Статті КІС УДХТУ

Permanent URI for this collectionhttps://crust.ust.edu.ua/handle/123456789/20305

ENG: Articles

Browse

Now showing 1 - 5 of 5

Дослідження моделей баз даних для зберігання big data у сфері моніторінгу довкілля
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2024) Резніченко, Олег Вікторович; Ляшенко, Оксана Анатоліївна; Архипова, Вікторія Вікторівна
UKR: Питання, пов’язані з утворенням великих масивів даних, до кінця не вирішені. Кількість інформації у світі постійно збільшується, що призвело до виникнення проблеми її збереження. Створене для визначення цих даних поняття «big data» включає у собі наступні характеристики: кількість, швидкість обробки, різноманітність, достовірність, змінність та цінність. До цього типу інформації відносяться характеристики навколишнього середовища; дані визначають розподіл відповідних показників на Землі і дають можливість дати прогноз на майбутнє щодо зміни їх у часі і просторі, що є важливим для ведення господарства та сталого розвитку людства. Але інформація щодо ефективної організації збереження і обробки таких даних є недостатньою, що вимагає проведення додаткових досліджень. Таким чином, об’єктом дослідження є дані, що отримують на постах спостереження за станом навколишнього середовища. Предметом дослідження є зберігання даних, отриманих у результаті проведення моніторингу навколишнього середовища. Метою дослідження є розробка критеріїв для оцінки та порівняння різних типів сховищ даних з урахуванням специфічних вимог для їх зберігання; визначення типів інформації, яка буде зберігатися у базі даних параметрів навколишнього середовища; створення ER-діаграми визначеної бази даних. Отримані дані класифікуються в залежності від стану середовища, його розташування та забрудненості. Оскільки дані одержують з розгалуженої системи спостережень, вони поетапно потрапляють від місця їх реєстрації через міську, регіональну, державну і глобальну мережу до місця їх зберігання. Відповідно, повинні бути забезпечені наступні критерії до отриманої інформації: зберігання даних різних типів, швидкий доступ і обробка та можливість масштабування. Існує дві основні моделі сховищ даних: реляційні та нереляційні, кожна з яких має переваги і недоліки. Так, реляційні (SQL) мають жорсткі схеми, які забезпечують надійність збереження інформації, але є неефективними для обробки великої кількості запитів і не володіють значною масштабованістю. Нереляційні (NoSQL) зберігають дані у неструктурованому типі, легко масштабуються, і забезпечують велику швидкість обробки запитів. Висновки. Проведено дослідження щодо організації даних, отриманих з пунктів спостереження за навколишнім середовищем. Створено схему обробки отриманих даних. Окреслено групи параметрів, що будуть зберігатися у базі даних. Сформульовано основні критерії щодо зберігання даних, що дозволяють більш ефективно їх організувати. Реалізовано ER-діаграму для бази даних.
Концепції проектування систем контролю знань з математичних дисциплін в умовах дистанційної освіти
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Зеленцов, Дмитро Гегемонович; Шаповалов, Кирило Ігорович
UKR: Пропонується новий підхід до проектування систем контролю знань здобувачів освіти з дисципліни «Диференціальне числення». На відміну від більшості існуючих систем контролю знань авторська розробка не містить баз завдань та відповідей. Завдання генеруються у відповідності до сформульованих правил з використанням випадкових чисел. Згенерована задача (функція, для якої треба знайти похідну) перевіряється на коректність, після чого пропонується здобувачу. Відповідь на завдання надається у вигляді формули, а не числа, що також є відмінною рисою авторської розробки. Висновок про вірний розв’язок відбувається на підставі порівняння результатів аналітичного та чисельного диференціювання заданої функції для декількох значень аргументу.
Оцінка та оптимізація ймовірності завершення іт-проєкту за методом PERT
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2025) Селівьорстова, Тетяна Віталіївна; Мала, Юлія Анатоліївна; Гуда, Антон Ігорович; Зеленцов, Дмитро Гегемонович; Кокович, Богдан Олександрович; Веровкін, Олександр
