Міжнародна науково-технічна конференція «Інформаційні технології в металургії та машинобудуванні. ІТММ'26»

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/22401

ENG: Scientific and Technical International Conference «Information Technology in Metallurgy and Machine Engineering. ITMM'26», April 21-23, 2026

Browse

Now showing 1 - 2 of 2

Концептуальні основи виявлення аномалій у промислових інформаційних системах з використанням машинного навчання
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Довидовський, Едуард О.; Гуда, Антон Ігорович; Селівьорстова, Тетяна Віталіївна
UKR: У роботі розглянуто підходи до виявлення аномалій у промислових інформаційно-управляючих системах із використанням методів машинного навчання. Проаналізовано особливості функціонування сучасних виробничих середовищ та пов’язані з ними ризики інформаційної безпеки, що виникають у процесі цифрової трансформації промисловості та інтеграції інформаційних технологій у виробничі процеси. Основну увагу приділено моделям неконтрольованого навчання, які дозволяють формувати узагальнене уявлення про нормальний стан системи без попереднього маркування даних. Розглянуто принцип роботи автоенкодера як інструмента виявлення відхилень на основі аналізу помилки реконструкції. Запропоновано узагальнену концептуальну схему виявлення аномалій, що базується на порівнянні фактичних і відновлених значень параметрів та дозволяє інтерпретувати відхилення як потенційні порушення нормального функціонування системи. Робота має теоретичний характер і спрямована на систематизацію існуючих підходів.
Методологія підготовки датасету для навчання моделей виявлення шахрайства в електронній комерції
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Носов, Валерій Олександрович; Островська, Катерина Юріївна
UKR: У дослідженні розглянуто проблему підготовки тренувальних даних для систем виявлення шахрайства в транзакціях електронної комерції на основі методів машинного навчання. За результатами аналізу існуючих відкритих джерел обґрунтовано необхідність створення спеціалізованого набору даних. Запропоновано автоматизований конвеєр об’єднання трьох відкритих наборів даних з платформи Kaggle (IEEE-CIS, Sparkov, Fraudulent E-Commerce) зі збереженням реальних міток шахрайства та збагаченням записів синтетичними атрибутами, адаптованими до специфіки українського платіжного ринку. Опрацьовано методи рівномірної нормалізації часових міток, генерації автентифікаційних даних та розбиття на платіжні системи, формування агрегованих профілів клієнтів та пар для навчання моделі IP Insights. Результатом є набір із 500000 транзакцій за 24 місяці з рівнем шахрайства 3,04%, призначений для навчання конвеєра моделей, до яких входять LightGBM, автоенкодер та IP Insights.