Інші праці КІТС (ДМетІ)

Permanent URI for this collectionhttp://crust.ust.edu.ua/handle/123456789/14594

Browse

Now showing 1 - 2 of 2

Застосування методів машинного навчання для виявлення аномалій у мережевому трафіку
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Малієнко, Станіслав Євгенович; Селівьорстова, Тетяна Віталіївна
UKR: У роботі досліджено ефективність методів машинного навчання для виявлення аномалій у мережевому трафіку. Проаналізовано основні підходи до побудови інтелектуальних систем виявлення вторгнень (IDS), зокрема сигнатурний аналіз та методи на основі машинного навчання. Виконано експериментальне порівняння алгоритмів Random Forest, Support Vector Machine, k-Nearest Neighbors та багатошарового перцептрона на датасеті NSL-KDD. Оцінку якості класифікації проведено за метриками Accuracy, Precision, Recall та F1-score. Результати показали, що метод Random Forest забезпечує найкращий баланс точності та швидкодії для задач виявлення мережевих аномалій у режимі реального часу. Визначено перспективи застосування ансамблевих методів та глибокого навчання для підвищення якості детектування кіберзагроз.
Інформаційна технологія виявлення покинутих сільськогосподарських угідь на основі супутникового моніторингу
(Liha-Pres, Львів-Торунь, 2025) Сергєєва, Катерина Леонідівна; Кавац, Юрій Віталійович; Ковров, О. С.; Чумичов, Д. Д.
UKR: Розроблено інформаційну технологію автоматизованого виявлення покинутих сільськогосподарських угідь за часовими рядами даних супутникового моніторингу Sentinel-2. Запропоновано метод класифікації, що базується на порівнянні максимальних значень Normalized Difference Vegetation Index (NDVI) у цільовому та базових роках. Зниження цього показника інтерпретується як ознака деградації антропогенного агроландшафту та відновлення природного рослинного покриву. Реалізована на основі розробленої технології інформаційна система інтегрована з Google Earth Engine (GEE) і забезпечує класифікацію полів як оброблюваних або покинутих у режимі, наближеному до реального часу, з відображенням результатів на інтерактивній карті. Технологія використовує супутникові знімки та не потребує навчальної вибірки, що робить можливим моніторинг аграрних територій навіть у зонах воєнних дій, де наземні обстеження є утрудненими або неможливими. Валідація на вибірці полів України засвідчила точність до 92% (F1-score = 0,896).