UKR: У статті досліджено застосування методу PERT (Program Evaluation and Review Technique) для аналізу й оптимізації строків реалізації ІТ-проєктів в умовах невизначеності. Метод PERT дозволяє моделювати часові параметри задач проєкту на основі трьох експертних оцінок (оптимістичної, ймовірної та песимістичної), обчислювати очікувану тривалість проєкту та оцінювати ймовірність його завершення у встановлений термін. Запропоновано формалізовану постановку оптимізаційної задачі, що передбачає мінімізацію ризику затримки шляхом впливу на параметри задач критичного шляху: зменшення тривалості та дисперсії. Проведено обчислювальний експеримент на прикладі умовного ІТ-проєкту з 9 задачами, де визначено критичний шлях і оцінено ймовірність своєчасного завершення при заданому дедлайні. Здійснено оптимізацію, в результаті якої ймовірність завершення проєкту у строк зросла з 15.78% до 43.34%. Отримані результати демонструють доцільність поєднання PERT з методами математичного моделювання при плануванні складних проєктів. Показано, що навіть незначні зміни у параметрах задач можуть суттєво знизити ризики і підвищити надійність дотримання строків реалізації ІТ-проєктів.
Порівняльний аналіз традиційних статистичних методів та нейромережевої моделі LSTM
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Перцев, Юрій Олексійович; Коротка, Лариса Іванівна
UKR: У статті здійснено порівняльний аналіз традиційних статистичних методів (ARIMA, SARIMA) та сучасного підходу на основі глибокого навчання (LSTM) для прогнозування часових рядів на фінансових ринках. Аналіз зосереджено на дослідженні ефективності кожної моделі у прогнозуванні ціни закриття акцій компанії Apple (NASDAQ: AAPL). Вибір моделей обумовлений їх широким застосуванням у фінансовому аналізі: ARIMA добре підходить для стаціонарних часових рядів, SARIMA дозволяє враховувати сезонні коливання, а LSTM здатна розпізнавати нелінійні залежності та довготривалі тренди. Для дослідження використано історичні дані про ціну закриття акцій AAPL за період із 01.01.2023 по 20.01.2025, отримані через сервіс yfinance. Експериментальне моделювання проводилося з метою порівняння точності прогнозування на основі таких мет-рик, як середня абсолютна похибка (MAE), середньоквадратична похибка (MSE), корінь середньоквадратичної похибки (RMSE) та середня абсолютна відносна похибка (MAPE). Результати аналізу показали, що модель LSTM забезпечує найкращу точність прогнозування завдяки здатності продуктивно моделювати складні патерни у часових рядах. SARIMA також продемонструвала високу ефективність у прогнозуванні, особливо для даних із вираженою сезонною складовою, перевершуючи ARIMA за точністю. Водночас ARIMA продемонструвала найгірші результати через обмежену здатність адаптуватися до сезонності та нелінійних залежностей. Одержані висновки можуть бути корисними для аналітиків, інвесторів та дослідників, що займаються фінансовим прогнозуванням. Робота містить практичні ре-комендації щодо вибору моделі залежно від характеристик даних і потреб прогнозування, а також висвітлює сильні та слабкі сторони кожного підходу.
Текстовий стандарт опису API як інструмент підвищення якості тестування програмного забезпечення
(Український державний університет науки і технологій, ННІ ≪ Дніпровський металургійний інститут ≫, ІВК ≪Системні технології≫, Дніпро, 2026) Москаленко Максим Л.
UKR: У сучасній розробці програмного забезпечення якість тестування API-інтерфейсів суттєво залежить від повноти їх документування. Актуальність дослідження зумовлена відсутністю єдиного стандарту для текстового опису API у корпоративній документації - Confluence, Google Docs та аналогічних системах. Встановлено, що бізнес-аналітики наприклад, описують ендпоінти довільно, так в одних документах зазначається лише URL, в інших - лише назва операції, тоді як інформація про параметри, коди помилок та авторизацію відсутня. Це призводить до неповного тестового покриття та збільшення кількості дефектів, що виявляються на пізніх стадіях розробки. Метою дослідження є розробка мінімального стандарту текстового опису API - MADS (Minimal API Description Standard) - та обґрунтування його структури на основі аналізу академічних джерел і реальної практики тестування. Запропонований стандарт містить десять полів, згрупованих у чотири блоки: ідентифікація ендпоінту, вхідні дані, вихідні дані та контекст безпеки. В статті проведено дослідження яке демонструє, що застосування MADS дозволяє тестувальнику безпосередньо формувати повний набір тест-кейсів, що охоплюють позитивні сценарії, граничні значення та обробку помилок, без додаткових уточнень вимог. Як результат це впливає на якість вихідного продукта.