procedure for assessing the status of RCCs using the developed multi-agent monitoring system. The architecture of the monitoring system using autonomous software agents is proposed. Architecture involves the dynamic formation of a hierarchical structure, the node of which can be any entity defined by the data source or sensor. Thus, metrics of grids, clusters, computing nodes and tasks, and others, may exist with respect to RCC monitoring. For the interaction between all agents, it is proposed to use a group of intelligent inquiry agents to coordinate information collection agents, restructure the information received, and implement protocols and message mechanisms between all agents of the model. Monitoring agents can be divided into the following groups: – іs a switch agent and network agent that collects data from the first two levels of the OSI model. – іs a session agent that collects information about a user name, terminal name, astronomical start time, and more. – іs an application agent responsible for collecting data from various applications specific to a particular computer system. – - query agents whose purpose is to process queries for data collection from users of the collection system, coordinate other agents to collect the necessary information, as well as restructure the information obtained to store statistics about the system as a whole. The use of such agents and the software implementation of standardized interfaces between them allow the use of third-party software at different levels. For example, sensors can act as data files. However, all sensors form a single metric structure that is equally accessible to different components of the monitoring system. Thus, a monitoring system built on this architecture can work in parallel with already deployed monitoring tools, replacing them at some levels, which allows to change and extend the range of available functions of these systems. The results of the dissertation were implemented at the State Enterprise "Central Design Bureau" PROTON ", Kharkiv (act dated 30.05.18) and Kharkiv National University of Radio Electronics, Department of Electronic Computing Machines, Kharkiv in the course of conducting lectures and laboratory work on the course "Threat detection technologies in computer networks". The materials of the dissertation are quite sufficiently presented in 13 papers: 6 of them are articles in the editions that are listed in the list of professional editions of Ukraine in technical sciences [1-6] (all works are included in scientific-metric bases, 2 - in Scopus base) and 7 theses international conference reports [7-13] (1 to Scopus database).

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.05 – Комп'ютерні системи та компоненти. – Харківський національний університет радіоелектроніки, Харків, 2019. Дисертаційна робота присвячена розробленню моделей та методів виявлення аномалій функціонування комп'ютерних систем на основі технології машинного навчання. Науковими результатами є: 1) вперше запропоновано модель класифікації стану системи, яка ґрунтується на структурному представлені показників функціональності розподілених комп’ютерних систем, що дозволяє виділити множину станів у залежності від функціональних завдань, розмежувати процеси цільового функціонування системи та інтерфейсні процеси взаємодії з мережною інфраструктурою та використовувати їх в методах інтелектуального аналізу для виявлення аномалій функціонування розподілених комп’ютерних систем. 2) удосконалено метод класифікації стану мережі на основі статистичних параметрів за рахунок рівномірної вибірки об'єктів із поверненням для формування навчальних вибірок, що дозволяє адаптувати процес навчання ансамбля класифікаторів до розмірів навчальної вибірки. 3) отримала подальшого розвитку мультиагентна модель системи збору і зберігання інформації, що побудована на основі агентів, метою яких є надання користувачеві або інформаційній системі більш високого рівня інформації про стан мережної інфраструктури, отриманої в результаті збору та інтелектуальної обробки параметрів, що дозволило зменшити навантаження на мережу за рахунок застосування запропонованого протоколу обміну інформацією між агентами. Запропоновані методи та засоби дозволяють підвищити достовірність виявлення аномалій функціонування розподілених комп’ютерних систем в умовах кібернетичних впливів зовнішнього та внутрішнього середовища шляхом побудови моделей і методів вирішення даного завдання на основі технологій інтелектуального аналізу даних.
Dissertation for the degree of candidate of technical sciences in specialty 05.13.05 - Computer systems and components. Kharkiv National University of Radio Electronics, Kharkiv, 2019. The dissertation is devoted to the development of models and methods for detecting anomalies of the functioning of computer systems on the basis of machine learning technology. The scientific results are: 1) the first model of the classification of the state of the system, which allows to allocate a plurality of states depending on the functional tasks, delimit the processes of the target functioning of the system and interface processes of interaction with the network infrastructure and use them in the methods of intellectual analysis to identify the anomalies of the functioning of distributed systems. This model provides an opportunity to provide local control of parameters for each process and based on the generated vector to detect abnormal effects on the system as a whole; 2) the method of classification of the network status on the basis of statistical parameters for the detection of anomaly in the information structure of the computer system is improved; 3) received a further development of the multiagent model of the system of collecting and storing information based on agents. The proposed methods and means allow to increase the reliability of detection of anomalies of the functioning of distributed computer systems in the conditions of cybernetic influences of the external and internal environment by constructing models and methods for solving this problem on the basis of intelligent data analysis technologies.

Метою роботи є дослідження методів і засобів тестування програмного забезпечення та імплементація алгоритмів машинного навчання для автоматичної класифікації вимог та прогнозування дефектів програмного коду У дослідженні проведено аналіз важливих понять, принципів і послідовності виконання процесів, що використовуються при проектуванні комп’ютерних систем, зокрема, термінологічні особливості у процесі імплементації програмного забезпечення на етапі тестування, що дало змогу зрозуміти і в подальшому визначити шляхи імплементації методів машинного навчання для підвищення ефективності виконання стадій життєвого циклу Запропоновано метод класифікації вимог до програмного забезпечення, що базується на методах машинного навчання і використовує чотири алгоритми: метод опорних векторів, наївний байєсовий класифікатор, логістична регресія та метод найближчих сусідів, а також техніки опрацювання тексту: «мішок слів», TF-IDF і χ 2 . Розроблено метод прогнозування дефектів програмного забезпечення у комп’ютерних системах, що використовує 6 алгоритмів машинного навчання і три набори дефектів і дає змогу забезпечити та передбачити з високою імовірністю можливість появи помилок у програмних модулях з врахуванням метрик програмного коду.
The aim of the work is to study the methods and means of software testing and implementation of machine learning algorithms for automatic classification of requirements and prediction of software code defects The study analyzes important concepts, principles and sequences of processes used in the design of computer systems, in particular, terminological features in the process of software implementation at the testing stage, which allowed to understand and further identify ways to implement machine learning methods to improve efficiency of life cycle stages The method of classification of software requirements based on machine learning methods and using four algorithms is proposed: the method of reference vectors, naive Bayesian classifier, logistic regression and the method of nearest neighbors, as well as word processing techniques: "word bag", TF-IDF and χ 2 . The method for predicting software defects in computer systems has been developed, which uses 6 machine learning algorithms and three sets of defects and makes it possible to provide and predict with a high probability the possibility of errors in software modules taking into account software code metrics.
РОЗДІЛ 1 АНАЛІЗ ОСОБЛИВОСТЕЙ ПРОЦЕСУ ТЕСТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ КОМП’ЮТЕРНИХ СИСТЕМ ...13 1.1. Аналіз основних понять та особливостей процесу тестування ПЗ КС ...13 1.2. Аналіз процесів життєвого циклу ПЗ КС ...15 1.3. Аналіз особливостей життєвого циклу тестування ПЗ ...19 1.4. Аналіз життєвого циклу помилок ...22 1.5. Класифікація методів тестування за способом його проведення ...24 1.5.1. Статичне тестування ...24 1.5.2. Динамічне тестування ...25 1.6. Висновки до розділу ...27 РОЗДІЛ 2 РОЗРОБКА МЕТОДІВ КЛАСИФІКАЦІЇ ВИМОГ ТА ПРОГНОЗУВАННЯ ДЕФЕКТІВ ПЗ З ВИКОРИСТАННЯМ АЛГОРИТМІВ МАШИННОГО НАВЧАННЯ ...28 2.1. Підходи і стратегії тестування ПЗ ...28 2.2. Розробка методу класифікації вимог до ПЗ з імплементацією методів машинного навчання на етапі тестування ...31 2.2.1. Нормалізація тексту вимог ...36 2.2.2. Векторизація тексту ...37 2.2.3. Обґрунтування вибору ознак вимог та алгоритмів класифікації вимог до ПЗ ...39 2.2.4. Алгоритм класифікації вимог до ПЗ ...41 2.3. Розробка методу прогнозування дефектів у програмному забезпеченні ...42 2.4. Метрики ефективності алгоритмів машинного навчання та імплементація процедури запропонованих методів при тестуванні ПЗ ...47 2.5. Висновки до розділу ...50 РОЗДІЛ 3 АПРОБАЦІЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ПРИ КЛАСИФІКАЦІЇ ВИМОГ ТА ПРОГНОЗУВАННІ ДЕФЕКТІВ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ КОМП’ЮТЕРНИХ СИСТЕМ ...51 3.1. Аналіз структури та даних при проведенні класифікації вимог до ПЗ ...51 3.2. Препроцесинг та векторизація тексту вимог до ПЗ...53 3.3. Оцінювання ефективності алгоритмів машинного навчання при класифікації вимог до ПЗ ... 60 3.4. Алгоритм і результати експериментальних досліджень при прогнозуванні дефектів ПЗ ... 66 3.5. Висновки до розділу ...70 РОЗДІЛ 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ ...71 4.1. Охорона праці ...71 4.2. Підвищення стійкості роботи об'єктів господарської діяльності у воєнний час ...74 ВИСНОВКИ ... 80 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ ...82

Починаючи з 2018-2019 н. р., для магістрантів з додатковою спеціальністю «Інформатика» уведено навчальну дисципліну «Чисельні методи та моделювання», спрямованої на формування у студентів системи теоретичних знань з основ апарату чисельних методів і практичних навичок їх використання для розробки та дослідження математичних моделей. Одним із провідних завдань дисципліни є надання комплексу знань, необхідних для розуміння проблем, які виникають під час побудови та при використанні сучасних інтелектуальних систем, та ознайомлення студентів з основними принципами нейромережевого моделювання: – загальними характеристиками біологічних та штучних нейронів; – штучною нейронною мережею Хебба, класичним та модифікованими перцептронами; – видами функцій активації, що набули поширення в штучних нейронних мережах; – технологією проектування одношарових та багатошарових штучних нейронних мереж; – алгоритмами навчання нейронних мереж. Вказані питання в останні десятиріччя розглядаються у межах машинного навчання (Machine Learning) – розділу штучного інтелекту, що розглядає методи побудови алгоритмів та на їх основі програм, здатних «навчатися» шляхом подання емпіричних даних (прецедентів або спостережень), в яких виявляються закономірності, та на їх основі будуються моделі, що надають можливість у подальшому прогнозувати певні характеристики для нових об’єктів. На жаль, класичний (і найбільш популярний у світі) курс машинного навчання Е. Ина (Andrew Ng), розміщений на платформі Coursera, зорієнтований насамперед на студентів-початковців інформатичних спеціальностей – це надає можливість пропонувати його для самостійного опрацювання, але не розв’язує основну проблему: надання змістовних моделей, що відображають специфіку основної спеціальності – хімія.

Головною ідеєю роботи є виявлення можливості досягти якщо не квантового панування, то хоча б квантової переваги при розв’язанні задач машинного навчання на квантовому комп’ютері. Проаналізовано підходи до визначення квантового машинного навчання, інженерії квантового програмного забезпечення. Виділено основні класи засобів інженерії квантового програмного забезпечення. У результаті проведеного аналізу було визначено, щосаме квантово покращене машинне навчання – застосування квантових моделей навчання для аналізу традиційних (не квантових) даних – є перспективним напрямом розвитку машинного навчання, реалізація якого в поточній версії бібліотеки квантових алгоритмів Qiskit Aqua 0.7.3 є обмеженою розв’язанням задач класифікації з використанням квантового методу опорних векторів та варіаційного квантового класифікатору.